JPH04296630A - 光パルス試験器用ニューロフィルタの構成法 - Google Patents
光パルス試験器用ニューロフィルタの構成法Info
- Publication number
- JPH04296630A JPH04296630A JP3084492A JP8449291A JPH04296630A JP H04296630 A JPH04296630 A JP H04296630A JP 3084492 A JP3084492 A JP 3084492A JP 8449291 A JP8449291 A JP 8449291A JP H04296630 A JPH04296630 A JP H04296630A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- pulse tester
- input
- optical pulse
- filter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Testing Of Optical Devices Or Fibers (AREA)
- Light Guides In General And Applications Therefor (AREA)
- Optical Communication System (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、光パルス試験器（ＯＴ
ＤＲ；ＯｐｔｉｃａｌＴｉｍｅ Ｄｏｍａｉｎ Ｒｅｆ
ｌｅｃｔｏｍｅｔｅｒ）の測定波形処理における雑音の
除去技術に関し、特に光パルス試験器用ニューロフィル
タ（ニューラルフィルタともいう）の構成法に関するも
のである。 【０００２】 【従来の技術】光パルス試験器の測定データ処理に関す
る従来技術を述べるために便宜上、まず従来の光パルス
試験器を概説する。図６はこの光パルス試験器の構成例
を示すものであり、例えば文献（岡田他，”光ファイバ
の後方散乱と障害点探索，電子通信学会論文誌，Ｖｏｌ
．Ｊ６３−Ｂ， Ｎｏ．２， ｐｐ１５９−１６６，
１９８０年）で報告されている。図６の構成例では、パ
ルス発生器１１及び光送信部１２により光パルスを発生
し、光方向性結合器１３を介して被測定光ファイバ１４
に入射する。この光パルスは、その光ファイバ１４の不
均一やコア内のドーパント等の散乱源によりレーリー散
乱を生じる。そして四方に散乱された光のうち、光ファ
イバコアの後方に散乱された光を光方向性結合器１３に
よりＡＰＤ（アバランシェホトダイオード）等から構成
された光受信部１５に入力する。この光受信部１５は該
後方散乱光を電気信号に変換し、時間軸方向へ離散化す
る。従来法では、この離散化された電気信号をＳ／Ｎ比
（信号と雑音の比）を向上するために、繰り返し測定を
行い、平均化処理回路１６において入力光パルスに対す
る同時刻の離散化電気信号に関し平均化を行う。そして
この平均化処理を施した後の離散化信号を用い、光ファ
イバの障害点探索等の解析を行うようになされている。 図６中、１７は表示装置である。 【０００３】なお、光パルス試験器（ＯＴＤＲ）につい
ては、例えば公知文献（堀口他，”超音波光偏向器を使
用したＯＴＤＲ用多モード光ファイバ型光方向性結合器
”，電子情報通信学会論文誌， Ｖｏｌ．Ｊ７１−Ｂ，
Ｎｏ．４， ｐｐ５４７−５５４， １９８８年）で
報告されている。 【０００４】以上、光パルス試験器及び従来の雑音低減
のための波形処理技術（平均化）について述べたが、近
年ではこの波形処理に関し、移動平均を用いる手法が報
告されている（中村他，”光パルス試験波形データ自動
解析法”，１９９０年電子情報通信学会春季全国大会予
稿集，Ｂ−８９９）。この手法では、繰り返し測定を行
う代わりに、離散化した電気信号の時間軸方向の移動平
均を行い、雑音を低減しかつ繰り返し測定回数を減らす
ことにより、測定に要する時間を低減することを目的と
している。 【０００５】 【発明が解決しようとする課題】しかし、従来技術であ
る繰り返し測定による平均化処理では、充分に雑音を低
減するためには繰り返し回数を多くする必要があり、測
定に比較的時間がかかるという問題点があった。また、
移動平均法による繰り返し回数の低減に関しては、若干
の効果はあるものの測定時間の低減に関しては未だ多大
な時間がかかり、また雑音低減効果も十分ではないとい
