CN111130635A - 一种区分光时域反射仪上光纤接头盒和鬼影的方法及系统 - Google Patents
一种区分光时域反射仪上光纤接头盒和鬼影的方法及系统 Download PDFInfo
- Publication number
- CN111130635A CN111130635A CN201911289296.2A CN201911289296A CN111130635A CN 111130635 A CN111130635 A CN 111130635A CN 201911289296 A CN201911289296 A CN 201911289296A CN 111130635 A CN111130635 A CN 111130635A
- Authority
- CN
- China
- Prior art keywords
- neural network
- artificial neural
- time domain
- test
- optical fiber
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/071—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using a reflected signal, e.g. using optical time domain reflectometers [OTDR]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
一种区分光时域反射仪上光纤接头盒和鬼影的方法及系统,涉及光纤通信领域,包括步骤:S1.收集光纤通信系统的光时域反射曲线,标记出光纤接头盒和鬼影的位置;S2.将收集到的光时域反射曲线和标记结果作为样本,分为训练集和测试集两部分,通过训练集训练人工神经网络,采用测试集对训练完成的人工神经网络进行测试;S3.将待分析的光时域反射曲线输入到测试通过的人工神经网络,输出识别结果,所述识别结果包括光纤接头盒、鬼影以及各自位置。本发明通过人工神经网络算法,实现OTDR曲线上鬼影和光纤接头盒的区分,并准确定位各自的位置。
Description
技术领域
本发明涉及光纤通信领域,具体来讲涉及一种区分光时域反射仪上光纤接头盒和鬼影的方法及系统。
背景技术
随着光纤通信的迅速发展,光纤网络的规模愈发庞大,所引起的光纤维护和故障检测工作也就愈发重要。目前,传统的光纤通信系统检查,大都通过技术人员进行人工检测,效率比较低、精度比较差,同时也比较耗时。因此,人们提出采用光时域反射仪(OpticalTime Domain Reflectometer,OTDR)对光纤通信系统进行检查。
在光纤通信系统中,光时域反射仪是一种用于对光通信网络进行特征分析、故障排查和维护的光纤仪器。OTDR包含一个激光二极管光源、一个发光二极管探测器,以及一个高度准确的定时电路(或时基)。激光器以特定波长发出光脉冲,这种光脉冲沿所测试的光纤传播,在脉冲向下移动时,在光纤中传输的光将会沿光纤反射/折射或散射回OTDR中的光探测器。通过检测这种返回的光的强度以及它返回到探测器所花费的时间,可以得知光纤链路中某个事件的损耗值(插入和反射)、类型以及位置。当光纤中存在断点或链接器时,该处的反射率会发生突变,在OTDR中就会测到一个反射峰,从而定位出该断点或连接器的位置。
然而,在OTDR测量的反射谱中,有一部分反射峰并非是光纤的断点或链接点造成的,也不是因纤芯质量问题引起的反射,而是光纤测试中出现的“鬼影”现象。鬼影是由光纤线路中某点的大菲涅尔反射引起的二次及二次以上反射,鬼影形成的主要原因有:菲涅尔反射功率远大于后向瑞利散射光功率;也可能是被测光纤长度大于仪表测试距离范围。当光缆线路较长时,OTDR发射光脉冲频率较高,反射回始端的光脉冲还没达到始端,第二个光脉冲又发射出去,于是他们就在线路的某一点相遇而形成鬼影。鬼影形成的第三种可能是仪表与光纤、光纤与光纤接口损耗大;当脉冲遇到大的反射接头时,一部分脉冲就会重新再返回远端,然后与其他光脉冲相叠加而形成鬼影。
