CN113111473B - 传输系统功率谱的优化方法、装置及电子设备 - Google Patents
传输系统功率谱的优化方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113111473B CN113111473B CN202110450350.8A CN202110450350A CN113111473B CN 113111473 B CN113111473 B CN 113111473B CN 202110450350 A CN202110450350 A CN 202110450350A CN 113111473 B CN113111473 B CN 113111473B
- Authority
- CN
- China
- Prior art keywords
- power spectrum
- encoder
- transmission system
- self
- receiving end
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Optical Communication System (AREA)
Abstract
本发明实施例公开了一种传输系统功率谱的优化的方法、装置、电子设备及存储介质,方法包括:获取传输系统发送端以及接收端的功率谱数据集以及数字孪生模型,根据发送端以及接收端的功率谱数据集训练数字孪生模型,将训练完成后的数字孪生模型迁移至解码器,获取目标功率谱并根据目标功率谱对自编码器的编码器进行参数训练并得到训练好的编码器,根据解码器以及训练好的编码器确定训练好的自编码器,根据目标功率谱以及训练好的自编码器确定发送功率谱以使在传输系统的接收端获得目标功率谱。此外,本发明采用的自编码器的解码器结构为数字孪生模型,无需调节传输系统中的任意硬件部分,只需要调节优化发送功率谱便可实现目标功率谱,简单高效。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种传输系统功率谱的优化的方法、装置、电子设备及存储介质。
背景技术
在波分复用传输系统中,功率谱受到受激拉曼散射效应和光放大器功率偏移效应的影响会发生剧烈抖动,使得不同信道间业务传输质量参差不齐,在多跨段和超宽带传输系统中尤为明显,当传输质量恶化到一定程度时会导致业务中断,所以功率谱的优化管理极为重要。
功率谱经过多个跨段传输后平坦度会劣化到无法接受的程度,目前,现有的解决方法是使用波长选择开关等支持调节单波衰减的器件将所有波长调平,然而这种方法在额外添加昂贵器件的同时还增加插入损耗,并且对信道功率造成了浪费。
综上,传输系统功率谱的优化受制于现有的技术发展,一方面,额外添加的器件价格昂贵。另一方面,增加了传输系统的插入损耗,并且对信道功率造成了浪费。因此,目前亟需一种传输系统功率谱的优化的技术,用于解决上述现有技术存在的问题。
发明内容
由于现有方法存在上述问题,本发明实施例提出一种传输系统功率谱的优化的方法、装置、电子设备及存储介质。
第一方面,本发明实施例提供了一种传输系统功率谱的优化的方法,包括:
获取传输系统发送端以及接收端的功率谱数据集以及数字孪生模型;其中,所述传输系统包含自编码器,所述自编码器包含解码器以及编码器,所述解码器与所述编码器呈对称网络结构;
根据所述发送端以及接收端的功率谱数据集训练所述数字孪生模型以使所述数字孪生模型根据所述发送端的功率谱数据集预测所述接收端的功率谱数据集;
将训练完成后的数字孪生模型迁移至解码器;
获取目标功率谱并根据所述目标功率谱对所述自编码器的编码器进行参数训练并得到训练好的编码器;
根据所述解码器以及所述训练好的编码器确定训练好的自编码器;
根据所述目标功率谱以及所述训练好的自编码器确定发送功率谱以使在所述传输系统的接收端获得所述目标功率谱。
进一步地,在所述获取传输系统发送端以及接收端的功率谱数据集之后,在所述根据所述发送端以及接收端的功率谱数据集训练所述数字孪生模型之前,还包括:
将所述发送端以及接收端的功率谱数据集进行归一化处理。
进一步地,所述数字孪生模型由神经网络构建,还包括输入层以及输出层;其中,所述输入层以及所述输出层的神经元个数均为所述多跨段传输系统传输的信道总数。
进一步地,所述根据所述目标功率谱对所述自编码器的编码器进行参数训练,包括:
使用无监督学习的方法对所述自编码器的编码器进行参数训练。
进一步地,所述根据所述目标功率谱以及所述训练好的自编码器确定发送功率谱,包括:
根据所述目标功率谱确定平行功率谱;其中,所述平行功率谱与所述目标功率谱的谱形相同,功率不同;
根据所述平行功率谱以及所述训练好的自编码器确定发送功率谱。
第二方面,本发明实施例提供了一种传输系统功率谱的优化的装置,包括:
获取模块,用于获取获取传输系统发送端以及接收端的功率谱数据集以及数字孪生模型;其中,所述传输系统包含自编码器,所述自编码器包含解码器以及编码器,所述解码器与所述编码器呈对称网络结构;
处理模块,用于根据所述发送端以及接收端的功率谱数据集训练所述数字孪生模型以使所述数字孪生模型根据所述发送端的功率谱数据集预测所述接收端的功率谱数据集;
所述处理模块,还用于将训练完成后的数字孪生模型迁移至解码器;
所述处理模块,还用于获取目标功率谱并根据所述目标功率谱对所述自编码器的编码器进行参数训练并得到训练好的编码器;
所述处理模块,还用于根据所述解码器以及所述训练好的编码器确定训练好的自编码器;
