CN113033457B - 一种软故障识别模型训练和软故障识别方法、装置 - Google Patents

一种软故障识别模型训练和软故障识别方法、装置 Download PDF

Info

Publication number
CN113033457B
CN113033457B CN202110378856.2A CN202110378856A CN113033457B CN 113033457 B CN113033457 B CN 113033457B CN 202110378856 A CN202110378856 A CN 202110378856A CN 113033457 B CN113033457 B CN 113033457B
Authority
CN
China
Prior art keywords
spectrum
sample signal
soft fault
signal
normal sample
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.)
Active
Application number
CN202110378856.2A
Other languages
English (en)
Other versions
CN113033457A (zh
Inventor
于振明
孙凯旋
舒亮
徐坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110378856.2A priority Critical patent/CN113033457B/zh
Publication of CN113033457A publication Critical patent/CN113033457A/zh
Application granted granted Critical
Publication of CN113033457B publication Critical patent/CN113033457B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明实施例提供了一种软故障识别模型训练和软故障识别方法、装置，其中，软故障识别模型训练方法包括：获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱；计算各正常样本信号的残差谱；基于各正常样本信号的残差谱，训练自动编码器；计算各软故障样本信号的残差谱；基于各软故障样本信号的残差谱、各软故障样本信号的标签、以及完成训练的自动编码器，训练支持向量机；确定由完成训练的自动编码器和完成训练的支持向量机组成的软故障识别模型。以此，提高软故障识别模型的识别精度，从而提高软故障识别结果的准确性和泛化性。

