CN103248971B - 网络带宽利用率优化驱动的智能光波导系统 - Google Patents
网络带宽利用率优化驱动的智能光波导系统 Download PDFInfo
- Publication number
- CN103248971B CN103248971B CN201310130276.7A CN201310130276A CN103248971B CN 103248971 B CN103248971 B CN 103248971B CN 201310130276 A CN201310130276 A CN 201310130276A CN 103248971 B CN103248971 B CN 103248971B
- Authority
- CN
- China
- Prior art keywords
- data
- light wave
- intelligent light
- wave guiding
- guiding systems
- 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.)
- Expired - Fee Related
Links
Landscapes
- Optical Communication System (AREA)
Abstract
本发明公开了一种网络带宽利用率优化驱动的智能光波导系统，该智能光波导系统是通过实时采集网络传输数据进行统计分析，并获得用户带宽使用情况，通过调节用户带宽，最终实现现有网络带宽利用率的最大化。通过上述方式，本发明根据用户数据进行分析并实时的调节用户带宽。
Description
技术领域
本发明涉及光波导技术领域，特别是涉及一种网络带宽利用率优化驱动的智能光波导系统。
背景技术
因特网在全世界的普及，为光通信设备生产商提供了可观的市场空间和丰厚的利润。目前的硬件厂商，如思科、华为和中兴等公司提供了众多高质量的光网络通信设备，为因特网的发展做出了重要贡献。
现有的光通信网络设备为不同的用户分配固定的带宽，而根据运营的实际情况，不同用户在不同时间段对带宽的需求是不同的，因此，现在的设计对有限的带宽资源来说是一种很大的浪费。这种趋势使得原本不宽裕的带宽资源变得更加紧缺。
发明内容
本发明主要解决的技术问题是提供一种网络带宽利用率优化驱动的智能光波导系统，能够根据用户数据进行分析并实时的调节用户带宽。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种网络带宽利用率优化驱动的智能光波导系统，该智能光波导系统是通过实时采集网络传输数据进行统计分析，并获得用户带宽使用情况，通过调节用户带宽，最终实现现有网络带宽利用率的最大化，具体实现步骤包括：
1）实时采集网络中传送数据，每个数据用一个m维向量表示，动态采集的信号表示为；
2）采用m-SNE学习方式获得的低维表达.
包括如下步骤：
a、获取不同角度的高维特征数据，，表示不同角度的个数，，；
b、初始化向量；
c、对于不同角度的数据计算其相似概率矩阵；
d、根据公式: ，计算复合概率矩阵；
e、根据公式：，计算低维向量，，；
f、用Nesterov’s accelerated first order方法求解使得等式达到最小值的复合系数，返回第4步，重复m次；
g、得到低维数据，用此低维数据代替多角度高维数据；
3）通过对采用最小距离分类器（Minimum Euclidean Distance Classifier，MEDC）分类，可以实时获得智能光波导系统带宽控制参数。
本发明的有益效果是：本发明是利用对用户数据大量统计分析的前提下，建立以m-SNE优化算法为核心的智能带宽控制参数估计过程，并对智能光波导系统中带宽进行实时调节。而传统的光波导系统用户带宽是固定分配的。基于m-SNE优化算法为核心智能光波导系统能有效挖掘现有带宽潜力，并为用户带来很好的经济效益。
具体实施方式
下面对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
本发明实施例包括：
一种网络带宽利用率优化驱动的智能光波导系统，该智能光波导系统是通过实时采集网络传输数据进行统计分析，并获得用户带宽使用情况，通过调节用户带宽，最终实现现有网络带宽利用率的最大化，具体实现步骤包括：
1）实时采集网络中传送数据，每个数据用一个m维向量表示，动态采集的信号表示为；
2）采用m-SNE学习方式获得的低维表达.
包括如下步骤：
a、获取不同角度的高维特征数据，，表示不同角度的个数，，；
b、初始化向量；
c、对于不同角度的数据计算其相似概率矩阵；
d、根据公式: ，计算复合概率矩阵；
e、根据公式：，计算低维向量，，；
f、用Nesterov’s accelerated first order方法求解使得等式达到最小值的复合系数，返回第4步，重复m次；
g、得到低维数据，用此低维数据代替多角度高维数据；
3）通过对采用最小距离分类器（Minimum Euclidean Distance Classifier，MEDC）分类，可以实时获得智能光波导系统带宽控制参数。
本发明是利用对用户数据大量统计分析的前提下，建立以m-SNE优化算法为核心的智能带宽控制参数估计过程，并对智能光波导系统中带宽进行实时调节。而传统的光波导系统用户带宽是固定分配的。基于m-SNE优化算法为核心智能光波导系统能有效挖掘现有带宽潜力，并为用户带来很好的经济效益。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (1)
1.一种网络带宽利用率优化驱动的智能光波导系统，其特征在于，该智能光波导系统是通过实时采集网络传输数据进行统计分析，并获得用户带宽使用情况，通过调节用户带宽，最终实现现有网络带宽利用率的最大化，具体实现步骤包括：
1）实时采集网络中传送数据，每个数据用一个m维向量表示，动态采集的信号表示为；
2）采用m-SNE学习方式获得的低维表达.