如图1所示,入射光脉冲在连接器1和连接器2之间来回反射,使得在OTDR曲线的G1处产生一个反射峰(鬼影),图1中终结强反射还可以在G2处引起鬼影即另一个反射峰。OTDR虽然可以显示反射峰,但是仍需通过人工,根据鬼影和光纤接头盒位置关系的特性来进行区分,这就使得鬼影和光纤接头盒的区分变成了一件必须由专业人员参与的事情,在很多应用场景中无法实现快速、准确的鬼影和光纤接头盒区分,用户要么需要向专业人员求助,要么就容易出现鬼影和光纤接头盒的误判。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种区分光时域反射仪上光纤接头盒和鬼影的方法及系统,通过人工神经网络算法,实现OTDR曲线上鬼影和光纤接头盒的区分,并准确定位各自的位置。
为达到以上目的,一方面,采取一种区分光时域反射仪上光纤接头盒和鬼影的方法,包括步骤:
S1.收集光纤通信系统的光时域反射曲线,标记出光纤接头盒和鬼影的位置;
S2.将收集到的光时域反射曲线和标记结果作为样本,分为训练集和测试集两部分,通过训练集训练人工神经网络,采用测试集对训练完成的人工神经网络进行测试;
S3.将待分析的光时域反射曲线输入到测试通过的人工神经网络,输出识别结果,所述识别结果包括光纤接头盒、鬼影以及各自位置。
优选的,所述S1中,通过人工标记光纤接头盒和鬼影的位置,或者,选择已知接头盒位置的光纤进行光时域反射曲线收集,再完成标记。
优选的,所述S2中,通过训练集训练人工神经网络包括:将训练集的每个样本中光时域反射曲线输入人工神经网络,得到识别结果并与该样本的标记结果进行比对,根据比对得到误差调整人工神经网络的参数。
优选的,所述人工神经网络包括一个输入层、若干个隐含层以及一个输出层,采用激活函数softmax将输出层前一级隐含层的输出转换为识别结果。
优选的,所述人工神经网络通过损失函数得到误差,通过特定步长的梯度下降优化器对人工神经网络的参数进行优化。
优选的,所述S2中,对人工神经网络进行测试包括:
将测试集的每个样本中光时域反射曲线输入人工神经网络,得到识别结果并与该样本的对应的标记结果进行比对,若完全相同,该样本的最终分数为最高分数;否则,根据比对结果,从所述最高分数中扣除识别结果中不准确内容对应的分数,得到该样本的最终分数;
计算所述测试集中所有样本输入后得到的最终分数的平均分数,如果高于设置的阈值,则测试通过;否则,测试不通过。
优选的,如果人工神经网络测试通过,固化所述人工神经网络;如果人工神经网络测试未通过,重新划分训练集和测试集,或者调整所述人工神经网络的结构,重新训练所述人工神经网络。
优选的,所述训练集的样本数量占收集到样本的75%,所述测试集的样本数量占收集到样本的25%。
本发明还提供一种区分光时域反射仪上光纤接头盒和鬼影的系统,包括:
收集标记模块,其用于收集光通信系统的光时域反射曲线,标记出光纤接头盒和鬼影的位置;还用于将收集到的光时域反射曲线和标记结果作为样本,分为训练集和测试集两部分;
存储模块,其用于存储所述训练集和测试集;
人工神经网络模块,其用于根据所述训练集进行训练,采用测试集对训练完成的人工网络进行测试;还用于在测试通过后,根据输入的待分析的光时域反射曲线,输出识别结果,所述识别结果包括光纤接头盒、鬼影以及各自位置。
优选的,所述系统还包括:
训练模块,其用于将训练集中每个光时域反射曲线输入人工神经网络,并得到识别结果;还用于将识别结果与训练集中对应样本的标记结果进行比对,将每一次得到的误差输入给人工神经网络,以便于人工神经网络根据误差调整参数;
测试模块,其用于将测试集每个光时域反射曲线输入训练完成的人工神经网络,得到识别结果;还用于将识别结果与测试集中对应的标记结果进行比对,若完全相同,设置该样本的最终分数为最高分数;否则,根据比对结果,从所述最高分数中扣除识别结果中不准确内容对应的分数,得到该样本的最终分数;
判断模块,其用于计算所述测试集中所有样本输入后得到的最终分数的平均分数,如果高于设置的阈值,则判断测试通过;否则,判断测试不通过;
测试不通过时,所述收集标记模块还用于重新划分训练集和测试集,或者,人工神经网络调整结构。
上述技术方案中的一个具有如下有益效果:
本发明将收集到的光时域反射曲线和标记结果作为样本,分为训练集和测试集两部分,通过训练集训练人工神经网络,采用测试集对训练后人工神经网络进行测试,逐步完善了人工神经网络,通过人工神经网络算法,实现光时域反射曲线上鬼影和光纤接头盒的区分,并确保各自的定位准确。
附图说明
图1为鬼影形成示意图;