う問題点があった。 【０００６】本発明は以上の点に鑑み、上記のような問
題点を解消するためになされたものであり、その目的は
、光パルス試験器（ＯＴＤＲ）における離散化された電
気信号中に含まれる雑音を低減するフィルタを構成し、
繰り返し測定回数を低減することにより測定時間を低減
する波形処理手法を提供することにある。 【０００７】 【課題を解決するための手段】上記の目的を達成するた
めに本発明は、時間軸上に離散化された後方散乱光強度
をニューラルネットワークの入力とし、このニューラル
ネットワークの各ニューロン間の重み及び各ニューロン
の入出力関係として定義される非線形飽和関数（以下、
シグモイド関数）の形状を学習することにより、測定波
形中に含まれる雑音を除去することを最も主な特徴とす
るものである。 【０００８】 【作用】本発明においては、ニューラルネットワークを
用いることにより、離散化された電気信号を時間軸上で
重み付けして平均し、その重みを学習する。これによっ
て、光パルス試験器における離散化された電気信号中に
含まれる雑音を低減できる。 【０００９】 【実施例】次に本発明を図面に示す実施例に基づいて詳
細に説明する。図１に、本発明の一実施例による光パル
ス試験器用のニューロフィルタのブロック図を示す。こ
のニューロフィルタは、図１に示すように、入力設定ブ
ロック１と、ニューラルネットワーク２と、評価関数ブ
ロック３及び学習ブロック４により構成される。入力設
定ブロック１では、離散化電気信号Ｕ を用いてニュー
ラルネットワーク２の入力ベクトルを設定する。ニュー
ラルネットワーク２ではこの入力ベクトルと重み及びシ
グモイド関数を用いて出力を計算する。この出力信号は
ニューラルネットワーク２により雑音を低減された信号
になっており、この信号を用いて光ファイバの障害点探
索等の処理を行うことができる。また、ニューラルネッ
トワーク２の出力信号Ｙ と教師信号Ｙｄを用いて評価
関数ブロック３で評価関数の値を計算する。そして、学
習ブロック４では評価関数の値により教師信号Ｙｄとニ
ューラルネットワーク２の出力Ｙ を一致させるように
ニューラルネットワーク２の重みを学習する。但し、学
習が十分進めば、評価関数ブロック３及び学習ブロック
４は必要ない。 【００１０】以下、各ブロックの詳細について数式を用
いて説明し、その後実測データに適用した結果により本
発明のニューロフィルタの有効性を示す。まず、入力設
定ブロック１について説明する。入力ベクトルＩ は次
式により定義される。 【００１１】 ＩＴ（ｋ）＝〔Ｕ（ｋ＋２），Ｕ（ｋ＋１），Ｕ（
ｋ），Ｕ（ｋ−１），Ｕ（ｋ−２）〕
……（１） 【００１２】但し、離散化された電
気信号をＵ ，ニューラルネットワーク２の入力ベクト
ルをＩ ，サンプリング時刻をｋ とする。また、Ｉ
はν次のベクトルとし、本実施例では一例としてν＝５
の場合について示している。 【００１３】次に、ニューラルネットワークの構成につ
いて概説する。本発明で用いるニューラルネットワーク
２は３層構造で、フィードバックループ及び入力層から
出力層への直接の結合はない。また、入力層及び中間層
はそれぞれν個のニューロン、出力層は１個のニューロ
ンにより構成される。中間層のニューロンはシグモイド
関数により表される入出力関係を持っており、その他の
ニューロンの入出力関係は線形である。次式にシグモイ
ド関数の定義を示す。 【００１４】 【００１５】但し、ｘ はシグモイド関数の入力、Ｘｇ
はシグモイド関数の形状を決定するパラメータである。 このとき、ニューラルネットワーク２の出力Ｙ は次式
により表される。 【００１６】 【数３】 【００１７】となる。但し、ｐ は試行回数、ωは中間
層から出力層までのν次の重みベクトル、Ｗ は入力層
から中間層までのν×ν次の重みマトリックスを表して
おり、添え字ｉ，ｊ は各マトリックスの要素を示して
いる。 評価関数ブロック３では次式に従い評価関数Ｊ を計算
する。 【００１８】 【数４】 【００１９】但し、ρは一試行内のサンプリング数、Ｙ
ｄは教師信号である。学習ブロック４は式（４）で示し
た評価関数Ｊ を用いてニューラルネットワーク２の重
みベクトルω及び重みマトリックスを変更する。 【００２０】 【数５】 【００２１】 【数６】 【００２２】 【数７】 【００２３】 【数８】 【００２４】 ε（ｋ）＝Ｙｄ（ｋ）−Ｙ（ｋ）
……（９）【００２５】但し、ηは学習速度を決定する