包括如下步骤：
a、获取不同角度的高维特征数据，，表示不同角度的个数，，；
b、初始化向量；
c、对于不同角度的数据计算其相似概率矩阵；
d、根据公式: ，计算复合概率矩阵；
e、根据公式：，计算低维向量，，；
f、用Nesterov’s accelerated first order方法求解使得等式达到最小值的复合系数，返回第4步，重复m次；
g、得到低维数据，用此低维数据代替多角度高维数据；
3）通过对采用最小距离分类器（Minimum Euclidean Distance Classifier，MEDC）分类，可以实时获得智能光波导系统带宽控制参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310130276.7A CN103248971B (zh) | 2013-04-16 | 2013-04-16 | 网络带宽利用率优化驱动的智能光波导系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310130276.7A CN103248971B (zh) | 2013-04-16 | 2013-04-16 | 网络带宽利用率优化驱动的智能光波导系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103248971A CN103248971A (zh) | 2013-08-14 |
| CN103248971B true CN103248971B (zh) | 2017-11-28 |
Family
ID=48928152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310130276.7A Expired - Fee Related CN103248971B (zh) | 2013-04-16 | 2013-04-16 | 网络带宽利用率优化驱动的智能光波导系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103248971B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706876A (zh) * | 2009-11-13 | 2010-05-12 | 西安电子科技大学 | 基于混合子空间学习选择性集成的微钙化簇检测方法 |
| CN102682089A (zh) * | 2012-04-24 | 2012-09-19 | 浙江工业大学 | 一种利用鉴别随机邻域嵌入分析的数据降维方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9208556B2 (en) * | 2010-11-26 | 2015-12-08 | Quantitative Insights, Inc. | Method, system, software and medium for advanced intelligent image analysis and display of medical images and information |
-
2013
- 2013-04-16 CN CN201310130276.7A patent/CN103248971B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706876A (zh) * | 2009-11-13 | 2010-05-12 | 西安电子科技大学 | 基于混合子空间学习选择性集成的微钙化簇检测方法 |
| CN102682089A (zh) * | 2012-04-24 | 2012-09-19 | 浙江工业大学 | 一种利用鉴别随机邻域嵌入分析的数据降维方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《m-SNE Multiview Stochastic Neighbor Embedding》;Bo Xie etc.;《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART B: CYBERNETICS》;20110831;第41卷(第4期);第1088-1096页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103248971A (zh) | 2013-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104703191B (zh) | 保证时延QoS要求的安全认知无线电网络功率分配方法 | |
| CN102904811B (zh) | 面向电力业务的路由选择方法及系统 | |
| CN108023840B (zh) | Ovs网络流量加速优化方法及ovs网络流量加速优化系统 | |
| CN102118803A (zh) | 一种基于QoE预测的移动通信系统视频跨层调度方法 | |
| Tao et al. | Strategy-based gain ratio power allocation in non-orthogonal multiple access for indoor visible light communication networks | |
| CN110234128A (zh) | 无线接入频谱灵活光网络的能耗优化方法、系统 | |
| CN109831808A (zh) | 一种基于机器学习的混合供电c-ran的资源分配方法 | |
| CN111107645A (zh) | 一种均衡长期能效和网络稳定性的c-ran系统资源分配方法 | |
| CN110536321B (zh) | 5g iot通信中权衡能量效率和频谱效率的优化方法 | |
| CN114339791B (zh) | 智能反射面辅助的noma系统中最大吞吐量优化方法 | |
| CN106230737B (zh) | 一种状态感知的软件定义组网方法 | |
| CN103248971B (zh) | 网络带宽利用率优化驱动的智能光波导系统 | |
| Guo et al. | Hybrid NOMA/OFDMA visible light communication system with coordinated multiple point transmission | |
| CN105722203B (zh) | 大规模天线系统基于粒子群算法的高能效功率分配方法 | |
| CN101917325B (zh) | 异构网络融合的数据交换方法 | |
| CN103945545B (zh) | 一种异构网络资源优化方法 | |
| CN103338170B (zh) | 混沌人工鱼群优化广义多模盲均衡方法 | |
| CN107770077B (zh) | 一种基于网络编码的信息论安全多播路由选择方法 | |
| CN107104703A (zh) | 电力线网络中一种基于能量最小化的缓存系统算法设计 | |
| CN111327558B (zh) | 用于滤波器多载波调制光通信的gmm非均匀量化的方法及系统 | |
| CN108848519A (zh) | 一种基于交叉熵学习的异构网络用户接入方法 | |
| CN102497593A (zh) | 面向文本的在线远程教育视频渲染方法 | |
| Wang et al. | LRA-3C: Learning based resource allocation for communication-computing-caching systems | |
| CN104540209B (zh) | 一种提升干扰对齐网络传输速率的方法 | |
| Matinkhah et al. | A Study on Financial Pricing and Applications models on 5G |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171128 Termination date: 20180416 |