Fugu-MT 論文翻訳(概要): Fault Monitoring in Passive Optical Networks using Machine Learning Techniques

論文の概要: Fault Monitoring in Passive Optical Networks using Machine Learning Techniques

arxiv url: http://arxiv.org/abs/2307.03945v1
Date: Sat, 8 Jul 2023 09:59:19 GMT
ステータス: 処理完了
システム内更新日: 2023-07-11 16:17:16.580816
Title: Fault Monitoring in Passive Optical Networks using Machine Learning Techniques
Title（参考訳）: 機械学習を用いたパッシブ光ネットワークの故障モニタリング
Authors: Khouloud Abdelli, Carsten Tropschug, Helmut Griesser, and Stephan Pachnicke
Abstract要約: PONシステムにおける障害監視のための機械学習(ML)アプローチを提案する。実験的な光時間領域反射法(OTDR)データを用いて検証する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Passive optical network (PON) systems are vulnerable to a variety of failures, including fiber cuts and optical network unit (ONU) transmitter/receiver failures. Any service interruption caused by a fiber cut can result in huge financial losses for service providers or operators. Identifying the faulty ONU becomes difficult in the case of nearly equidistant branch terminations because the reflections from the branches overlap, making it difficult to distinguish the faulty branch given the global backscattering signal. With increasing network size, the complexity of fault monitoring in PON systems increases, resulting in less reliable monitoring. To address these challenges, we propose in this paper various machine learning (ML) approaches for fault monitoring in PON systems, and we validate them using experimental optical time domain reflectometry (OTDR) data.
Abstract（参考訳）: パッシブ光ネットワーク(PON)システムは、ファイバカットや光ネットワークユニット(ONU)送信機/受信機故障など、様々な障害に対して脆弱である。ファイバカットによるサービス中断は、サービスプロバイダやオペレーターにとって大きな損失をもたらす可能性がある。分岐からの反射が重なり合うため、ほぼ等距離分岐項の場合、故障したONUの同定が困難になるため、大域後方散乱信号による故障枝の識別が困難になる。ネットワークサイズが大きくなると、PONシステムの障害監視の複雑さが増大し、信頼性が低下する。そこで本研究では,ponシステムにおける障害監視のための機械学習(ml)手法を提案し,実験的な光時間領域反射法(otdr)データを用いて検証を行う。