Description

一种软故障识别模型训练和软故障识别方法、装置
技术领域
本发明涉及软故障管理技术领域，特别是涉及一种软故障识别模型训练和软故障识别方法、装置。
背景技术
软故障管理包括软故障探测、软故障识别、软故障定位及软故障幅度估计等，其中，通过软故障识别可以识别出不同类型的软故障，并输出该软故障对应的故障类型，以便工作人员可以针对不同的故障类型，采取不同的措施解决该软故障，从而恢复网络性能。
当网络中出现软故障时，网络性能的一些监测数据会发生变化，比如在光网络中，如果出现软故障，则光信噪比、接收光功率以及光谱等都会发生变化。一些相关技术中，通常利用光谱分析仪监测软故障样本光信号的光谱，再对软故障样本光信号的光谱特征进行机器学习，从而实现软故障识别，但由于光网络中出现软故障的情况毕竟有限，能采集到的软故障样本相对较少，如果用于训练的软故障样本不充足，会导致对软故障样本光信号的光谱特征的识别精度较低，进一步导致其得到的软故障识别结果的准确性也较低。
发明内容
本发明实施例的目的在于提供一种软故障识别模型训练和软故障识别方法、装置，以实现提高软故障识别模型的识别精度，从而提高软故障识别结果的准确性和泛化性。具体技术方案如下：
第一方面，本发明实施例提供了一种软故障识别模型训练方法，所述方法包括：
获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱；
基于各正常样本信号的数字谱，计算得到所述各正常样本信号的残差谱；
基于所述各正常样本信号的残差谱，训练自动编码器；
基于所述各正常样本信号的数字谱及各软故障样本信号的数字谱，计算得到各软故障样本信号的残差谱；
基于所述各软故障样本信号的残差谱、所述各软故障样本信号的标签、以及完成训练的所述自动编码器，训练支持向量机；
确定由完成训练的所述自动编码器和完成训练的所述支持向量机组成的软故障识别模型。
可选的，所述获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱的步骤，包括：
获取多个正常样本信号和多个带标签的软故障样本信号；
将各正常样本信号和各软故障样本信号输入相干接收机，经所述相干接收机对所述各正常样本信号和所述各软故障样本信号进行频域色散补偿，得到所述各正常样本信号的数字谱和各软故障样本信号的数字谱。
可选的，所述基于各正常样本信号的数字谱，计算得到所述各正常样本信号的残差谱的步骤，包括：
根据各正常样本信号的数字谱，计算标准谱；
根据所述标准谱及所述各正常样本信号的数字谱，计算所述各正常样本信号的残差谱；
所述基于所述各正常样本信号的数字谱及各软故障样本信号的数字谱，计算得到各软故障样本信号的残差谱的步骤，包括：
根据所述标准谱及所述各软故障样本信号的数字谱，计算所述各软故障样本信号的残差谱。
可选的，所述根据各正常样本信号的数字谱，计算标准谱的步骤，包括：
计算各正常样本的数字谱的平均值，作为标准谱。
可选的，所述基于所述各正常样本信号的残差谱，训练自动编码器的步骤，包括：
初始化预设的第一网络模型；所述第一网络模型中包括编码器和解码器；
将正常样本信号的残差谱输入所述编码器，得到该正常样本信号的残差谱特征；
将该正常样本信号的残差谱特征输入所述解码器，得到根据该正常样本信号的残差谱特征重构的第一残差谱；
根据该第一残差谱与该正常样本信号的残差谱，利用预设的损失函数计算得到损失函数值；
若未达到结束条件，则基于所述损失函数值调整所述第一网络模型的参数，并返回执行所述将正常样本信号的残差谱输入所述编码器，得到该正常样本信号的残差谱特征的步骤，直至达到所述结束条件时，停止训练，得到完成训练的自动编码器。
可选的，所述基于所述各软故障样本信号的残差谱及所述各软故障样本信号的标签、以及完成训练的所述自动编码器，训练支持向量机的步骤，包括：
初始化预设的第二网络模型；
将软故障样本信号的残差谱输入完成训练的所述自动编码器，得到该软故障样本信号的残差谱特征；
将该软故障样本信号的残差谱特征输入所述第二网络模型，得到该软故障样本信号的预测故障类型信息；
比较该软故障样本信号的预测故障类型信息与该软故障样本信号的标签之间的差异；
若所述差异大于第二预设阈值，则基于所述差异调整所述第二网络模型的参数，并返回执行所述将软故障样本信号的残差谱输入完成训练的所述自动编码器，得到该软故障样本信号的残差谱特征的步骤，直至所述差异小于所述第二预设阈值或者达到第二指定迭代次数时，停止训练，得到完成训练的支持向量机。
第二方面，本发明实施例提供了一种软故障识别方法，所述方法包括：
获取标准谱及待识别信号的数字谱；
根据所述标准谱及所述待识别信号的数字谱，计算得到所述待识别信号的残差谱；
将所述待识别信号的残差谱输入如上述第一方面任一所述的方法训练得到的软故障识别模型，得到所述待识别信号的软故障识别结果。
可选的，所述获取待识别信号的数字谱的步骤，包括：
获取待识别信号；
将所述待识别信号输入相干接收机，经所述相干接收机对所述待识别信号进行频域色散补偿，得到所述待识别信号的数字谱。
第三方面，本发明实施例提供了一种软故障识别模型训练装置，所述装置包括：
第一获取模块，用于获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱；
第一计算模块，用于基于各正常样本信号的数字谱，计算得到所述各正常样本信号的残差谱；
第一训练模块，用于基于所述各正常样本信号的残差谱，训练自动编码器；
第二计算模块，用于基于所述各正常样本信号的数字谱及各软故障样本信号的数字谱，计算得到各软故障样本信号的残差谱；
第二训练模块，用于基于所述各软故障样本信号的残差谱、所述各软故障样本信号的标签、以及完成训练的所述自动编码器，训练支持向量机；
第一确定模块，用于确定由完成训练的所述自动编码器和完成训练的所述支持向量机组成的软故障识别模型。
第四方面，本发明实施例提供了一种软故障识别装置，所述装置包括：
第二获取模块，用于获取标准谱及待识别信号的数字谱；
第三计算模块，用于根据所述标准谱及所述待识别信号的数字谱，计算得到所述待识别信号的残差谱；
第二确定模块，将所述待识别信号的残差谱输入如上述第一方面任一所述的方法训练得到的软故障识别模型，得到所述待识别信号的软故障识别结果。
第五方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法步骤。
第六方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