所述处理模块,还用于根据所述目标功率谱以及所述训练好的自编码器确定发送功率谱以使在所述传输系统的接收端获得所述目标功率谱。
进一步地,在所述获取传输系统发送端以及接收端的功率谱数据集之后,在所述根据所述发送端以及接收端的功率谱数据集训练所述数字孪生模型之前,所述处理模块702还用于:
将所述发送端以及接收端的功率谱数据集进行归一化处理。
进一步地,所述数字孪生模型由神经网络构建,还包括输入层以及输出层;其中,所述输入层以及所述输出层的神经元个数均为所述传输系统传输的信道总数。
进一步地,所述处理模块具体用于:
使用无监督学习的方法对所述自编码器的编码器进行参数训练。
进一步地,所述处理模块具体用于:
根据所述目标功率谱确定平行功率谱;其中,所述平行功率谱与所述目标功率谱的谱形相同,功率不同;
根据所述平行功率谱以及所述训练好的自编码器确定发送功率谱。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的传输系统功率谱的优化方法。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的传输系统功率谱的优化方法。
由上述技术方案可知,自编码器的解码器结构为数字孪生模型,在优化发送功率谱以实现接收端目标功率谱时,只需要用无监督的方法即可将自编码器的编码器训练完成,将目标功率谱输入到自编码器的输入层,在隐藏层得到优化后的发送功率谱,反馈到传输系统的发送端,即可在输出端获得目标功率谱。此过程无需调节传输系统中的任意硬件部分,只需要调节发送功率谱便可实现目标功率谱,简单高效。
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,还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的传输系统功率谱的优化的系统框架;
图2为本发明一实施例提供的传输系统功率谱的优化的方法的流程示意图;
图3为本发明一实施例提供的传输系统的示意图;
图4为本发明一实施例提供的数字孪生模型的示意图;
图5为本发明一实施例提供的自编码器的示意图;
图6为本发明一实施例提供的传输系统功率谱的优化的方法的流程示意图;
图7为本发明一实施例提供的传输系统功率谱的优化装置的结构示意图;
图8为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
首先,对本发明中的部分用语进行解释说明,以便使本领域技术人员理解。
数字孪生模型:数字孪生是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念,可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。
自编码器:自编码器是一类在半监督学习和非监督学习中使用的人工神经网络,其功能是通过将输入信息作为学习目标,对输入信息进行表征学习。
机器学习方法已在光通信中得到广泛应用,其中对光放大器和光纤信道的建模能力十分优异。因此本发明使用机器学习的方法,通过传输系统的发送端和接收端光谱数据来驱动高保真的机器学习模型,从而传输系统实现系统级功率谱优化。
基于此,本发明实施例提供一种传输系统功率谱的优化的方法,本发明实施例提供的传输系统功率谱的优化的方法,可以适用于如图1所示的系统架构中,该系统架构包括发送端以及接收端100,数字孪生模型200,自编码器300。
其中,发送端以及接收端100用于获取传输系统发送端以及接收端的功率谱数据集。
在一种可能的实施方式中,在传输系统发送端以及接收端可以分别用光谱分析仪记录功率谱数据集,本发明对此不做具体限定。
自编码器300包含解码器400以及编码器500,解码器400与编码器500呈对称网络结构,自编码器300用于根据目标功率谱确定发送功率谱。
数字孪生模型200用于在被发送端以及接收端100的功率谱数据集训练完成后迁移至解码器400并根据发送端的功率谱数据集预测接收端的功率谱数据集。
需要说明的是,图1仅是本发明实施例系统架构的一种示例,本发明对此不做具体限定。
基于上述所示意的系统架构,图2为本发明实施例提供的一种传输系统功率谱的优化的方法所对应的流程示意图,如图2所示,该方法包括:
步骤201,获取传输系统发送端以及接收端的功率谱数据集以及数字孪生模型。
需要说明的是,其中,传输系统包含自编码器,自编码器包含解码器以及编码器,解码器与编码器呈对称网络结构。
在一种可能地实施方式中,在传输系统发送端以及接收端分别用光谱分析仪记录功率谱数据。
步骤202,根据发送端以及接收端的功率谱数据集训练数字孪生模型以使数字孪生模型根据发送端的功率谱数据集预测接收端的功率谱数据集。
步骤203,将训练完成后的数字孪生模型迁移至解码器。
步骤204,获取目标功率谱并根据目标功率谱对自编码器的编码器进行参数训练并得到训练好的编码器。
步骤205,根据解码器以及训练好的编码器确定训练好的自编码器。
步骤206,根据目标功率谱以及训练好的自编码器确定发送功率谱以使在传输系统的接收端获得目标功率谱。
上述方案,自编码器的解码器结构为数字孪生模型,在优化发送功率谱以实现接收端目标功率谱时,将目标功率谱输入到自编码器的输入层,在隐藏层得到优化后的发送功率谱,反馈到传输系统的发送端,即可在输出端获得目标功率谱。此过程无需调节传输系统中的任意硬件部分,只需要调节发送功率谱便可实现目标功率谱,简单高效。