图2为本发明实施例区分光时域反射仪上光纤接头盒和鬼影的方法流程图;
图3为图1中部分流程的具体示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图2所示,本发明提供一种区分光时域反射仪上光纤接头盒和鬼影的方法,包括以下步骤:
S1.收集大量的光纤通信系统的光时域反射曲线,标记出光纤接头盒和鬼影的位置。
S2.将收集到的每条光时域反射曲线和它对应的标记结果作为一个样本,随机的将收集到的所有样本分为训练集和测试集两部分,通过训练集的样本训练人工神经网络,采用测试集的样本对训练完成的人工神经网络进行测试。
S3.将待分析的光时域反射曲线输入到测试通过后的人工神经网络,输出识别结果,所述识别结果包括光纤接头盒、鬼影以及各自位置。
上述步骤S1中,收集光时域反射曲线并标记光纤接头盒和鬼影的位置的方式有多种,可以通过人工标记光纤接头盒和鬼影的位置;也可以选择知接头盒位置的光纤进行光时域反射曲线收集,这样在收集到的光时域反射曲线已知光纤接头盒位置,鬼影位置也会相对而知,然后再完成各自的位置标记。
对于随机分配的训练集和测试集,优选的,训练集的样本数量占所有收集样本的75%,测试集的样本数量占所有收集样本的25%。
人工神经网络包括一个输入层、若干个隐含层和一个输出层,输入层输入的是光时域反射曲线,输出层输出该条光时域反射曲线上哪些位置是鬼影、哪些位置是光纤接头盒。
如图3所示,上述步骤S2中,训练人工神经网络的训练过程包括:将训练集的每个样本中光时域反射曲线依次输入人工神经网络,得到对应的识别结果,将识别结果与该样本的标记结果进行比对,根据比对得到的误差调整人工神经网络的参数。具体的,在训练过程中,每一次识别结果与该样本的标记结果比对后,都会输入给人工神经网络一个含有误差的反馈信号,人工神经网络根据反馈信号进行调整,人工神经网络训练完成之后,则没有反馈信号输入。
优选的,人工神经网络中通过损失函数得到误差,损失函数采用交叉熵函数,通过损失函数得到误差,再利用特定步长的梯度下降优化器对人工神经网络的参数进行优化。
优选的,训练过程中,采用激活函数softmax将输出层前一级隐含层的输出转换为识别结果。
如图3所示,对上述步骤S2中,对训练完成的人工神经网络进行测试的测试过程包括:
将测试集的每个样本中光时域反射曲线依次输入到训练完成的人工神经网络,得到识别结果,然后将识别结果和该样本对应的标记结果进行比对,若完全相同,则该样本的最终分数为最高分数;若不完全相同,根据比对结果,从最高分数中扣除识别结果中不准确内容对应的分数,得到该样本的最终分数。其中,最高分数和不准确内容对应的分数均可以根据实际环境来进行设置。例如,测试时将一条光时域反射曲线输入到人工神经网络中,识别结果为6个光纤接头盒和4个鬼影,以及结果光纤接头盒和鬼影的位置,假定最高分数为100,如果与标记结果完全相同,则最终分数为100。如果与标记分数不同,那么根据比对,假定识别结果中光纤接头盒的个数不准确,按照不准确的个数扣除一定分数后,如果还有位置不准确,再按照不准确位置有几个扣除一定分数,得到的才是最终分数。
当测试集中所有样本都输入后,求得所有样本得到的最终分数的平均分数,再去与预先设置的阈值进行比较,如果高于阈值,则认为测试通过,固化该人工神经网络;如果低于或等于阈值,则认为测试未通过,需要重新划分训练集和测试集,或者调整该人工神经网络的结构,再次按照前述训练过程,重新训练该人工神经网络。上述阈值也可以在具体应用中自行设置。
本发明还提供一种区分光时域反射仪上光纤接头盒和鬼影的系统,可以用于实施上述方法,系统包括收集标记模块、存储模块和人工神经网络模块。
收集标记模块,其用于收集光通信系统的光时域反射曲线,标记出光纤接头盒和鬼影的位置;还用于将收集到的光时域反射曲线和标记结果作为样本,将样本分为训练集和测试集两部分。
存储模块,其用于分别存储上述训练集和测试集。
人工神经网络模块,其用于根据上述训练集进行训练,采用测试集对训练完成的人工网络进行测试;还用于在测试通过后,根据输入的待分析光时域反射曲线,输出识别结果,识别结果包括光纤接头盒、鬼影以及各自位置。
进一步的,上述系统还包括训练模块、测试模块和判断模块,这三个模块可以设置于人工神经网络模块内,也可以设置在人工神经网络模块外。