本发明实施例提供的一种软故障识别模型训练方法，通过获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱；基于各正常样本信号的数字谱，计算得到各正常样本信号的残差谱；基于各正常样本信号的残差谱，训练自动编码器；基于各正常样本信号的数字谱及各软故障样本信号的数字谱，计算得到各软故障样本信号的残差谱；基于各软故障样本信号的残差谱、各软故障样本信号的标签、以及完成训练的自动编码器，训练支持向量机；确定由完成训练的自动编码器和完成训练的支持向量机组成的软故障识别模型。本方案中，通过对各正常样本信号的数字谱进行计算，得到各正常样本信号的残差谱，再利用各正常样本信号的残差谱对自动编码器进行训练，使完成训练的自动编码器同时具备了对软故障样本信号的残差谱进行特征提取的能力，也就是说，自动编码器在对残差谱特征进行机器学习的过程中，只需要用到比较容易获取的正常样本信号即可。因此，通过利用足够多的正常样本信号来训练自动编码器，以使完成训练的自动编码器能够有效地从软故障样本信号的残差谱中提取出特征，可以提高由完成训练的自动编码器和完成训练的支持向量机组成的软故障识别模型的识别精度，从而提高软故障识别结果的准确性和泛化性。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的软故障识别模型训练方法的一种流程示意图；
图2为本发明实施例提供的一种预设的第一网络模型的结构示意图；
图3为本发明实施例提供的一种相干通信仿真系统的结构示意图；
图4为本发明实施例提供的一种软故障识别模型的原理框图；
图5为本发明实施例提供的一种标准谱与多个正常样本信号的数字谱的示意图；
图6为本发明实施例提供的一种在相同光纤传输距离下，四种不同的软故障在达到各自的最大故障幅度时对应的软故障样本信号的残差谱示意图；
图7为本发明实施例提供的一种自动编码器在五种不同光纤传输距离下提取的残差谱特征的分布情况示意图；
图8为本发明实施例提供的一种在激光器频率偏移情况下的五种不同光纤传输距离下采集得到的软故障样本信号的残差谱示意图；
图9为本发明实施例提供的一种特征长度对软故障识别模型的识别精度的影响情况示意图；
图10为本发明实施例提供的一种不同特征长度对软故障识别模型泛化性的影响情况示意图；
图11为本发明实施例提供的一种不同光纤传输距离下训练得到的软故障识别模型的泛化性示意图；
图12为本发明实施例提供的一种软故障识别方法的流程示意图；
图13为本发明实施例提供的一种软故障识别模型训练装置的结构示意图；
图14为本发明实施例提供的一种软故障识别装置的结构示意图；
图15为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本发明保护的范围。
为了提高软故障识别模型的识别精度，从而提高软故障识别结果的准确性和泛化性，本发明实施例提供了一种软故障识别模型训练和软故障识别方法、装置。下面首先对其中的软故障识别模型训练方法进行详细介绍。以下方法实施例中的各个步骤按照合乎逻辑的顺序执行即可，步骤标号或者对各步骤进行介绍的先后顺序，并不对各步骤的执行顺序构成限定。
参考图1所示，图1为本发明实施例提供的软故障识别模型训练方法的一种流程示意图，包括：
S110：获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱。
举例来说，可以将光网络正常工作时采集到的光信号作为正常样本信号，将光网络出现软故障时采集到的光信号作为软故障样本信号。每个软故障样本信号可以携带标称故障类型信息，作为各软故障样本信号的标签，比如，如果一个软故障样本信号有90％的可能是由于信道干扰导致的，那么该软故障样本信号的标称故障类型信息可以被设定为“90％信道干扰”，则“90％信道干扰”即可作为该软故障样本信号携带的标签。
由于光谱分析仪的成本较高，利用数字谱代替光谱，可以节省设备成本。一种实施方式中，可以预先在计算机中编辑傅里叶变换算法代码，将获取到的多个正常样本信号和多个带标签的软故障样本信号输入该计算机中，对各正常样本信号和各软故障样本信号进行傅里叶变换计算，得到各正常样本信号的数字谱和各软故障样本信号的数字谱。另一种实施方式中，获取多个正常样本信号和多个带标签的软故障样本信号后，可以将各正常样本信号和各软故障样本信号输入相干接收机，先由相干接收机中的接收端对各正常样本信号和各软故障样本信号进行光电转换，将以上各样本信号由光信号转换至电信号，再利用相干接收机中的数字滤波器对完成转换的各样本信号进行频域色散补偿，得到各正常样本信号的数字谱和各软故障样本信号的数字谱。
相干接收机能够直接对各正常样本信号和各软故障样本信号进行频域色散补偿，得到各正常样本信号的数字谱和各软故障样本信号的数字谱，相比于人工编辑傅里叶变换算法代码的方案，更加便捷。
S120：基于各正常样本信号的数字谱，计算得到各正常样本信号的残差谱。
一种实施方式中，针对每个正常样本信号的数字谱，可以先根据各正常样本信号的数字谱，计算各正常样本的数字谱的平均值，再用各正常样本的数字谱的平均值与该正常样本信号的数字谱相除，得到该正常样本信号的残差谱。
另一种实施方式中，也可以先根据各正常样本信号的数字谱，计算出标准谱，并将计算得到的标准谱作为数据记录进行存储，其中，标准谱可以通过计算各正常样本的数字谱的平均值得到，也可以通过计算各正常样本的数字谱的均方根值得到；再根据标准谱及各正常样本信号的数字谱，计算各正常样本信号的残差谱。
一种情况下，由于利用相干接收机直接得到的各样本信号的数字谱为线性谱，可以先建立对数坐标：将每个样本信号的数字谱设为P，计算10×log10P，得到各样本信号的对数谱；在对数坐标下，根据各正常样本信号的对数谱，通过计算各正常样本的对数谱的平均值，得到标准谱，并将该标准谱进行存储，然后用该标准谱与各正常样本信号的对数谱相减，得到各正常样本信号的残差谱。
先计算出各正常样本信号的标准谱进行存储，可以在计算各正常样本信号的残差谱时，减少不必要的重复运算，降低计算复杂度，从而提高计算得到的各正常样本信号的残差谱的准确性。
S130：基于各正常样本信号的残差谱，训练自动编码器。
第一种实施方式中，训练自动编码器的流程可以为：
第一步，初始化预设的第一网络模型，该第一网络模型中包括编码器和解码器；第二步，将正常样本信号的残差谱输入编码器，得到该正常样本信号的残差谱特征；第三步，将该正常样本信号的残差谱特征输入解码器，得到根据该正常样本信号的残差谱特征重构的第一残差谱；第四步，根据该第一残差谱与该正常样本信号的残差谱，利用预设的损失函数计算得到损失函数值；若未达到结束条件，则基于该损失函数值调整第一网络模型的参数，并返回执行第二步，直至达到该结束条件时，停止训练，得到完成训练的自动编码器。
预设的第一网络模型可以理解为训练前的自动编码器，包括编码器和解码器。参考图2所示，预设的第一网络模型可以包括输入层210、卷积层220、最大池化层230、全连接层240、全连接层250和输出层260，其中，输入层210、卷积层220、最大池化层230和全连接层240属于编码器，用于提取信号的残差谱特征；全连接层250和输出层260属于解码器，用于根据提取到的残差谱特征重构第一残差谱。
举例来说，第一网络模型可以计算重构的第一残差谱与该正常样本信号的残差谱之间的均方误差(Mean-Square Error，MSE)，作为损失函数值；若未达到结束条件，则可以基于该损失函数值，利用反向传播算法来调整第一网络模型的参数，并返回执行第二步，直至达到该结束条件时，停止训练，得到完成训练的自动编码器。以此，通过迭代循环训练自动编码器，使得完成训练的自动编码器能够较为准确地提取信号的残差谱特征。