パラメータ、ｆ’はシグモイド関数のｘ に関する微分
である。以下、実測データに対して本発明のニューロフ
ィルタを用いた場合の実施例を示す。 【００２６】図２に本実施例で用いた教師信号Ｙｄを示
す。また、図３に離散化された電気信号Ｕ を光ファイ
バの入力端面からの距離に対して示す。図４はニューラ
ルネットワークの出力信号Ｙ を示しており、図３に比
べ誤差が低減されていることがわかる。図５は評価関数
Ｊ （二乗誤差）を試行回数に対して示したものである
。図５に示すように数回の試行でニューラルネットワー
クの学習が終了しているのが分かる。また、図５中の破
線は移動平均を行った時の評価関数（二乗誤差）を示し
ており、本発明のニューロフィルタを用いることにより
、移動平均を用いるよりも誤差を低減することができる
ことが分かる。 【００２７】 【発明の効果】以上説明したように本発明によれば、光
パルス試験器（ＯＴＤＲ）の測定波形処理においてニュ
ーラルネットワークを用い、離散化された電気信号を時
間軸上で重み付けして平均し、その重みを学習すること
により、その光パルス試験器の測定波形中に含まれる雑
音を除去することができる。また、繰り返し測定回数を
低減できるので、測定時間を低減することが可能である
。
ＤＲ；ＯｐｔｉｃａｌＴｉｍｅ Ｄｏｍａｉｎ Ｒｅｆ
ｌｅｃｔｏｍｅｔｅｒ）の測定波形処理における雑音の
除去技術に関し、特に光パルス試験器用ニューロフィル
タ（ニューラルフィルタともいう）の構成法に関するも
のである。 【０００２】 【従来の技術】光パルス試験器の測定データ処理に関す
る従来技術を述べるために便宜上、まず従来の光パルス
試験器を概説する。図６はこの光パルス試験器の構成例
を示すものであり、例えば文献（岡田他，”光ファイバ
の後方散乱と障害点探索，電子通信学会論文誌，Ｖｏｌ
．Ｊ６３−Ｂ， Ｎｏ．２， ｐｐ１５９−１６６，
１９８０年）で報告されている。図６の構成例では、パ
ルス発生器１１及び光送信部１２により光パルスを発生
し、光方向性結合器１３を介して被測定光ファイバ１４
に入射する。この光パルスは、その光ファイバ１４の不
均一やコア内のドーパント等の散乱源によりレーリー散
乱を生じる。そして四方に散乱された光のうち、光ファ
イバコアの後方に散乱された光を光方向性結合器１３に
よりＡＰＤ（アバランシェホトダイオード）等から構成
された光受信部１５に入力する。この光受信部１５は該
後方散乱光を電気信号に変換し、時間軸方向へ離散化す
る。従来法では、この離散化された電気信号をＳ／Ｎ比
（信号と雑音の比）を向上するために、繰り返し測定を
行い、平均化処理回路１６において入力光パルスに対す
る同時刻の離散化電気信号に関し平均化を行う。そして
この平均化処理を施した後の離散化信号を用い、光ファ
イバの障害点探索等の解析を行うようになされている。 図６中、１７は表示装置である。 【０００３】なお、光パルス試験器（ＯＴＤＲ）につい
ては、例えば公知文献（堀口他，”超音波光偏向器を使
用したＯＴＤＲ用多モード光ファイバ型光方向性結合器
”，電子情報通信学会論文誌， Ｖｏｌ．Ｊ７１−Ｂ，
Ｎｏ．４， ｐｐ５４７−５５４， １９８８年）で
報告されている。 【０００４】以上、光パルス試験器及び従来の雑音低減
のための波形処理技術（平均化）について述べたが、近
年ではこの波形処理に関し、移動平均を用いる手法が報
告されている（中村他，”光パルス試験波形データ自動
解析法”，１９９０年電子情報通信学会春季全国大会予
稿集，Ｂ−８９９）。この手法では、繰り返し測定を行
う代わりに、離散化した電気信号の時間軸方向の移動平
均を行い、雑音を低減しかつ繰り返し測定回数を減らす
ことにより、測定に要する時間を低減することを目的と
している。 【０００５】 【発明が解決しようとする課題】しかし、従来技術であ
る繰り返し測定による平均化処理では、充分に雑音を低
減するためには繰り返し回数を多くする必要があり、測
定に比較的時間がかかるという問題点があった。また、
移動平均法による繰り返し回数の低減に関しては、若干
の効果はあるものの測定時間の低減に関しては未だ多大
な時間がかかり、また雑音低減効果も十分ではないとい
う問題点があった。 【０００６】本発明は以上の点に鑑み、上記のような問
題点を解消するためになされたものであり、その目的は
、光パルス試験器（ＯＴＤＲ）における離散化された電