在一种可能地实施方式中,本发明实施例中的传输系统为多跨段波分复用传输系统,其示意图如图3所示。
本发明实施例中,波分复用是将两种或多种不同波长的光载波信号在发送端经复用器汇合在一起,并耦合到光线路的同一根光纤中进行传输的技术。在接收端,经解复用器将各种波长的光载波分离,然后由光接收机作进一步处理以恢复原信号。这种在同一根光纤中同时传输两个或众多不同波长光信号的技术,称为波分复用。
如图3所示,在多跨段波分复用传输系统发送端和接收端分别用光谱分析仪(OSA)记录功率谱数据集,每个放大段由标准单模光纤(SSMF)构成,采用掺铒光纤放大器(EDFA)混合放大。
本发明实施例所采用的数字孪生是一种新兴的数字技术,通过创建物理对象的高保真数字模型来模拟其行为,描述其运行状态,并通过物理与数字的实虚结合与互相反馈优化其性能。数字孪生已广泛应用于制造工厂、航空航天工程、智慧城市、光通信等领域。达到了对传输系统的功率谱进行优化。
进一步地,本发明实施例在步骤201中,数字孪生模型由神经网络构建,还包括输入层以及输出层。
需要说明的是,其中,输入层以及输出层的神经元个数均为传输系统传输的信道总数。
本发明实施例在步骤201之后,在步骤202之前,将发送端以及接收端的功率谱数据集进行归一化处理。
需要说明的是,将采集的功率谱数据集按输入和输出分别进行归一化处理,为训练数字孪生模型做准备。
进一步地,数字孪生模型的示意图如图4所示,上述将物理空间中产生的发送、接收光谱数据集归一化处理后用于多跨段波分复用传输系统的数字孪生模型训练,数字孪生模型使用神经网络构建,输入、输出层的神经元个数均为传输的信道总数。举例来说,传输的信道总数为10个,那么输入、输出层的神经元个数均为10个。
进一步地,数字孪生模型训练完成后即在数字空间中得到正向的高保真传输链路模型,可用于功率谱的精准预测。也就是说,训练完成后的数字孪生模型可以根据发送端的功率谱数据集预测接收端的功率谱数据集。
本发明实施例在步骤203中,将训练完成的高保真数字孪生模型固定其结构参数作为自编码器的解码器。
具体的,自编码器是由编码器和解码器构成的对称网络结构,如图5所示,左右两侧均为自编码器的输入端,中间隐藏层的数据进行反归一化后用作优化的发送功率谱。
本发明实施例在步骤204中,使用无监督学习的方法对自编码器的编码器进行参数训练。
需要说明的是,根据类别未知即没有被标记的训练样本解决模式识别中的各种问题,称之为无监督学习。
本发明实施例在步骤206中,步骤流程如图6所示,具体如下:
步骤601,根据目标功率谱确定平行功率谱。
需要说明的是,其中,平行功率谱与目标功率谱的谱形相同,功率不同。
步骤602,根据平行功率谱以及训练好的自编码器确定发送功率谱。
本发明实施例中,由于自编码器其基本思想就是保证神经网络输出端的信息与输入端的信息完全相同,且光纤通信中存在使得接收端功率谱为特定谱形的需求,即目标功率谱,将建立的正向高保真数字孪生模型用作自编码器的解码器,此时自编码器就有了精准预测功率谱演化的能力,故可使用无监督学习的方法,使用与目标功率谱的谱形相同,功率不同的平行功率谱作为自编码器的输入和输出,对编码器参数进行调整。
进一步地,将目标功率谱输入到自编码器输入端,获得中间隐藏层的数据进行反归一化后用作优化的发送功率谱,则可在传输系统的接收端获得目标功率谱。
上述方案,自编码器的解码器结构为数字孪生模型,在优化发送功率谱以实现接收端目标功率谱时,只需要用无监督的方法即可将自编码器的编码器训练完成,将目标功率谱输入到自编码器的输入层,在隐藏层得到优化后的发送功率谱,反馈到传输系统的发送端,即可在输出端获得目标功率谱。此过程无需调节传输系统中的任意硬件部分,只需要调节发送功率谱便可实现目标功率谱,简单高效。
基于同一发明构思,图7示例性的示出了本发明实施例提供的一种传输系统功率谱的优化的装置,该装置可以为一种传输系统功率谱的优化的方法的流程。
所述装置,包括:
获取模块701,用于获取获取传输系统发送端以及接收端的功率谱数据集以及数字孪生模型;其中,所述传输系统包含自编码器,所述自编码器包含解码器以及编码器,所述解码器与所述编码器呈对称网络结构;
处理模块702,用于根据所述发送端以及接收端的功率谱数据集训练所述数字孪生模型以使所述数字孪生模型根据所述发送端的功率谱数据集预测所述接收端的功率谱数据集;
所述处理模块702,还用于将训练完成后的数字孪生模型迁移至解码器;
所述处理模块702,还用于获取目标功率谱并根据所述目标功率谱对所述自编码器的编码器进行参数训练并得到训练好的编码器;
所述处理模块702,还用于根据所述解码器以及所述训练好的编码器确定训练好的自编码器;
所述处理模块702,还用于根据所述目标功率谱以及所述训练好的自编码器确定发送功率谱以使在所述传输系统的接收端获得所述目标功率谱。
进一步地,在所述获取传输系统发送端以及接收端的功率谱数据集之后,在所述根据所述发送端以及接收端的功率谱数据集训练所述数字孪生模型之前,所述处理模块702还用于:
将所述发送端以及接收端的功率谱数据集进行归一化处理。
进一步地,所述数字孪生模型由神经网络构建,还包括输入层以及输出层;其中,所述输入层以及所述输出层的神经元个数均为所述传输系统传输的信道总数。
进一步地,所述处理模块702具体用于:
使用无监督学习的方法对所述自编码器的编码器进行参数训练。
进一步地,所述处理模块702具体用于:
