来源：期刊VIP网 时间：
作者：毛仕龙;赵赞善;王皓宇;高冠军;
单位：北京邮电大学电子工程学院;中国科学院声学研究所南海研究站;陵水海洋信息海南省野外科学观测研究站;
摘要：针对光网络数据集不均衡导致的人工智能（AI）模型偏差及特征学习不足问题，提出一种基于深度交叉网络（DCN）的多任务学习光线路终端（OLT）设备故障识别算法。首先，通过标准化均值-曼哈顿距离评估潜在故障，标记高相似度样本为质差数据；其次，构建DCN-多任务学习（MTL）模型，引入高阶特征交叉增强学习能力，并以质差检测为辅助任务优化主任务训练。实验结果表明：与传统的深度神经网络相比，该算法在相同数据量下准确率提升1.15%、召回率提升11.83%、F1分数提升6.39%、曲线下面积（AUC）提升5.91%，各项指标均突破0.95，验证了算法在故障数据稀缺场景下的强检测能力。
关键词：光接入网;;故障检测;;数据集不均衡;;深度交叉网络;;多任务学习
基金资助：国家重点研发计划资助项目（2022YFB2903300）资助;; 国家自然科学基金资助项目（62371064）资助