気信号中に含まれる雑音を低減するフィルタを構成し、
繰り返し測定回数を低減することにより測定時間を低減
する波形処理手法を提供することにある。 【０００７】 【課題を解決するための手段】上記の目的を達成するた
めに本発明は、時間軸上に離散化された後方散乱光強度
をニューラルネットワークの入力とし、このニューラル
ネットワークの各ニューロン間の重み及び各ニューロン
の入出力関係として定義される非線形飽和関数（以下、
シグモイド関数）の形状を学習することにより、測定波
形中に含まれる雑音を除去することを最も主な特徴とす
るものである。 【０００８】 【作用】本発明においては、ニューラルネットワークを
用いることにより、離散化された電気信号を時間軸上で
重み付けして平均し、その重みを学習する。これによっ
て、光パルス試験器における離散化された電気信号中に
含まれる雑音を低減できる。 【０００９】 【実施例】次に本発明を図面に示す実施例に基づいて詳
細に説明する。図１に、本発明の一実施例による光パル
ス試験器用のニューロフィルタのブロック図を示す。こ
のニューロフィルタは、図１に示すように、入力設定ブ
ロック１と、ニューラルネットワーク２と、評価関数ブ
ロック３及び学習ブロック４により構成される。入力設
定ブロック１では、離散化電気信号Ｕ を用いてニュー
ラルネットワーク２の入力ベクトルを設定する。ニュー
ラルネットワーク２ではこの入力ベクトルと重み及びシ
グモイド関数を用いて出力を計算する。この出力信号は
ニューラルネットワーク２により雑音を低減された信号
になっており、この信号を用いて光ファイバの障害点探
索等の処理を行うことができる。また、ニューラルネッ
トワーク２の出力信号Ｙ と教師信号Ｙｄを用いて評価
関数ブロック３で評価関数の値を計算する。そして、学
習ブロック４では評価関数の値により教師信号Ｙｄとニ
ューラルネットワーク２の出力Ｙ を一致させるように
ニューラルネットワーク２の重みを学習する。但し、学
習が十分進めば、評価関数ブロック３及び学習ブロック
４は必要ない。 【００１０】以下、各ブロックの詳細について数式を用
いて説明し、その後実測データに適用した結果により本
発明のニューロフィルタの有効性を示す。まず、入力設
定ブロック１について説明する。入力ベクトルＩ は次
式により定義される。 【００１１】 ＩＴ（ｋ）＝〔Ｕ（ｋ＋２），Ｕ（ｋ＋１），Ｕ（
ｋ），Ｕ（ｋ−１），Ｕ（ｋ−２）〕
……（１） 【００１２】但し、離散化された電
気信号をＵ ，ニューラルネットワーク２の入力ベクト
ルをＩ ，サンプリング時刻をｋ とする。また、Ｉ
はν次のベクトルとし、本実施例では一例としてν＝５
の場合について示している。 【００１３】次に、ニューラルネットワークの構成につ
いて概説する。本発明で用いるニューラルネットワーク
２は３層構造で、フィードバックループ及び入力層から
出力層への直接の結合はない。また、入力層及び中間層
はそれぞれν個のニューロン、出力層は１個のニューロ
ンにより構成される。中間層のニューロンはシグモイド
関数により表される入出力関係を持っており、その他の
ニューロンの入出力関係は線形である。次式にシグモイ
ド関数の定義を示す。 【００１４】 【００１５】但し、ｘ はシグモイド関数の入力、Ｘｇ
はシグモイド関数の形状を決定するパラメータである。 このとき、ニューラルネットワーク２の出力Ｙ は次式
により表される。 【００１６】 【数３】 【００１７】となる。但し、ｐ は試行回数、ωは中間
層から出力層までのν次の重みベクトル、Ｗ は入力層
から中間層までのν×ν次の重みマトリックスを表して
おり、添え字ｉ，ｊ は各マトリックスの要素を示して
いる。 評価関数ブロック３では次式に従い評価関数Ｊ を計算
する。 【００１８】 【数４】 【００１９】但し、ρは一試行内のサンプリング数、Ｙ
ｄは教師信号である。学習ブロック４は式（４）で示し
た評価関数Ｊ を用いてニューラルネットワーク２の重
みベクトルω及び重みマトリックスを変更する。 【００２０】 【数５】 【００２１】 【数６】 【００２２】 【数７】 【００２３】 【数８】 【００２４】 ε（ｋ）＝Ｙｄ（ｋ）−Ｙ（ｋ）
……（９）【００２５】但し、ηは学習速度を決定する
パラメータ、ｆ’はシグモイド関数のｘ に関する微分
である。以下、実測データに対して本発明のニューロフ
ィルタを用いた場合の実施例を示す。 【００２６】図２に本実施例で用いた教師信号Ｙｄを示