根据所述目标功率谱确定平行功率谱;其中,所述平行功率谱与所述目标功率谱的谱形相同,功率不同;
根据所述平行功率谱以及所述训练好的自编码器确定发送功率谱。
由于本实施例提供的传输系统功率谱的优化的装置可以用于执行上述实施例提供的传输系统功率谱的优化的方法,其工作原理和有益效果类似,此处不再详述。
基于相同的发明构思,本发明又一实施例提供了一种电子设备,参见图8,所述电子设备具体包括如下内容:处理器801、存储器802、通信接口803和通信总线804;
其中,所述处理器801、存储器802、通信接口803通过所述通信总线804完成相互间的通信;所述通信接口803用于实现各设备之间的信息传输;
所述处理器801用于调用所述存储器802中的计算机程序,所述处理器执行所述计算机程序时实现上述传输系统功率谱的优化的方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:获取传输系统发送端以及接收端的功率谱数据集以及数字孪生模型;其中,所述传输系统包含自编码器,所述自编码器包含解码器以及编码器,所述解码器与所述编码器呈对称网络结构;根据所述发送端以及接收端的功率谱数据集训练所述数字孪生模型以使所述数字孪生模型根据所述发送端的功率谱数据集预测所述接收端的功率谱数据集;将训练完成后的数字孪生模型迁移至解码器;获取目标功率谱并根据所述目标功率谱对所述自编码器的编码器进行参数训练并得到训练好的编码器;根据所述解码器以及所述训练好的编码器确定训练好的自编码器;根据所述目标功率谱以及所述训练好的自编码器确定发送功率谱以使在所述传输系统的接收端获得所述目标功率谱。
基于相同的发明构思,本发明又一实施例提供了一种非暂态计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述传输系统功率谱的优化方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:获取传输系统发送端以及接收端的功率谱数据集、以及数字孪生模型;其中,所述传输系统包含自编码器,所述自编码器包含解码器以及编码器,所述解码器与所述编码器呈对称网络结构;根据所述发送端以及接收端的功率谱数据集训练所述数字孪生模型以使所述数字孪生模型根据所述发送端的功率谱数据集预测所述接收端的功率谱数据集;将训练完成后的数字孪生模型迁移至解码器;获取目标功率谱并根据所述目标功率谱对所述自编码器的编码器进行参数训练并得到训练好的编码器;根据所述解码器以及所述训练好的编码器确定训练好的自编码器;根据所述目标功率谱以及所述训练好的自编码器确定发送功率谱以使在所述传输系统的接收端获得所述目标功率谱。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,用户生活模式预测装置,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,用户生活模式预测装置,或者网络设备等)执行各个实施例或者实施例的某些部分所述的用户生活模式预测方法。
此外,在本发明中,诸如“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
此外,在本发明中,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含,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。
此外,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种传输系统功率谱的优化方法,其特征在于,包括:
获取传输系统发送端以及接收端的功率谱数据集以及数字孪生模型;其中,所述传输系统包含自编码器,所述自编码器包含解码器以及编码器,所述解码器与所述编码器呈对称网络结构;
根据所述发送端以及接收端的功率谱数据集训练所述数字孪生模型以使所述数字孪生模型根据所述发送端的功率谱数据集预测所述接收端的功率谱数据集;
将训练完成后的数字孪生模型迁移至解码器;
获取目标功率谱并根据所述目标功率谱对所述自编码器的编码器进行参数训练并得到训练好的编码器;
根据所述解码器以及所述训练好的编码器确定训练好的自编码器;
根据所述目标功率谱以及所述训练好的自编码器确定发送功率谱以使在所述传输系统的接收端获得所述目标功率谱。
2.根据权利要求1所述的传输系统功率谱的优化方法,其特征在于,在所述获取传输系统发送端以及接收端的功率谱数据集之后,在所述根据所述发送端以及接收端的功率谱数据集训练所述数字孪生模型之前,还包括:
将所述发送端以及接收端的功率谱数据集进行归一化处理。
3.根据权利要求1所述的传输系统功率谱的优化方法,其特征在于,所述数字孪生模型由神经网络构建,还包括输入层以及输出层;其中,所述输入层以及所述输出层的神经元个数均为所述传输系统传输的信道总数。
4.根据权利要求1所述的传输系统功率谱的优化方法,其特征在于,所述根据所述目标功率谱对所述自编码器的编码器进行参数训练,包括:
使用无监督学习的方法对所述自编码器的编码器进行参数训练。
5.根据权利要求1所述的传输系统功率谱的优化方法,其特征在于,所述根据所述目标功率谱以及所述训练好的自编码器确定发送功率谱,包括:
根据所述目标功率谱确定平行功率谱;其中,所述平行功率谱与所述目标功率谱的谱形相同,功率不同;
根据所述平行功率谱以及所述训练好的自编码器确定发送功率谱。
