用光纤传感与机器学习，识别57公里光网络中的挖机、钻机等机械威胁。

Threat Classification on Deployed Optical Networks Using MIMO Digital Fiber Sensing, Wavelets, and Machine Learning

• 通过多输入多输出光纤传感数据，结合小波变换提取特征
• 在真实网络上实现93%的机械威胁分类准确率
• 适合需要远程监控光缆安全的运营商和基础设施管理者

我们展示了对机械威胁（包括挖机和钻机）的分类方法，利用跨57公里运营网络链路的多输入多输出数字光纤传感（MIMO-DFS）输出数据的小波变换。所提出的机器学习框架结合迁移学习，在实地数据上实现了93%的分类准确率，为光网络的实时监控提供了有效手段。

原文摘要 · Abstract (English)

We demonstrate mechanical threats classification including jackhammers and excavators, leveraging wavelet transform of MIMO-DFS output data across a 57-km operational network link. Our machine learning framework incorporates transfer learning and shows 93% classification accuracy from field data, with benefits for optical network supervision.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。