训练模块,其用于将训练集中每个光时域反射曲线输入人工神经网络,并得到识别结果;还用于将识别结果与训练集中对应样本的标记结果进行比对,将每一次得到的误差通过反馈信号输入给人工神经网络,以便于人工神经网络根据误差调整参数。
测试模块,其用于将测试集每个光时域反射曲线输入训练完成的人工神经网络,得到识别结果;还用于将识别结果与测试集中对应的标记结果进行比对,若完全相同,设置该样本的最终分数为最高分数;否则,根据比对结果,从最高分数中扣除识别结果中不准确内容对应的分数,得到该样本的最终分数。
判断模块,其用于计算测试集中所有样本输入后得到的最终分数的平均分数,如果高于设置的阈值,则判断测试通过;否则,判断测试不通过。
其中,如果测试不通过,收集标记模块还用于重新划分训练集和测试集,或者,人工神经网络调整结构。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种区分光时域反射仪上光纤接头盒和鬼影的方法,其特征在于,包括步骤:
S1.收集光纤通信系统的光时域反射曲线,标记出光纤接头盒和鬼影的位置;
S2.将收集到的光时域反射曲线和标记结果作为样本,分为训练集和测试集两部分,通过训练集训练人工神经网络,采用测试集对训练完成的人工神经网络进行测试;
S3.将待分析的光时域反射曲线输入到测试通过的人工神经网络,输出识别结果,所述识别结果包括光纤接头盒、鬼影以及各自位置。
2.如权利要求1所述的区分光时域反射仪上光纤接头盒和鬼影的方法,其特征在于,所述S1中,通过人工标记光纤接头盒和鬼影的位置,或者,选择已知接头盒位置的光纤进行光时域反射曲线收集,再完成标记。
3.如权利要求1所述的区分光时域反射仪上光纤接头盒和鬼影的方法,其特征在于,所述S2中,通过训练集训练人工神经网络包括:将训练集的每个样本中光时域反射曲线输入人工神经网络,得到识别结果并与该样本的标记结果进行比对,根据比对得到误差调整人工神经网络的参数。
4.如权利要求3所述的区分光时域反射仪上光纤接头盒和鬼影的方法,其特征在于,所述人工神经网络包括一个输入层、若干个隐含层以及一个输出层,采用激活函数softmax将输出层前一级隐含层的输出转换为识别结果。
5.如权利要求3所述的区分光时域反射仪上光纤接头盒和鬼影的方法,其特征在于,所述人工神经网络通过损失函数得到误差,通过特定步长的梯度下降优化器对人工神经网络的参数进行优化。
6.如权利要求1所述的区分光时域反射仪上光纤接头盒和鬼影的方法,其特征在于,所述S2中,对人工神经网络进行测试包括:
将测试集的每个样本中光时域反射曲线输入人工神经网络,得到识别结果并与该样本的对应的标记结果进行比对,若完全相同,该样本的最终分数为最高分数;否则,根据比对结果,从所述最高分数中扣除识别结果中不准确内容对应的分数,得到该样本的最终分数;
计算所述测试集中所有样本输入后得到的最终分数的平均分数,如果高于设置的阈值,则测试通过;否则,测试不通过。
7.如权利要求6所述的区分光时域反射仪上光纤接头盒和鬼影的方法,其特征在于,如果人工神经网络测试通过,固化所述人工神经网络;
如果人工神经网络测试未通过,重新划分训练集和测试集,或者调整所述人工神经网络的结构,重新训练所述人工神经网络。
8.如权利要求1所述的区分光时域反射仪上光纤接头盒和鬼影的方法,其特征在于,所述训练集的样本数量占收集到样本的75%,所述测试集的样本数量占收集到样本的25%。
9.一种区分光时域反射仪上光纤接头盒和鬼影的系统,其特征在于,包括:
收集标记模块,其用于收集光通信系统的光时域反射曲线,标记出光纤接头盒和鬼影的位置;还用于将收集到的光时域反射曲线和标记结果作为样本,分为训练集和测试集两部分;
存储模块,其用于存储所述训练集和测试集;
人工神经网络模块,其用于根据所述训练集进行训练,采用测试集对训练完成的人工网络进行测试;还用于在测试通过后,根据输入的待分析的光时域反射曲线,输出识别结果,所述识别结果包括光纤接头盒、鬼影以及各自位置。
10.如权利要求9所述的区分光时域反射仪上光纤接头盒和鬼影的系统,其特征在于,所述系统还包括:
训练模块,其用于将训练集中每个光时域反射曲线输入人工神经网络,并得到识别结果;还用于将识别结果与训练集中对应样本的标记结果进行比对,将每一次得到的误差输入给人工神经网络,以便于人工神经网络根据误差调整参数;