す。また、図３に離散化された電気信号Ｕ を光ファイ
バの入力端面からの距離に対して示す。図４はニューラ
ルネットワークの出力信号Ｙ を示しており、図３に比
べ誤差が低減されていることがわかる。図５は評価関数
Ｊ （二乗誤差）を試行回数に対して示したものである
。図５に示すように数回の試行でニューラルネットワー
クの学習が終了しているのが分かる。また、図５中の破
線は移動平均を行った時の評価関数（二乗誤差）を示し
ており、本発明のニューロフィルタを用いることにより
、移動平均を用いるよりも誤差を低減することができる
ことが分かる。 【００２７】 【発明の効果】以上説明したように本発明によれば、光
パルス試験器（ＯＴＤＲ）の測定波形処理においてニュ
ーラルネットワークを用い、離散化された電気信号を時
間軸上で重み付けして平均し、その重みを学習すること
により、その光パルス試験器の測定波形中に含まれる雑
音を除去することができる。また、繰り返し測定回数を
低減できるので、測定時間を低減することが可能である
。
【図１】本発明の一実施例による光パルス試験器用ニュ
ーロフィルタのブロック図である。
ーロフィルタのブロック図である。
【図２】本実施例で用いた教師信号を示す図である。
【図３】本実施例で用いた離散化された電気信号を示す
図である。
図である。
【図４】本実施例により得られたニューラルネットワー
クの出力波形を示す図である。
クの出力波形を示す図である。
【図５】本実施例による試行回数に対する評価関数（二
乗誤差）の変化を示す図である。
乗誤差）の変化を示す図である。
【図６】従来の光パルス試験器の構成例を示す図である
。
。
１ 入力設定ブロック
２ ニューラルネットワーク
３ 評価関数ブロック
４ 学習ブロック
Claims (1)
- 【請求項１】 光パルス試験器の測定波形処理におい
て、時間軸上に離散化された後方散乱光強度をニューラ
ルネットワークの入力とし、該ニューラルネットワーク
の各ニューロン間の重み及び各ニューロンの入出力関係
として定義される非線形飽和関数の形状を学習すること
により、測定波形中に含まれる雑音を除去することを特
徴とする光パルス試験器用ニューロフィルタの構成法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3084492A JPH04296630A (ja) | 1991-03-26 | 1991-03-26 | 光パルス試験器用ニューロフィルタの構成法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3084492A JPH04296630A (ja) | 1991-03-26 | 1991-03-26 | 光パルス試験器用ニューロフィルタの構成法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH04296630A true JPH04296630A (ja) | 1992-10-21 |
Family
ID=13832149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3084492A Pending JPH04296630A (ja) | 1991-03-26 | 1991-03-26 | 光パルス試験器用ニューロフィルタの構成法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH04296630A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08247897A (ja) * | 1995-03-09 | 1996-09-27 | Nippon Telegr & Teleph Corp <Ntt> | 光線路特性の自動解析方法 |
| JP2020046774A (ja) * | 2018-09-14 | 2020-03-26 | 株式会社東芝 | 信号処理装置、距離計測装置、および距離計測方法 |
-
1991
- 1991-03-26 JP JP3084492A patent/JPH04296630A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08247897A (ja) * | 1995-03-09 | 1996-09-27 | Nippon Telegr & Teleph Corp <Ntt> | 光線路特性の自動解析方法 |
