Proactive Fiber Break Detection Based on Quaternion Time Series and Automatic Variable Selection from Relational Data

Der vorgeschlagene Ansatz basiert auf der Überwachung des Polarisationszustandes (SOP) mittels digitaler Signalverarbeitung in einem kohärenten Empfänger. Wir beschreiben detailliert das Design eines Klassifikators, der interpretable Entscheidungsregeln bereitstellt und eine in Netzwerkelemente eingebettete Echtzeiterkennung mit geringer Komplexität ermöglicht. Die vorgeschlagene Methode arbeitet mit SOP-Zeitreihen, die Trajektorien auf der 3D-Sphäre definieren; SOP-Zeitreihen werden Tiefpassfiltern unterzogen (zur Verringerung des Messrauschens), vorgedreht (um Invarianz zum Ausgangspunkt der Trajektorien zu liefern) und in Quaternion-Bereiche umgewandelt. Anschließend werden Quaternion-Sequenzen für die automatische Erstellung und Auswahl variabler Daten umgewandelt. Wir zeigen, dass ein naiver Bayes-Klassifikator mit einer begrenzten Teilmenge von Variablen eine Ereignisklassifikationsgenauigkeit von mehr als 99% für die getesteten Bedingungen erreichen kann.