6.一种传输系统功率谱的优化装置,其特征在于,包括:
获取模块,用于获取获取传输系统发送端以及接收端的功率谱数据集以及数字孪生模型;其中,所述传输系统包含自编码器,所述自编码器包含解码器以及编码器,所述解码器与所述编码器呈对称网络结构;
处理模块,用于根据所述发送端以及接收端的功率谱数据集训练所述数字孪生模型以使所述数字孪生模型根据所述发送端的功率谱数据集预测所述接收端的功率谱数据集;
所述处理模块,还用于将训练完成后的数字孪生模型迁移至解码器;
所述处理模块,还用于获取目标功率谱并根据所述目标功率谱对所述自编码器的编码器进行参数训练并得到训练好的编码器;
所述处理模块,还用于根据所述解码器以及所述训练好的编码器确定训练好的自编码器;
所述处理模块,还用于根据所述目标功率谱以及所述训练好的自编码器确定发送功率谱以使在所述传输系统的接收端获得所述目标功率谱。
7.根据权利要求6所述的传输系统功率谱的优化装置,其特征在于,在所述获取传输系统发送端以及接收端的功率谱数据集之后,在所述根据所述发送端以及接收端的功率谱数据集训练所述数字孪生模型之前,所述处理模块还用于:
将所述发送端以及接收端的功率谱数据集进行归一化处理。
8.根据权利要求6所述的传输系统功率谱的优化装置,其特征在于,所述处理模块具体用于:
所述数字孪生模型由神经网络构建,还包括输入层以及输出层;其中,所述输入层以及所述输出层的神经元个数均为所述传输系统传输的信道总数。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450350.8A CN113111473B (zh) | 2021-04-25 | 2021-04-25 | 传输系统功率谱的优化方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450350.8A CN113111473B (zh) | 2021-04-25 | 2021-04-25 | 传输系统功率谱的优化方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111473A CN113111473A (zh) | 2021-07-13 |
CN113111473B true CN113111473B (zh) | 2022-05-20 |
Family
ID=76720058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110450350.8A Active CN113111473B (zh) | 2021-04-25 | 2021-04-25 | 传输系统功率谱的优化方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111473B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865679A (zh) * | 2021-09-22 | 2023-03-28 | 中兴通讯股份有限公司 | 网络管控方法及其系统、存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685949A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器健康预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101667031B1 (ko) * | 2009-11-02 | 2016-10-17 | 삼성전자 주식회사 | 로봇의 경로 계획 장치 및 그 방법 |
-
2021
- 2021-04-25 CN CN202110450350.8A patent/CN113111473B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685949A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器健康预测方法 |
Non-Patent Citations (2)
Title |
---|
基于变分自编码器的日线损率异常检测研究;张国芳等;《华东师范大学学报(自然科学版)》;20200925;全文 * |
基于物联网的矿山机械设备状态智能感知与诊断;丁恩杰等;《煤炭学报》;20200615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113111473A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pointurier | Machine learning techniques for quality of transmission estimation in optical networks | |
US10171161B1 (en) | Machine learning for link parameter identification in an optical communications system | |
CN110505020B (zh) | 基于迁移学习的光非线性均衡方法 | |