| JP2020046774A (ja) * | 2018-09-14 | 2020-03-26 | 株式会社東芝 | 信号処理装置、距離計測装置、および距離計測方法 |
| JP2022058663A (ja) * | 2018-09-14 | 2022-04-12 | 株式会社東芝 | 信号処理装置、距離計測装置、および距離計測方法 |
| US12025748B2 (en) | 2018-09-14 | 2024-07-02 | Kabushiki Kaisha Toshiba | Signal processing apparatus, distance measuring apparatus, and distance measuring method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106225907B (zh) | 一种基于φ-otdr技术的光纤振动识别系统及方法 | |
| CN111242021A (zh) | 一种分布式光纤振动信号特征提取与识别方法 | |
| CN107342810A (zh) | 基于卷积神经网络的深度学习智能眼图分析方法 | |
| CN106441386B (zh) | 基于分布式光纤传感系统的数据处理方法及装置 | |
| CN107171717B (zh) | 一种从畸变的信号中恢复理想信号的方法和系统 | |
| JP6769944B2 (ja) | モード遅延時間差分布試験方法および試験装置 | |
| Blocher et al. | Quantum regression theorem for out-of-time-ordered correlation functions | |
| CN104734774A (zh) | 用于监控以及控制光通信系统的性能的方法和装置 | |
| CN110285843A (zh) | 一种大振幅信号分布式弱光栅阵列传感系统及解调方法 | |
| JP2021135179A (ja) | 光ファイバのモード群遅延特性評価方法および評価装置 | |
| Abdelli et al. | Convolutional neural networks for reflective event detection and characterization in fiber optical links given noisy OTDR signals | |
| Liang et al. | Prediction of fiber Rayleigh scattering responses based on deep learning | |
| JPH04296630A (ja) | 光パルス試験器用ニューロフィルタの構成法 | |
| Lalam et al. | Recent development in artificial neural network based distributed fiber optic sensors | |
| CN111541484A (zh) | 基于延时采样的光纤通信系统光信噪比监测方法 | |
| CN115540994A (zh) | 一种基于匹配光栅传感的opgw光缆舞动监测降噪方法 | |
| CN116243242A (zh) | 基于ф-otdr的自适应滤波一体化降噪高精度3d定位方法 | |
| CN120017159B (zh) | 基于自由空间光通信接收端的倾斜像差预校正方法 | |
| CN111277326A (zh) | 一种利用纠缠光子对测量光纤色散系数的方法 | |
| JPH05231983A (ja) | 光パルス試験器用信号処理装置 | |
| GB2619368A (en) | Image generation system and method | |
| JPH10239214A (ja) | 光線路特性の自動解析方法 | |
| CN108551362A (zh) | 测量设备无关的相干性见证设备及方法 | |
| CN121485800B (zh) | 基于正反向信号联合优化的光时域反射监测方法及装置 | |
| Wu et al. | Beyond the Limitation of Pulse Width in Optical Time-domain Reflectometry |