第一种情况下，可以将达到结束条件的情况设定为：损失函数值小于第一预设阈值。第二种情况下，也可以将达到结束条件的情况设定为：迭代循环训练次数达到第一指定迭代次数。第三种情况下，还可以将达到结束条件的情况设定为：损失函数值小于第一预设阈值或迭代循环训练次数达到第一指定迭代次数；一种实施方式中，如果迭代循环训练次数达到第一指定迭代次数时，损失函数值仍大于第一预设阈值，可以在停止本轮迭代循环训练后，返回执行本实施方式中的第一步，重新给定一组参数，作为第一网络模型的初始参数。由于存在第一网络模型的初始参数给定得越好，迭代收敛速度越快的情况，第三种情况下，通过设定第一指定迭代次数，在达到第一指定迭代次数时，更新第一网络模型的初始参数，重新训练，能够使完成训练的自动编码器更好地达到期望的效果，进一步提高完成训练的自动编码器提取信号的残差谱特征的准确度。
第二种实施方式中，训练自动编码器的流程可以为：
第一步，初始化预设的第一网络模型；第二步，将正常样本信号的残差谱输入第一网络模型，得到该正常样本信号的残差谱特征；第三步，将该正常样本信号的残差谱特征输入支持向量机，得到该正常样本信号的预测状态信息；第四步，比较该正常样本信号的预测状态信息与该正常样本信号的标签之间的差异；若差异大于第三预设阈值，则基于该差异调整第一网络模型的参数，并返回执行第二步，直至差异小于第三预设阈值或者达到第三指定迭代次数时，停止训练，得到完成训练的自动编码器。
一种情况下，S110中获取的多个正常样本信号可以是多个带标签的正常样本信号，举例来说，每个正常样本信号可以携带标称状态信息，作为各正常样本信号的标签，比如，可以将一个置信度较高的正常样本信号的标称状态信息设定为“100％正常”，则“100％正常”即可作为该正常样本信号携带的标签；支持向量机可以是预先训练好的，利用该训练好的支持向量机，可以根据信号的残差谱特征判断信号的状态信息，作为该信号的预测状态信息。
举例来说，预先训练好的支持向量机在获取到正常样本信号的残差谱特征后，根据该正常样本信号的残差谱特征，判断出该正常样本信号属于正常状态的置信度为60％，而该正常样本信号携带的标签为“100％正常”，则该正常样本信号的预测状态信息与该正常样本信号的标签之间的差异为40％的置信度差异，此时，如果针对置信度差异，第三预设阈值设定为5％，可以判断出该正常样本信号的预测状态信息与该正常样本信号的标签之间的差异大于第三预设阈值，则需要基于该差异调整第一网络模型的参数，得到调整后的第一网络模型，并返回执行第二步，将该正常样本信号的残差谱输入调整后的第一网络模型进行迭代循环训练，直至该正常样本信号的预测状态信息与该正常样本信号的标签之间的差异小于第三预设阈值或者达到第三指定迭代次数时，停止训练，得到完成训练的自动编码器。以此，通过迭代循环训练自动编码器，使得完成训练的自动编码器能够较为准确地提取信号的残差谱特征。
一种情况下，如果达到第三指定迭代次数时，该正常样本信号的预测状态信息与该正常样本信号的标签之间的差异仍大于第三预设阈值，可以在停止本轮迭代循环训练后，返回执行本实施方式中的第一步，重新给定一组参数，作为第一网络模型的初始参数。由于存在第一网络模型的初始参数给定得越好，迭代收敛速度越快的情况，通过设定第三指定迭代次数，在达到第三指定迭代次数时，更新第一网络模型的初始参数，重新训练，能够使完成训练的自动编码器更好地达到期望的效果，进一步提高完成训练的自动编码器提取信号的残差谱特征的准确度。
S140：基于各正常样本信号的数字谱及各软故障样本信号的数字谱，计算得到各软故障样本信号的残差谱。
一种实施方式中，针对每个软故障样本信号的数字谱，可以先根据各正常样本信号的数字谱，计算各正常样本的数字谱的平均值，再用各正常样本的数字谱的平均值与该软故障样本信号的数字谱相除，得到该软故障样本信号的残差谱。
另一种实施方式中，也可以利用上面S120中存储的标准谱，在对数坐标下，用该标准谱与各软故障样本信号的对数谱相减，得到各软故障样本信号的残差谱。具体可参考上面S120中的相关介绍，此处不再赘述。
S150：基于各软故障样本信号的残差谱、各软故障样本信号的标签、以及完成训练的自动编码器，训练支持向量机。
一种实施方式中，训练支持向量机的流程可以为：
第一步，初始化预设的第二网络模型；第二步，将软故障样本信号的残差谱输入完成训练的自动编码器，得到该软故障样本信号的残差谱特征；第三步，将该软故障样本信号的残差谱特征输入第二网络模型，得到该软故障样本信号的预测故障类型信息；第四步，比较该软故障样本信号的预测故障类型信息与该软故障样本信号的标签之间的差异；若差异大于第二预设阈值，则基于所该差异调整第二网络模型的参数，并返回执行第二步，直至差异小于第二预设阈值或者达到第二指定迭代次数时，停止训练，得到完成训练的支持向量机。
S130中得到的完成训练的自动编码器，能够较为准确地提取信号的残差谱特征，因此，将软故障样本信号的残差谱输入完成训练的自动编码器，即可完成该软故障样本信号的残差谱特征的自动提取。
预设的第二网络模型可以理解为训练前的支持向量机，举例来说，可以随机给定一组参数，作为第二网络模型的初始参数，即可以理解为完成对支持向量机的初始化，使初始化后的支持向量机可以根据软故障信号的特征判断该软故障信号的故障类型信息，该支持向量机可以是对S130中的支持向量机进行初始化得到的，也可以是其他支持向量机。如果将提取到的软故障样本信号的残差谱特征输入初始化后的支持向量机，支持向量机根据该软故障样本信号的残差谱特征，判断出该软故障样本信号有80％的可能是由于信道干扰导致的，而该软故障样本信号携带的标签为“90％信道干扰”，则该软故障样本信号的预测故障类型信息与该软故障样本信号的标签之间的差异为10％的置信度差异，此时，如果针对置信度差异，第二预设阈值设定为7％，可以判断出该软故障样本信号的预测故障类型信息与该软故障样本信号的标签之间的差异大于第二预设阈值，则需要基于该差异调整第二网络模型的参数，得到调整后的第二网络模型，并返回执行第二步，并将软故障样本信号的残差谱特征输入调整后的第二网络模型进行迭代循环训练，直至软故障样本信号的预测故障类型信息与该软故障样本信号的标签之间的差异小于第二预设阈值或者达到第二指定迭代次数时，停止训练，得到完成训练的支持向量机。以此，通过迭代循环训练支持向量机，使得完成训练的支持向量机能够较为准确地识别软故障类型。
一种情况下，如果达到第二指定迭代次数时，软故障样本信号的预测故障类型信息与该软故障样本信号的标签之间的差异仍大于第二预设阈值，可以在停止本轮迭代循环训练后，返回执行本实施方式中的第一步，重新给定一组参数，作为第二网络模型的初始参数。由于存在第二网络模型的初始参数给定得越好，迭代收敛速度越快的情况，通过设定第二指定迭代次数，在达到第二指定迭代次数时，更新第二网络模型的初始参数，重新训练，能够使完成训练的支持向量机更好地达到期望的效果，进一步提高完成训练的支持向量机识别软故障类型的准确度。
S160：确定由完成训练的自动编码器和完成训练的支持向量机组成的软故障识别模型。
应用本方法实施例，通过对各正常样本信号的数字谱进行计算，得到各正常样本信号的残差谱，再利用各正常样本信号的残差谱对自动编码器进行训练，使完成训练的自动编码器同时具备了对软故障样本信号的残差谱进行特征提取的能力，也就是说，自动编码器在对残差谱的特征进行机器学习的过程中，只需要用到比较容易获取的正常样本信号即可。因此，通过利用足够多的正常样本信号来训练自动编码器，以使完成训练的自动编码器能够有效地从软故障样本信号的残差谱中提取出特征，可以提高由完成训练的自动编码器和完成训练的支持向量机组成的软故障识别模型的识别精度，从而提高软故障识别结果的准确性和泛化性。