Samadi et al. | Quality of transmission prediction with machine learning for dynamic operation of optical WDM networks | |
US11133865B2 (en) | Optical network performance evaluation using a hybrid neural network | |
US11354593B2 (en) | Techniques to generate network simulation scenarios | |
CN111587545B (zh) | 分析光传输网络的系统和方法 | |
US20210175993A1 (en) | Method for Establishing Data Model and Apparatus | |
Ionescu | Machine learning for ultrawide bandwidth amplifier configuration | |
CN113111473B (zh) | 传输系统功率谱的优化方法、装置及电子设备 | |
Ayassi et al. | Survey on the use of machine learning for quality of transmission estimation in optical transport networks | |
CN102238060B (zh) | 一种路由选择方法和装置 | |
Yang et al. | Multi-channel multi-task optical performance monitoring based multi-input multi-output deep learning and transfer learning for SDM | |
Morette et al. | Machine learning enhancement of a digital twin for wavelength division multiplexing network performance prediction leveraging quality of transmission parameter refinement | |
Brusin et al. | Machine learning for power profiles prediction in presence of inter-channel stimulated Raman scattering | |
Montoya Alba et al. | Design of a flattening filter using Fiber Bragg Gratings for EDFA gain equalization: an artificial neural network application | |
Di Cicco et al. | Calibrated probabilistic QoT regression for unestablished lightpaths in optical networks | |
Jones et al. | Spectral power profile optimization of a field-deployed wavelength-division multiplexing network enabled by remote EDFA modeling | |
Esteves et al. | Deep learning for BER prediction in optical connections impaired by inter-core crosstalk | |
US10122443B2 (en) | Method for determining an optical transmission system description | |
EP3002893B1 (en) | A method for producing a quality of transmission estimator for optical transmissions | |
Ruiz Ramírez et al. | An autoencoder-based solution for IQ constellation analysis | |
Luo et al. | Crosstalk Tracing in Weakly-Coupled Short-Reach Mode-Division Multiplexing Optical Networks with Deep Learning | |
US20130253896A1 (en) | Optimizing optical network simulations | |
US20240129055A1 (en) | Method and system for optimizing optical power management over an optical communication network using a digital-twin thereof |
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 |