関連論文リスト

Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。ディープラーニングによる異常検出が重要な方向として現れている。エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文参考訳（メタデータ） (2024-11-06T15:38:31Z)
Sparse Low-Ranked Self-Attention Transformer for Remaining Useful Lifetime Prediction of Optical Fiber Amplifiers [0.0]
本稿では,新しい寿命予測手法としてSparse Low-ranked Self-Attention Transformer (SLAT)を提案する。 SLATはエンコーダ-デコーダアーキテクチャに基づいており、2つの並列動作エンコーダがセンサーと時間ステップの機能を抽出する。注意行列と低ランクパラメトリゼーションにおけるスパーシティの実装は、過度な適合を減らし、一般化を増大させる。
論文参考訳（メタデータ） (2024-09-22T09:48:45Z)
Federated PCA on Grassmann Manifold for IoT Anomaly Detection [23.340237814344384]
従来の機械学習ベースの侵入検知システム(ML-IDS)にはラベル付きデータの要求のような制限がある。 AutoEncodersやGenerative Adversarial Networks (GAN)のような最近の教師なしML-IDSアプローチは代替ソリューションを提供する。本稿では,分散データセットの共通表現を学習するフェデレーション型非教師付き異常検出フレームワークであるFedPCAを提案する。
論文参考訳（メタデータ） (2024-07-10T07:23:21Z)
TBSN: Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
BSN(Blind-spot Network)は、自己教師型イメージデノベーション(SSID)において一般的なネットワークアーキテクチャである。本稿では, ブラインドスポット要求を満たす変圧器演算子の解析と再設計により, 変圧器ベースブラインドスポットネットワーク(TBSN)を提案する。空間的自己注意のために、注意行列に精巧なマスクを適用して受容場を制限し、拡張された畳み込みを模倣する。チャネル自己アテンションについては,マルチスケールアーキテクチャの深層部において,チャネル数が空間的サイズよりも大きい場合,盲点情報を漏洩する可能性がある。
論文参考訳（メタデータ） (2024-04-11T15:39:10Z)
Experimental Investigation of Machine Learning based Soft-Failure Management using the Optical Spectrum [0.0]
本稿では,異なる機械学習アルゴリズムのソフト障害管理の性能を実験的に比較する。機械学習に基づくソフト障害管理フレームワークを提案する。このフレームワークは、利用可能なトレーニングデータのごく一部で確実に動作し、未知の障害タイプを特定することができる。
論文参考訳（メタデータ） (2023-12-12T12:21:08Z)
Faulty Branch Identification in Passive Optical Networks using Machine Learning [0.0]
パッシブ光ネットワーク(PON)は有望なブロードバンドアクセスネットワークソリューションとなっている。 PONシステムはネットワークの障害を素早く特定し、ローカライズするために、常に監視されなければならない。機械学習(ML)ベースのアプローチは、PONシステムにおける光学的欠陥を管理する大きな可能性を示している。
論文参考訳（メタデータ） (2023-04-03T20:59:16Z)
MMRNet: Improving Reliability for Multimodal Object Detection and Segmentation for Bin Picking via Multimodal Redundancy [68.7563053122698]
マルチモーダル冗長性(MMRNet)を用いた信頼度の高いオブジェクト検出・分割システムを提案する。これは、マルチモーダル冗長の概念を導入し、デプロイ中のセンサ障害問題に対処する最初のシステムである。システム全体の出力信頼性と不確実性を測定するために,すべてのモダリティからの出力を利用する新しいラベルフリーマルチモーダル整合性(MC)スコアを提案する。
論文参考訳（メタデータ） (2022-10-19T19:15:07Z)
Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文参考訳（メタデータ） (2022-10-08T04:32:58Z)
Machine Learning-based Anomaly Detection in Optical Fiber Monitoring [0.0]
本稿では,ファイバー切断や光盗聴攻撃を含む繊維異常を高精度かつ迅速に検出し,診断し,局所化するデータ駆動手法を提案する。提案手法は,オートエンコーダに基づく異常検出と,アテンションに基づく双方向ゲートリカレント・ユニット・アルゴリズムを組み合わせた。実験の結果, (i) オートエンコーダはF1スコア96.86%の繊維欠陥や異常を検知し, (ii) 注意に基づく双方向ゲート再帰単位アルゴリズムは検出された異常を平均98.2%の精度で識別する。
論文参考訳（メタデータ） (2022-03-19T08:56:54Z)
Unsupervised Monocular Depth Learning with Integrated Intrinsics and Spatio-Temporal Constraints [61.46323213702369]
本研究は,大規模深度マップとエゴモーションを予測可能な教師なし学習フレームワークを提案する。本結果は,KITTI運転データセットの複数シーケンスにおける現在の最先端技術と比較して,高い性能を示す。
論文参考訳（メタデータ） (2020-11-02T22:26:58Z)
Firearm Detection and Segmentation Using an Ensemble of Semantic Neural Networks [62.997667081978825]
本稿では,意味的畳み込みニューラルネットワークのアンサンブルに基づく兵器検出システムを提案する。特定のタスクに特化した単純なニューラルネットワークのセットは、計算リソースを少なくし、並列にトレーニングすることができる。個々のネットワークの出力の集約によって与えられるシステムの全体的な出力は、ユーザが偽陽性と偽陰性とをトレードオフするように調整することができる。
論文参考訳（メタデータ） (2020-02-11T13:58:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。