测试模块,其用于将测试集每个光时域反射曲线输入训练完成的人工神经网络,得到识别结果;还用于将识别结果与测试集中对应的标记结果进行比对,若完全相同,设置该样本的最终分数为最高分数;否则,根据比对结果,从所述最高分数中扣除识别结果中不准确内容对应的分数,得到该样本的最终分数;
判断模块,其用于计算所述测试集中所有样本输入后得到的最终分数的平均分数,如果高于设置的阈值,则判断测试通过;否则,判断测试不通过;
测试不通过时,所述收集标记模块还用于重新划分训练集和测试集,或者,人工神经网络调整结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911289296.2A CN111130635A (zh) | 2019-12-13 | 2019-12-13 | 一种区分光时域反射仪上光纤接头盒和鬼影的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911289296.2A CN111130635A (zh) | 2019-12-13 | 2019-12-13 | 一种区分光时域反射仪上光纤接头盒和鬼影的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111130635A true CN111130635A (zh) | 2020-05-08 |
Family
ID=70498989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911289296.2A Pending CN111130635A (zh) | 2019-12-13 | 2019-12-13 | 一种区分光时域反射仪上光纤接头盒和鬼影的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111130635A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116683986A (zh) * | 2023-08-04 | 2023-09-01 | 武汉孚晟科技有限公司 | 一种光时域反射仪的鬼影识别方法、系统及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229553A (zh) * | 2017-12-29 | 2018-06-29 | 国网吉林省电力有限公司信息通信公司 | 一种otdr曲线数据分析方法 |
CN110212975A (zh) * | 2019-04-30 | 2019-09-06 | 国网河南省电力公司电力科学研究院 | 一种基于微分进化神经网络的otdr故障特征判断方法 |
WO2020070752A1 (en) * | 2018-10-05 | 2020-04-09 | Centre For Development Of Telematics (C-Dot) | A learning-based method and system for configuring an optical time-domain reflectometer in a gigabit passive optical networks |
-
2019
- 2019-12-13 CN CN201911289296.2A patent/CN111130635A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229553A (zh) * | 2017-12-29 | 2018-06-29 | 国网吉林省电力有限公司信息通信公司 | 一种otdr曲线数据分析方法 |
WO2020070752A1 (en) * | 2018-10-05 | 2020-04-09 | Centre For Development Of Telematics (C-Dot) | A learning-based method and system for configuring an optical time-domain reflectometer in a gigabit passive optical networks |