下面，再介绍一种软故障识别模型训练方法的具体实施方式：
第一步，可以利用如图3所示的相干通信仿真系统来获取正常样本信号以及软故障样本信号。该系统包括3个信道，分别包含主信道发射机3101、旁信道发射机3102和旁信道发射机3103；还包括k个节点(k＝2～6)，本实施方式中设定为6个节点，分别为第一节点3201、第二节点3202······第六节点3206，每个节点处包括一个波长选择开关(WSS)，其中，第一节点3201处的波长选择开关(WSS1)为带宽可变的波长选择开关，可以用来引入滤波器相关的软故障；每两个节点间的光纤传输跨度可以设定为80km，以便能在80km、160km、240km、320km、400km这5种光纤传输距离下采集样本信号。基于如图2所示的相干通信仿真系统，在做模拟仿真时，可以在该系统中传输速率为30GBaud、带宽为31.5GHz的偏振复用正交相移键控光信号，当光网络处于正常工作的状态下，该光信号的信道间隔应为37.5GHz，然后，可以根据预设规则改变信道间隔、主信道的WSS1的带宽、主信道的WSS1的中心频率以及主发射机的激光器的发射频率偏移等参数，来模拟不同类型的软故障出现时的光网络环境。
比如，如果要引入信道干扰(CI)这一软故障，预设规则可以为：将主信道和任一侧信道之间的信道间隔，以0.25GHz为步长从33GHz降低到27.5GHz；如果要引入滤波器紧缩(FT)这一软故障，预设规则可以为：将主信道的WSS1的带宽，以0.25GHz为步长从30.25GHz降低到24.5GHz；如果要引入滤波器中心频率偏移(FS)这一软故障，预设规则可以为：将主信道的WSS1的中心频率，以0.25GHz为步长在4.75GHz到10GHz的范围内失谐；如果要引入激光器频率偏移(LD)这一软故障，预设规则可以为：将主发射机的激光器的发射频率偏移，以0.1GHz为步长从1.8GHz变为3.6GHz。一种情况下，在按照上述预设规则引入一个软故障的同时，除该软故障对应的预设规则中所涉及的参数外，其余的关键参数可以设置为保持服从高斯分布的随机波动，参考如下表1所示，以使相干通信仿真系统中的各参数更贴合软故障出现时的实际情况：
表1.关键参数波动设置
参数 波动范围(相对均值) 均值
主信道激光器频率 -1.5～1.5GHz 193.1THz
主信道WSS1的中心频率 -2.5～2.5GHz 193.1THz
主信道WSS1的带宽 -2～1GHz 37.5GHz
信道间隔 -1.5～1.5GHz 37.5GHz
最后一个光放大器增益 -0.1～0.1dB 16dB
采集样本信号时，可以在每种光纤传输距离下都采集相同数量的正常样本信号以及相同数量的软故障样本信号，比如，可以在每个光纤传输距离下采集2000个正常样本信号和528个软故障样本信号，其中，528个软故障样本信号是以信道干扰(CI)、滤波器紧缩(FT)、滤波器中心频率偏移(FS)、激光器频率偏移(LD)这四种软故障类型为例，按每个故障幅度下采集6个软故障样本信号确定的，比如，针对信道干扰(CI)，每以0.25GHz为步长降低一次信道间隔参数，就采集一次软故障样本信号，每次采集6个软故障样本信号，可以理解的，当信道间隔参数降低到27.5时，达到最大故障幅度，则在信道干扰(CI)的故障类型下共需采集23次，采集到的软故障样本信号共138个。
第二步，可以参考如图4所示的软故障识别模型的原理框图，实现对软故障识别模型的训练。首先，选定一个光纤传输距离，本实施方式中选定在320km的光纤传输距离下采集2000个正常样本信号和528个软故障样本信号，将各正常样本信号和各软故障样本信号输入相干接收机，经相干接收机对各正常样本信号和各软故障样本信号进行频域色散补偿，得到各正常样本信号的数字谱和各软故障样本信号的数字谱；然后对2000个正常样本信号的数字谱取平均，得到一个如图5中灰色线条所示的标准谱，其外围的黑色线条所示为用于取平均的2000个正常样本信号的数字谱；再在对数坐标下用如图5中黑色线条所示的标准谱与各样本信号的数字谱相减得到各样本信号的残差谱。
得到2000个正常样本信号的残差谱后，可以先选用85％的正常样本信号的残差谱，也就是选用1700个正常样本信号的残差谱作为训练集训练自动编码器(AE)，将剩余的300个正常样本信号的残差谱作为测试集测试完成训练的自动编码器提取残差谱特征的能力，若达到期望的效果，则可以利用完成训练的自动编码器提取软故障样本信号的残差谱特征。
参考图6所示，为320km的光纤传输距离下，信道干扰(CI)、滤波器紧缩(FT)、滤波器中心频率偏移(FS)、激光器频率偏移(LD)四种软故障在达到各自的最大故障幅度时对应的软故障样本信号的残差谱。由图6可以看出，不同类型的软故障样本信号的残差谱之间，有较为明显的差异。将各软故障样本信号的残差谱输入完成训练的自动编码器可以较为准确地提取各软故障样本信号的残差谱特征，最后再将软故障样本信号的残差谱特征输入支持向量机(SVM)，进行软故障识别，以此提高软故障识别结果的准确性。
一种情况下，可以对本实施方式中得到的软故障识别模型，在不同的光纤传输距离下的泛化性进行分析。举例来说，如果自动编码器对每个样本信号的残差谱提取的残差谱特征个数为10个，针对80km、160km、240km、320km、400km这5种光纤传输距离下采集的样本信号，可以随机选择两个残差谱特征维度x1和x2，以不同形状表示不同的光纤传输距离，不同色度表示不同类型的软故障，来描绘自动编码器在这五种光纤传输距离下提取的残差谱特征的分布情况，如图7所示，可以看出，虽然光纤传输距离不同，但同类型的软故障还是较为明显地呈聚集状态。再有，由于信号的残差谱是利用信号的数字谱除以相同距离的标准谱得到的，在此相除过程中，可以抵消一部分因光纤传输距离不同而带来的差异，以出现激光器频率偏移(LD)的情况为例，将五种光纤传输距离下采集得到的软故障样本信号的残差谱表示为如图8所示，可以看出，不同光纤传输距离下的同类型软故障样本信号的残差谱还是较为接近的。综上，本实施方式中得到的软故障识别模型表现了较优的泛化性。
将自动编码器对每个样本信号的残差谱提取的残差谱特征个数定义为特征长度，图9反映了特征长度对软故障识别模型的识别精度的影响，图10反映了不同的特征长度对在320km的光纤传输距离下采集的样本信号训练软故障识别模型泛化性的影响。根据图9和图10可以看出，28为特征长度的饱和点，当特征长度大于8后，软故障识别模型对不同光纤传输距离下的软故障识别精度均能达到95％，当特征长度为24时，在各光纤传输距离下，软故障识别模型的识别精度均能达到97.61％，即，当特征长度为24时，软故障识别模型的识别精度可达最佳精度。
图11分析了本实施方式中得到的软故障识别模型的泛化性，可以看出，利用在320km的光纤传输距离下采集的样本信号训练软故障识别模型，可使软故障识别模型的泛化性达到最佳。
本实施方式中，通过建立相干通信仿真系统来模拟实际的光网络环境，以此实现对正常样本信号和软故障样本信号的采集，利用相干接收机得到各样本信号的数字谱，并计算得到各样本信号的残差谱，再利用各正常样本信号的残差谱对自动编码器进行训练，使完成训练的自动编码器同时具备了对软故障样本信号的残差谱进行特征提取的能力，也就是说，自动编码器在对残差谱特征进行机器学习的过程中，只需要用到比较容易获取的正常样本信号即可，因此，通过利用足够多的正常样本信号来训练自动编码器，以使完成训练的自动编码器能够有效地从软故障样本信号的残差谱中提取出特征，可以提高由完成训练的自动编码器和完成训练的支持向量机组成的软故障识别模型的识别精度，从而提高软故障识别结果的准确性和泛化性。同时，通过对本实施方式中的软故障识别模型的泛化性的分析可知，本实施方式中的软故障识别模型的泛化性较高。
参考图12所示，本发明实施例还提供了一种软故障识别方法，该方法包括：
S1210：获取标准谱及待识别信号的数字谱。
一种实施方式中，可以获取待识别信号；将该待识别信号输入相干接收机，经相干接收机对该待识别信号进行频域色散补偿，得到该待识别信号的数字谱。具体可以参考图1方法实施例中的相关介绍，此处不再赘述。
S1220：根据标准谱及待识别信号的数字谱，计算得到待识别信号的残差谱。
第一种实施方式中，可以直接以图1方法实施例中训练软故障识别模型时所存储的标准谱，作为本步骤中的标准谱。第二种实施方式中，也可以每隔一段预设时间采集一次正常样本信号，根据历史采集的正常样本信号，计算得到本步骤中的标准谱，具体的计算方式可以参考图1方法实施例中的相关介绍，此处不再赘述。第三种实施方式中，还可以根据期望的光网络性能，由人为设定本步骤中的标准谱。
一种情况下，可以在对数坐标下用标准谱与待识别信号的数字谱相减，得到待识别信号的残差谱。
S1230：将待识别信号的残差谱输入软故障识别模型，得到待识别信号的软故障识别结果。
一种实施方式中，软故障识别模型可以采用如图1方法实施例训练得到的软故障识别模型。通过图1方法实施例训练得到的软故障识别模型，对信号的残差谱特征的识别精度较高，且能够较为准确地识别软故障类型，因此，将待识别信号的残差谱输入如图1方法实施例训练得到的软故障识别模型，可以提高软故障识别结果的准确性。
与图1方法实施例相对应，本发明实施例还提供了一种软故障识别模型训练装置，如图13所示，该装置包括：
第一获取模块1310，用于获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱；
第一计算模块1320，用于基于各正常样本信号的数字谱，计算得到各正常样本信号的残差谱；
第一训练模块1330，用于基于各正常样本信号的残差谱，训练自动编码器；
第二计算模块1340，用于基于各正常样本信号的数字谱及各软故障样本信号的数字谱，计算得到各软故障样本信号的残差谱；
第二训练模块1350，用于基于各软故障样本信号的残差谱、各软故障样本信号的标签、以及完成训练的自动编码器，训练支持向量机；
第一确定模块1360，用于确定由完成训练的自动编码器和完成训练的支持向量机组成的软故障识别模型。
应用本装置实施例，通过对各正常样本信号的数字谱进行计算，得到各正常样本信号的残差谱，再利用各正常样本信号的残差谱对自动编码器进行训练，使完成训练的自动编码器同时具备了对软故障样本信号的残差谱进行特征提取的能力，也就是说，自动编码器在对残差谱特征进行机器学习的过程中，只需要用到比较容易获取的正常样本信号即可。因此，通过利用足够多的正常样本信号来训练自动编码器，以使完成训练的自动编码器能够有效地从软故障样本信号的残差谱中提取出特征，可以提高由完成训练的自动编码器和完成训练的支持向量机组成的软故障识别模型的识别精度，从而提高软故障识别结果的准确性和泛化性。
与图12方法实施例相对应，本发明实施例还提供了一种软故障识别装置，如图14所示，该装置包括：
第二获取模块1410，用于获取标准谱及待识别信号的数字谱；
第三计算模块1420，用于根据标准谱及待识别信号的数字谱，计算得到待识别信号的残差谱；
第二确定模块1430，用于将待识别信号的残差谱输入软故障识别模型，得到待识别信号的软故障识别结果。
一种实施方式中，软故障识别模型可以采用如图1方法实施例训练得到的软故障识别模型。通过图1方法实施例训练得到的软故障识别模型，对信号的残差谱特征的识别精度较高，且能够较为准确地识别软故障类型，因此，将待识别信号的残差谱输入如图1方法实施例训练得到的软故障识别模型，可以提高软故障识别结果的准确性。
本发明实施例还提供了一种电子设备，如图15所示，包括处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信，
存储器1503，用于存放计算机程序；
处理器1501，用于执行存储器1503上所存放的程序时，实现如下步骤：
获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱；
基于各正常样本信号的数字谱，计算得到各正常样本信号的残差谱；
基于各正常样本信号的残差谱，训练自动编码器；
基于各正常样本信号的数字谱及各软故障样本信号的数字谱，计算得到各软故障样本信号的残差谱；
基于各软故障样本信号的残差谱、各软故障样本信号的标签、以及完成训练的自动编码器，训练支持向量机；
确定由完成训练的自动编码器和完成训练的支持向量机组成的软故障识别模型。
关于上述各个步骤的具体实现以及相关解释内容可以参考上面图1所示的方法实施例，在此不做赘述。
应用本发明实施例提供的电子设备，通过对各正常样本信号的数字谱进行计算，得到各正常样本信号的残差谱，再利用各正常样本信号的残差谱对自动编码器进行训练，使完成训练的自动编码器同时具备了对软故障样本信号的残差谱进行特征提取的能力，也就是说，自动编码器在对残差谱特征进行机器学习的过程中，只需要用到比较容易获取的正常样本信号即可。因此，通过利用足够多的正常样本信号来训练自动编码器，以使完成训练的自动编码器能够有效地从软故障样本信号的残差谱中提取出特征，可以提高由完成训练的自动编码器和完成训练的支持向量机组成的软故障识别模型的识别精度，从而提高软故障识别结果的准确性和泛化性。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，该计算机程序被处理器执行时实现上述图1所示实施例中软故障识别模型训练方法。
上述计算机可读存储介质存储有在运行时执行本发明实施例所提供的软故障识别模型训练方法的应用程序，因此能够实现提高软故障识别模型的识别精度，从而提高软故障识别结果的准确性和泛化性。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述图1所示实施例中软故障识别模型训练方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包括，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于软故障识别模型训练装置及软故障识别方法、装置实施例而言，由于其基本相似于软故障识别模型训练方法实施例，所以描述的比较简单，相关之处参见软故障识别模型训练方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包括在本发明的保护范围内。

Claims (9)

1.一种软故障识别模型训练方法，其特征在于，所述方法包括：
获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱；
基于各正常样本信号的数字谱，计算得到所述各正常样本信号的残差谱；
基于所述各正常样本信号的残差谱，训练自动编码器；
基于所述各正常样本信号的数字谱及各软故障样本信号的数字谱，计算得到各软故障样本信号的残差谱；
基于所述各软故障样本信号的残差谱、所述各软故障样本信号的标签、以及完成训练的所述自动编码器，训练支持向量机；
确定由完成训练的所述自动编码器和完成训练的所述支持向量机组成的软故障识别模型；
其中，所述基于所述各正常样本信号的残差谱，训练自动编码器的步骤，包括：
初始化预设的第一网络模型，所述第一网络模型中包括编码器和解码器；
将正常样本信号的残差谱输入所述编码器，得到该正常样本信号的残差谱特征；
将该正常样本信号的残差谱特征输入所述解码器，得到根据该正常样本信号的残差谱特征重构的第一残差谱；
根据该第一残差谱与该正常样本信号的残差谱，利用预设的损失函数计算得到损失函数值；
若未达到结束条件，则基于所述损失函数值调整所述第一网络模型的参数，并返回执行所述将正常样本信号的残差谱输入所述编码器，得到该正常样本信号的残差谱特征的步骤，直至达到所述结束条件时，停止训练，得到完成训练的自动编码器。
2.根据权利要求1所述的方法，其特征在于，所述获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱的步骤，包括：
获取多个正常样本信号和多个带标签的软故障样本信号；
将各正常样本信号和各软故障样本信号输入相干接收机，经所述相干接收机对所述各正常样本信号和所述各软故障样本信号进行频域色散补偿，得到所述各正常样本信号的数字谱和各软故障样本信号的数字谱。
3.根据权利要求1所述的方法，其特征在于，所述基于各正常样本信号的数字谱，计算得到所述各正常样本信号的残差谱的步骤，包括：
根据各正常样本信号的数字谱，计算标准谱；
根据所述标准谱及所述各正常样本信号的数字谱，计算所述各正常样本信号的残差谱；
所述基于所述各正常样本信号的数字谱及各软故障样本信号的数字谱，计算得到各软故障样本信号的残差谱的步骤，包括：
根据所述标准谱及所述各软故障样本信号的数字谱，计算所述各软故障样本信号的残差谱。
4.根据权利要求3所述的方法，其特征在于，所述根据各正常样本信号的数字谱，计算标准谱的步骤，包括：
计算各正常样本的数字谱的平均值，作为标准谱。
5.根据权利要求1所述的方法，其特征在于，所述基于所述各软故障样本信号的残差谱及所述各软故障样本信号的标签、以及完成训练的所述自动编码器，训练支持向量机的步骤，包括：
初始化预设的第二网络模型；
将软故障样本信号的残差谱输入完成训练的所述自动编码器，得到该软故障样本信号的残差谱特征；
将该软故障样本信号的残差谱特征输入所述第二网络模型，得到该软故障样本信号的预测故障类型信息；
比较该软故障样本信号的预测故障类型信息与该软故障样本信号的标签之间的差异；
若所述差异大于第二预设阈值，则基于所述差异调整所述第二网络模型的参数，并返回执行所述将软故障样本信号的残差谱输入完成训练的所述自动编码器，得到该软故障样本信号的残差谱特征的步骤，直至所述差异小于所述第二预设阈值或者达到第二指定迭代次数时，停止训练，得到完成训练的支持向量机。
6.一种软故障识别方法，其特征在于，所述方法包括：
获取标准谱及待识别信号的数字谱；
根据所述标准谱及所述待识别信号的数字谱，计算得到所述待识别信号的残差谱；
将所述待识别信号的残差谱输入如权利要求1-5任一项所述的方法训练得到的软故障识别模型，得到所述待识别信号的软故障识别结果。
7.根据权利要求6所述的方法，其特征在于，所述获取待识别信号的数字谱的步骤，包括：
获取待识别信号；
将所述待识别信号输入相干接收机，经所述相干接收机对所述待识别信号进行频域色散补偿，得到所述待识别信号的数字谱。
8.一种软故障识别模型训练装置，其特征在于，所述装置包括：
第一获取模块，用于获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱；
第一计算模块，用于基于各正常样本信号的数字谱，计算得到所述各正常样本信号的残差谱；
第一训练模块，用于基于所述各正常样本信号的残差谱，训练自动编码器；
第二计算模块，用于基于所述各正常样本信号的数字谱及各软故障样本信号的数字谱，计算得到各软故障样本信号的残差谱；
第二训练模块，用于基于所述各软故障样本信号的残差谱、所述各软故障样本信号的标签、以及完成训练的所述自动编码器，训练支持向量机；
第一确定模块，用于确定由完成训练的所述自动编码器和完成训练的所述支持向量机组成的软故障识别模型；
其中，所述第一训练模块，具体用于：
初始化预设的第一网络模型，所述第一网络模型中包括编码器和解码器；
将正常样本信号的残差谱输入所述编码器，得到该正常样本信号的残差谱特征；
将该正常样本信号的残差谱特征输入所述解码器，得到根据该正常样本信号的残差谱特征重构的第一残差谱；
根据该第一残差谱与该正常样本信号的残差谱，利用预设的损失函数计算得到损失函数值；
若未达到结束条件，则基于所述损失函数值调整所述第一网络模型的参数，并返回执行所述将正常样本信号的残差谱输入所述编码器，得到该正常样本信号的残差谱特征的步骤，直至达到所述结束条件时，停止训练，得到完成训练的自动编码器。
9.一种软故障识别装置，其特征在于，所述装置包括：
第二获取模块，用于获取标准谱及待识别信号的数字谱；
第三计算模块，用于根据所述标准谱及所述待识别信号的数字谱，计算得到所述待识别信号的残差谱；
第二确定模块，将所述待识别信号的残差谱输入如权利要求1-5任一项所述的方法训练得到的软故障识别模型，得到所述待识别信号的软故障识别结果。
CN202110378856.2A 2021-04-08 2021-04-08 一种软故障识别模型训练和软故障识别方法、装置 Active CN113033457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110378856.2A CN113033457B (zh) 2021-04-08 2021-04-08 一种软故障识别模型训练和软故障识别方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110378856.2A CN113033457B (zh) 2021-04-08 2021-04-08 一种软故障识别模型训练和软故障识别方法、装置

Publications (2)

Publication Number Publication Date
CN113033457A CN113033457A (zh) 2021-06-25
CN113033457B true CN113033457B (zh) 2022-11-04

Family

ID=76454288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110378856.2A Active CN113033457B (zh) 2021-04-08 2021-04-08 一种软故障识别模型训练和软故障识别方法、装置

Country Status (1)

Country Link
CN (1) CN113033457B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591665A (zh) * 2021-07-26 2021-11-02 重庆潍睿科技有限公司 自激励噪声源干扰下的故障源信号识别提取方法
CN114598386B (zh) * 2022-01-24 2023-08-01 北京邮电大学 一种光网络通信软故障检测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017174400A1 (fr) * 2016-04-08 2017-10-12 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede de detection de defauts non francs dans un cable par fusion de donnees
CN111462000A (zh) * 2020-03-17 2020-07-28 北京邮电大学 一种基于预训练自编码器的图像恢复方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017174400A1 (fr) * 2016-04-08 2017-10-12 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede de detection de defauts non francs dans un cable par fusion de donnees
CN111462000A (zh) * 2020-03-17 2020-07-28 北京邮电大学 一种基于预训练自编码器的图像恢复方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Autonomous and Generalized Soft Failure Detection based on Digital Residual Spectrum in Optical Networks;Kaixuan Sun等;《2022 Optical Fiber Communications Conference and Exhibition (OFC)》;20220413;全文 *
Experimental Demonstration of Soft Failure Identification Based on Digital Residual Spectrum and Machine Learning;Kaixuan Sun等;《2021 International Conference on UK-China Emerging Technologies (UCET)》;20220119;全文 *
Generalized Soft Failure Identification enabled by Digital Residual Spectrum and Autoencoder;Kaixuan Sun 等;《2021 Optical Fiber Communications Conference and Exhibition (OFC)》;20210726;全文 *
基于K-means算法识别瓦斯传感器软故障研究;胡宇等;《矿冶》;20200424(第02期);全文 *
基于故障测试相关矩阵与支持向量机的模拟电路软故障诊断方法;郑博恺等;《电器与能效管理技术》;20171015(第19期);全文 *

Also Published As

Publication number Publication date
CN113033457A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
US11057788B2 (en) Method and system for abnormal value detection in LTE network
CN113033457B (zh) 一种软故障识别模型训练和软故障识别方法、装置
CN111614398B (zh) 基于异或神经网络的调制格式及信噪比识别方法及装置
US11038587B2 (en) Method and apparatus for locating fault cause, and storage medium
CN116405109B (zh) 基于线性直驱的光模块通信自适应调制方法
CN105071858A (zh) 一种光纤通信系统中的色散估计方法
US11632182B2 (en) Real-time detection of interfering device
CN113014361B (zh) 一种基于图的bpsk信号置信度检验方法
CN107682119B (zh) 一种基于分组极值模型的mimo空时码识别方法
CN114362851A (zh) 一种基于机器学习的无线信道数据去噪方法
CN111431645B (zh) 一种基于小样本训练神经网络的频谱感知方法
CN114994632A (zh) 一种基于对称功率谱密度的雷达目标检测方法与系统
CN103873163A (zh) 一种基于渐近步长的稀疏度自适应压缩频谱感知方法
CN112543070B (zh) 信道特性的在线提取
CN114785433A (zh) 信道场景识别的方法、网络设备及存储介质
CN110912843A (zh) 大规模无线传感器网络中的分布式盲估计方法及系统
CN114666236B (zh) 一种全自动信号检测识别报警方法
US11582073B1 (en) Sequence estimation system and method
CN114285701B (zh) 一种主用户发射功率识别方法、系统、设备及终端
CN114257994B (zh) 一种d2d网络鲁棒功率控制方法、系统、设备及终端
CN110907570B (zh) 有机质成熟度评价方法及终端设备
Chen et al. Noise threshold estimation in spectrum monitoring data analysis application
CN110071882B (zh) 信号冲击响应的簇信息获取方法、装置、设备及存储介质
Zhang et al. Source number estimation algorithm based on wide-band compressed sensing
Kiselnikov et al. Distortion Types Separation of QAM-16 Signal

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
GR01 Patent grant
GR01 Patent grant