CN110212975A (zh) * | 2019-04-30 | 2019-09-06 | 国网河南省电力公司电力科学研究院 | 一种基于微分进化神经网络的otdr故障特征判断方法 |
Non-Patent Citations (2)
Title |
---|
尹志国等: "用OTDR进行光纤测试时出现假峰现象的分析 ", 《黑龙江电力》 * |
陈诚,肖逸,李爱东,雷通: "基于RBF神经网络的OTDR小波分析算法", 《光通信技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116683986A (zh) * | 2023-08-04 | 2023-09-01 | 武汉孚晟科技有限公司 | 一种光时域反射仪的鬼影识别方法、系统及介质 |
CN116683986B (zh) * | 2023-08-04 | 2023-10-27 | 武汉孚晟科技有限公司 | 一种光时域反射仪的鬼影识别方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9709460B2 (en) | Method and system for measuring an optical loss value of an optical fiber link | |
US8570501B2 (en) | Fiber identification using mode field diameter profile | |
CN108627317A (zh) | 光纤测试方法、设备及系统 | |
CN107515033B (zh) | 基于光频域反射技术的点式液位传感器装置及其测量方法 | |
CN104052542A (zh) | 在线模式下检测otdr曲线末端事件定位光纤断点的方法 | |
CN104655591B (zh) | 一种检测敲击位置的光缆普查装置及方法 | |
CN102735633B (zh) | 一种光程在线标定式腔增强型大气痕量气体探测系统 | |
CN105530046A (zh) | 实现光功率和分支衰减故障自动测试的方法和系统 | |
WO2007005277A1 (en) | Method of evaluating fiber pmd using composite potdr trace | |
CN107228753A (zh) | 一种光纤质量数据的分析方法及系统 | |
US11169051B2 (en) | Optical testing devices and related methods | |
CN111130635A (zh) | 一种区分光时域反射仪上光纤接头盒和鬼影的方法及系统 | |
CN108369154B (zh) | 鉴定光纤带宽和选择光纤的系统、方法和介质 | |
CN201742408U (zh) | 光时域反射计及其装置、系统 | |
CN107809279B (zh) | 检测光纤事件点的装置及方法 | |
CN115343021A (zh) | 一种鬼影效果的识别、消除方法、装置和电子设备 | |
CN111130634A (zh) | 一种opgw中损耗事件的识别方法及系统 | |
CN113834631B (zh) | 一种光纤测量方法、系统及装置 | |
CN209559469U (zh) | 基于拉曼散射的分布式光纤损耗测量系统 | |
CN108337044B (zh) | 一种基于白光干涉的高灵敏度光缆普查装置及方法 | |
CN117030205B (zh) | 一种组合棱镜综合透过率的检测方法及检测系统 | |
EP3996296A1 (en) | Optical time-domain reflectometer (otdr) event detection and light power level measurement-based fiber optic link certification | |
KR102535830B1 (ko) | 광변환기 검사 시스템 | |
JP2008032592A (ja) | 光ファイバ路線監視システム | |
CN217469960U (zh) | 一种光时域反射仪和分布式光纤传感器获取光缆故障装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |