CN113177074B - 一种提升环境自适应性的光学性能监测系统及方法 - Google Patents

一种提升环境自适应性的光学性能监测系统及方法 Download PDF

Info

Publication number
CN113177074B
CN113177074B CN202110359510.8A CN202110359510A CN113177074B CN 113177074 B CN113177074 B CN 113177074B CN 202110359510 A CN202110359510 A CN 202110359510A CN 113177074 B CN113177074 B CN 113177074B
Authority
CN
China
Prior art keywords
data
neural network
network model
module
optical
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
CN202110359510.8A
Other languages
English (en)
Other versions
CN113177074A (zh
Inventor
王建萍
范潇杰
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202110359510.8A priority Critical patent/CN113177074B/zh
Publication of CN113177074A publication Critical patent/CN113177074A/zh
Application granted granted Critical
Publication of CN113177074B publication Critical patent/CN113177074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/258—Data format conversion from or to a database
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Abstract

本发明公开了一种提升环境自适应性的光学性能监测系统及方法，所述系统包括：数据生成模块，用于将光信号生成能够被神经网络模型处理的数据格式；数据变化感知模块，用于将最近预设时间段获取的数据分布与先前预设时间段获取的数据分布进行比对，判断光网络环境是否发生变化；迁移训练模块，用于当光网络环境发生变化时，从最新的光网络环境中采集数据重新训练神经网络模型；模型剪枝压缩模块，用于对新训练的神经网络模型进行剪枝操作；数据分析模块，用于根据新训练的神经网络模型对接收的数据进行处理，得到检测结果。本发明能够及时感知光网络环境的变化，并自适应调整监测神经网络模型，确保在复杂多变的光网络环境下得到准确的监测结果。

Description

一种提升环境自适应性的光学性能监测系统及方法
技术领域
本发明涉及光纤通信网络的光学性能监测技术领域，特别涉及一种提升环境自适应性的光学性能监测系统及方法。
背景技术
光纤通信网络是人类进行信息传递的骨干网络，因此借助光学性能监测设备对光纤通信网络的光学性能参数进行监控，对于维护并管理光网络的良好运行意义重大。然而，光纤通信网络不是一成不变的“死”系统，其是在不断发展与变化中的。比如：随着光网络运行时间的推移，光发射机会出现老化，光纤信道条件会出现改变，光性能监测设备的数据接收模块会出现变动，这些环境因素的改变都会造成监测所需的光信号的差异，使得光学性能监测的准确性出现恶化。目前的光学性能监测设备架构体系对于光网络环境的变动缺乏自适应能力，无法感知光网络环境的变动，且无法对变动做出及时的调整，这严重制约了光学性能监测的未来发展。
发明内容
本发明针对目前光学性能监测架构存在的缺乏环境自适应能力的缺陷，提供一种提升环境自适应性的光学性能监测系统及方法，通过新增设计包含数据变化感知模块、迁移训练模块以及模型剪枝压缩模块在内的新架构，使得光学性能监测系统具备环境自适应能力，确保在复杂多变的光网络环境下得到准确的监测结果。
为解决上述技术问题，本发明的实施例提供如下方案：
一方面，提供了一种提升环境自适应性的光学性能监测系统，包括数据生成模块和数据分析模块，所述系统还包括依次设置在所述数据生成模块和所述数据分析模块之间的数据变化感知模块、迁移训练模块和模型剪枝压缩模块；
其中，所述数据生成模块用于将光信号生成能够被神经网络模型处理的数据格式；
所述数据变化感知模块用于将最近预设时间段获取的数据分布与先前预设时间段获取的数据分布进行比对，判断光网络环境是否发生变化；
所述迁移训练模块用于当光网络环境发生变化时，从最新的光网络环境中采集数据重新训练神经网络模型；
所述模型剪枝压缩模块用于对新训练的神经网络模型进行剪枝操作；
所述数据分析模块用于根据新训练的神经网络模型对接收的数据进行处理，得到检测结果。
优选地，所述数据变化感知模块具体用于：
加载预先存储的原始数据集，获取原始数据集的数据分布；
将新采集数据集的数据分布与原始数据集的数据分布进行比对，判断两者的数据分布差异是否超过预设阈值；
若数据分布差异超过预设阈值，则认为光网络环境发生变化；若数据分布差异未超过预设阈值，则认为光网络环境未发生变化。
优选地，所述迁移训练模块具体用于：
当判断光网络环境发生变化后，加载原始的神经网络模型；
使用新采集数据集对神经网络模型进行训练；
判断训练轮数是否到达预设轮数；
若达到预设轮数，则完成训练，得到新训练的神经网络模型；否则，继续训练直至达到预设轮数。
优选地，所述模型剪枝压缩模块具体用于：
加载新训练的神经网络模型，标记不重要的神经元连接；
对不重要的神经元连接进行剔除；
重新对保留下来的神经元连接进行训练；
将重新训练后的神经网络模型部署到数据分析模块中。
一方面，提供了一种基于上述的提升环境自适应性的光学性能监测系统的光学性能监测方法，包括以下步骤：
数据生成模块将光信号生成能够被神经网络模型处理的数据格式；
数据变化感知模块将最近预设时间段获取的数据分布与先前预设时间段获取的数据分布进行比对，判断光网络环境是否发生变化；
迁移训练模块当光网络环境发生变化时，从最新的光网络环境中采集数据重新训练神经网络模型；
模型剪枝压缩模块对新训练的神经网络模型进行剪枝操作；
数据分析模块根据新训练的神经网络模型对接收的数据进行处理，得到检测结果。
优选地，所述数据变化感知模块将最近预设时间段获取的数据分布与先前预设时间段获取的数据分布进行比对，判断光网络环境是否发生变化的步骤具体包括：
加载预先存储的原始数据集，获取原始数据集的数据分布；
将新采集数据集的数据分布与原始数据集的数据分布进行比对，判断两者的数据分布差异是否超过预设阈值；
若数据分布差异超过预设阈值，则认为光网络环境发生变化；若数据分布差异未超过预设阈值，则认为光网络环境未发生变化。
优选地，所述迁移训练模块当光网络环境发生变化时，从最新的光网络环境中采集数据重新训练神经网络模型的步骤具体包括：
当判断光网络环境发生变化后，加载原始的神经网络模型；
使用新采集数据集对神经网络模型进行训练；
判断训练轮数是否到达预设轮数；
若达到预设轮数，则完成训练，得到新训练的神经网络模型；否则，继续训练直至达到预设轮数。
优选地，所述模型剪枝压缩模块对新训练的神经网络模型进行剪枝操作的步骤具体包括：
加载新训练的神经网络模型，标记不重要的神经元连接；
对不重要的神经元连接进行剔除；
重新对保留下来的神经元连接进行训练；
将重新训练后的神经网络模型部署到数据分析模块中。
本发明实施例提供的技术方案带来的有益效果至少包括：
本发明在原有监测架构的基础上新增设计了数据变化感知模块、迁移训练模块以及模型剪枝压缩模块，构成了提升监测系统环境自适应能力的新架构，能够及时感知光网络环境的变化，并自适应的调整监测神经网络模型，确保在复杂多变的光网络环境下得到准确的监测结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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附图。
图1是本发明实施例提供的一种提升环境自适应性的光学性能监测系统的结构示意图；
图2是本发明实施例的具体流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明的实施例首先提供了一种提升环境自适应性的光学性能监测系统，如图1所示，所述系统包括数据生成模块、数据分析模块，还包括依次设置在数据生成模块和数据分析模块之间的数据变化感知模块、迁移训练模块和模型剪枝压缩模块；
其中，数据生成模块用于将光信号生成能够被神经网络模型处理的数据格式；
数据变化感知模块用于将最近预设时间段获取的数据分布与先前预设时间段获取的数据分布进行比对，判断光网络环境是否发生变化；
迁移训练模块用于当光网络环境发生变化时，从最新的光网络环境中采集数据重新训练神经网络模型；
模型剪枝压缩模块用于对新训练的神经网络模型进行剪枝操作；
数据分析模块用于根据新训练的神经网络模型对接收的数据进行处理，得到检测结果。
在图1所示的框架图中，数据生成模块和数据分析模块是目前传统的光学监测设备原有的结构。光信号进入监测系统之后，首先被数据生成模块处理，得到能够被神经网络模型处理的合适的数据格式，随后完成处理的数据被送到数据分析模块，被其中的神经网络模型进行处理，得到最终的监测结果。然而，这样的传统监测框架无法感知光网络环境的变化，无法对环境变化作出自适应的调整。因此，在本发明的实施例中，在数据生成模块和数据分析模块之间增加设计了数据变化感知模块、迁移训练模块以及模型剪枝压缩模块，构成了新的监测架构，通过这种新的监测架构能够及时感知光网络环境变化，并自适应的调整监测神经网络模型，确保监测的准确率始终维持在一个高水平。
进一步地，数据变化感知模块具体用于：
加载预先存储的原始数据集，获取原始数据集的数据分布；
将新采集数据集的数据分布与原始数据集的数据分布进行比对，判断两者的数据分布差异是否超过预设阈值；
若数据分布差异超过预设阈值，则认为光网络环境发生变化；若数据分布差异未超过预设阈值，则认为光网络环境未发生变化。
本步骤中，在认定光网络环境已发生变化时，将进行后续的迁移训练模块以及模型剪枝压缩模块的工作；若认定光网络环境未发生变化，则无需启动自适应功能。
进一步地，迁移训练模块具体用于：
当判断光网络环境发生变化后，加载原始的神经网络模型；
使用新采集数据集对神经网络模型进行训练；
判断训练轮数是否到达预设轮数；
若达到预设轮数，则完成训练，得到新训练的神经网络模型；否则，继续训练直至达到预设轮数。
本步骤中，新采集数据集是指从最新的光网络环境中采集的数据集。
进一步地，模型剪枝压缩模块具体用于：
加载新训练的神经网络模型，标记不重要的神经元连接；
对不重要的神经元连接进行剔除；
重新对保留下来的神经元连接进行训练；
将重新训练后的神经网络模型部署到数据分析模块中。
本步骤中，在迁移训练模块完成新模型的训练之后，为了进一步降低新模型的神经网络参数数量，模型剪枝压缩模块会对新神经网络模型进行剪枝操作，以节省对监测设备资源的占用，提升计算速度。其中，所述不重要的神经元连接是指重要性小于预设标准的神经元连接。
具体地，上述三个新增模块：数据变化感知模块、迁移训练模块和模型剪枝压缩模块的具体工作流程如图2所示，主要包括以下步骤：
1.开始程序，进行程序的初始化设置。
2.实时采集数据生成模块产生的数据。
3.对采集得到的每份数据进行存储。
4.判断存储的数据数量是否达到一定的数量，比如N。若数据量不足N，则跳到步骤2；若数据量大于N，则继续向下一个步骤执行。
5.加载原始的数据集。
6.计算新采集数据集与原始数据集之间的数据分布差异数值。
7.判断数据分布差异是否大于预设阈值，比如M。若数据分布差异大于M，则继续向下一个步骤执行；若数据分布差异未超过M，则不进行神经网络模型的更新，终止本次自适应调整流程。
8.加载原始的神经网络模型。
9.使用从最新的光网络环境采集的数据集进行模型训练。
10.判断训练轮数是否达到预设轮数，比如T。若训练轮数大于或等于T，则终止训练，得到最新的神经网络模型；若训练轮数小于T，则跳到步骤9。
11.加载最新的神经网络模型。
12.对神经网络中不重要的神经元连接进行标记。
13.对标记好的神经元进行剔除操作。
14.重新使用新采集数据集对剔除完神经元的模型进行训练。
15.将完成训练的神经网络模型部署到数据分析模块中，完成模型的自适应调整工作，结束整个流程。
与现有技术中的监测设备缺乏对环境变化的感知相比，本发明提出的数据变化感知模块能够感知到光网络环境是否发生了变化，其是通过计算最新采集的数据集与原始数据集之间的数据分布差异来进行衡量的。其中，计算两个数据集之间数据分布差异可以通过计算KL距离来进行衡量。迁移训练模块在感知到光网络环境变化后，基于原始神经网络模型，利用新采集数据集对其进行迁移学习训练，对神经网络模型作出更新，使其获得对新光网络环境的适应能力。模型剪枝压缩模块在获得新神经网络模型的基础上，对其进行模型的剪枝操作，降低模型的参数量，减轻对监测设备资源的占用。
相应地，本发明的实施例还提供了一种基于上述的提升环境自适应性的光学性能监测系统的光学性能监测方法，所述方法包括以下步骤：
数据生成模块将光信号生成能够被神经网络模型处理的数据格式；
数据变化感知模块将最近预设时间段获取的数据分布与先前预设时间段获取的数据分布进行比对，判断光网络环境是否发生变化；
迁移训练模块当光网络环境发生变化时，从最新的光网络环境中采集数据重新训练神经网络模型；
模型剪枝压缩模块对新训练的神经网络模型进行剪枝操作；
数据分析模块根据新训练的神经网络模型对接收的数据进行处理，得到检测结果。
进一步地，所述数据变化感知模块将最近预设时间段获取的数据分布与先前预设时间段获取的数据分布进行比对，判断光网络环境是否发生变化的步骤具体包括：
加载预先存储的原始数据集，获取原始数据集的数据分布；
将新采集数据集的数据分布与原始数据集的数据分布进行比对，判断两者的数据分布差异是否超过预设阈值；
若数据分布差异超过预设阈值，则认为光网络环境发生变化；若数据分布差异未超过预设阈值，则认为光网络环境未发生变化。
进一步地，所述迁移训练模块当光网络环境发生变化时，从最新的光网络环境中采集数据重新训练神经网络模型的步骤具体包括：
当判断光网络环境发生变化后，加载原始的神经网络模型；
使用新采集数据集对神经网络模型进行训练；
判断训练轮数是否到达预设轮数；
若达到预设轮数，则完成训练，得到新训练的神经网络模型；否则，继续训练直至达到预设轮数。
进一步地，所述模型剪枝压缩模块对新训练的神经网络模型进行剪枝操作的步骤具体包括：
加载新训练的神经网络模型，标记不重要的神经元连接；
对不重要的神经元连接进行剔除；
重新对保留下来的神经元连接进行训练；
将重新训练后的神经网络模型部署到数据分析模块中。
综上所述，本发明方法能够及时感知光网络环境的变化，并自适应的调整监测神经网络模型，确保在复杂多变的光网络环境下得到准确的监测结果。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (6)

1.一种提升环境自适应性的光学性能监测系统，包括数据生成模块和数据分析模块，其特征在于，所述系统还包括依次设置在所述数据生成模块和所述数据分析模块之间的数据变化感知模块、迁移训练模块和模型剪枝压缩模块；
其中，所述数据生成模块用于将光信号生成能够被神经网络模型处理的数据格式；
所述数据变化感知模块用于将最近预设时间段获取的数据分布与先前预设时间段获取的数据分布进行比对，判断光网络环境是否发生变化；
所述迁移训练模块用于当光网络环境发生变化时，从最新的光网络环境中采集数据重新训练神经网络模型；
所述模型剪枝压缩模块用于对新训练的神经网络模型进行剪枝操作；
所述数据分析模块用于根据新训练的神经网络模型对接收的数据进行处理，得到检测结果；
其中，所述数据变化感知模块具体用于：
加载预先存储的原始数据集，获取原始数据集的数据分布；
将新采集数据集的数据分布与原始数据集的数据分布进行比对，判断两者的数据分布差异是否超过预设阈值；
若数据分布差异超过预设阈值，则认为光网络环境发生变化；若数据分布差异未超过预设阈值，则认为光网络环境未发生变化；
所述迁移训练模块具体用于：
当判断光网络环境发生变化后，加载原始的神经网络模型；
使用新采集数据集对神经网络模型进行训练；
判断训练轮数是否到达预设轮数；
若达到预设轮数，则完成训练，得到新训练的神经网络模型；否则，继续训练直至达到预设轮数。
2.根据权利要求1所述的光学性能监测系统，其特征在于，所述模型剪枝压缩模块具体用于：
加载新训练的神经网络模型，标记不重要的神经元连接；
对不重要的神经元连接进行剔除；
重新对保留下来的神经元连接进行训练；
将重新训练后的神经网络模型部署到数据分析模块中。
3.一种基于权利要求1-2中任一项所述的提升环境自适应性的光学性能监测系统的光学性能监测方法，其特征在于，包括以下步骤：
数据生成模块将光信号生成能够被神经网络模型处理的数据格式；
数据变化感知模块将最近预设时间段获取的数据分布与先前预设时间段获取的数据分布进行比对，判断光网络环境是否发生变化；
迁移训练模块当光网络环境发生变化时，从最新的光网络环境中采集数据重新训练神经网络模型；
模型剪枝压缩模块对新训练的神经网络模型进行剪枝操作；
数据分析模块根据新训练的神经网络模型对接收的数据进行处理，得到检测结果。
4.根据权利要求3所述的光学性能监测方法，其特征在于，所述数据变化感知模块将最近预设时间段获取的数据分布与先前预设时间段获取的数据分布进行比对，判断光网络环境是否发生变化的步骤具体包括：
加载预先存储的原始数据集，获取原始数据集的数据分布；
将新采集数据集的数据分布与原始数据集的数据分布进行比对，判断两者的数据分布差异是否超过预设阈值；
若数据分布差异超过预设阈值，则认为光网络环境发生变化；若数据分布差异未超过预设阈值，则认为光网络环境未发生变化。
5.根据权利要求3所述的光学性能监测方法，其特征在于，所述迁移训练模块当光网络环境发生变化时，从最新的光网络环境中采集数据重新训练神经网络模型的步骤具体包括：
当判断光网络环境发生变化后，加载原始的神经网络模型；
使用新采集数据集对神经网络模型进行训练；
判断训练轮数是否到达预设轮数；
若达到预设轮数，则完成训练，得到新训练的神经网络模型；否则，继续训练直至达到预设轮数。
6.根据权利要求3所述的光学性能监测方法，其特征在于，所述模型剪枝压缩模块对新训练的神经网络模型进行剪枝操作的步骤具体包括：
加载新训练的神经网络模型，标记不重要的神经元连接；
对不重要的神经元连接进行剔除；
重新对保留下来的神经元连接进行训练；
将重新训练后的神经网络模型部署到数据分析模块中。
CN202110359510.8A 2021-04-02 2021-04-02 一种提升环境自适应性的光学性能监测系统及方法 Active CN113177074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110359510.8A CN113177074B (zh) 2021-04-02 2021-04-02 一种提升环境自适应性的光学性能监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110359510.8A CN113177074B (zh) 2021-04-02 2021-04-02 一种提升环境自适应性的光学性能监测系统及方法

Publications (2)

Publication Number Publication Date
CN113177074A CN113177074A (zh) 2021-07-27
CN113177074B true CN113177074B (zh) 2023-09-29

Family

ID=76922759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110359510.8A Active CN113177074B (zh) 2021-04-02 2021-04-02 一种提升环境自适应性的光学性能监测系统及方法

Country Status (1)

Country Link
CN (1) CN113177074B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529701A (zh) * 2016-10-21 2017-03-22 国网吉林省电力有限公司信息通信公司 基于改进的萤火虫算法优化神经网络的光纤状态预测方法
CN109000876A (zh) * 2018-04-28 2018-12-14 南京航空航天大学 基于自动编码器深度学习的sns光纤冲击识别方法
CN109118689A (zh) * 2018-10-25 2019-01-01 北京航天控制仪器研究所 一种智能光纤周界入侵报警系统
CN110738251A (zh) * 2019-10-11 2020-01-31 Oppo广东移动通信有限公司 图像处理方法、图像处理装置、电子设备及存储介质
CN110798227A (zh) * 2019-09-19 2020-02-14 平安科技（深圳）有限公司 模型预测优化方法、装置、设备及可读存储介质
CN111814975A (zh) * 2020-07-09 2020-10-23 广东工业大学 一种基于剪枝的神经网络模型构建方法及相关装置
CN111832400A (zh) * 2020-06-04 2020-10-27 北京航空航天大学 一种基于概率神经网络的口罩佩戴情况的监测系统及方法
CN112041857A (zh) * 2018-03-27 2020-12-04 巴伊兰大学 光学神经网络单元以及光学神经网络配置
CN112539772A (zh) * 2020-11-02 2021-03-23 上海大学 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2413218C (en) * 2002-11-29 2015-01-27 Measurement Microsystems A-Z Inc. Flash optical performance monitor
US10009957B2 (en) * 2016-03-30 2018-06-26 The Markov Corporation Electronic oven with infrared evaluative control
CN110971295B (zh) * 2018-09-28 2023-01-17 富士通株式会社 光纤非线性噪声监测装置以及光接收机

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529701A (zh) * 2016-10-21 2017-03-22 国网吉林省电力有限公司信息通信公司 基于改进的萤火虫算法优化神经网络的光纤状态预测方法
CN112041857A (zh) * 2018-03-27 2020-12-04 巴伊兰大学 光学神经网络单元以及光学神经网络配置
CN109000876A (zh) * 2018-04-28 2018-12-14 南京航空航天大学 基于自动编码器深度学习的sns光纤冲击识别方法
CN109118689A (zh) * 2018-10-25 2019-01-01 北京航天控制仪器研究所 一种智能光纤周界入侵报警系统
CN110798227A (zh) * 2019-09-19 2020-02-14 平安科技（深圳）有限公司 模型预测优化方法、装置、设备及可读存储介质
CN110738251A (zh) * 2019-10-11 2020-01-31 Oppo广东移动通信有限公司 图像处理方法、图像处理装置、电子设备及存储介质
CN111832400A (zh) * 2020-06-04 2020-10-27 北京航空航天大学 一种基于概率神经网络的口罩佩戴情况的监测系统及方法
CN111814975A (zh) * 2020-07-09 2020-10-23 广东工业大学 一种基于剪枝的神经网络模型构建方法及相关装置
CN112539772A (zh) * 2020-11-02 2021-03-23 上海大学 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CNNPruner: Pruning Convolutional Neural Networks with Visual Analytics;Guan Li 等;《IEEE Transactions on Visualization and Computer Graphics》;第27卷(第2期);1364-1373 *
Improving the adaptability of the optical performance monitor by transfer learning;Xiaojie Fan 等;《Applied Optics》;第60卷(第16期);4827-4834 *
Nonlinear equalization based on pruned artificial neural networks for 112-Gb/s SSB-PAM4 transmission over 80-km SSMF;Zhiquan Wan 等;《Optics Express》;第26卷(第8期);10631-10642 *
基于卷积神经网络的光信号调制格式识别与OSNR联合监测技术研究;王梦媛;《中国优秀硕士学位论文全文数据库 信息科技辑》(第08(2019)期);I136-313 *
基于深度学习的光网络故障定位技术研究;王菲;《中国优秀硕士学位论文全文数据库 信息科技辑》(第08(2019)期);I136-310 *

Also Published As

Publication number Publication date
CN113177074A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
WO2019214309A1 (zh) 模型测试的方法及装置
CN111709465B (zh) 大坝安全监测数据粗差智能识别方法
CN111950812B (zh) 一种自动识别与预测雨量的方法及其装置
CN112581445A (zh) 一种输电线路螺栓的检测方法、装置、存储介质及电子设备
CN113177074B (zh) 一种提升环境自适应性的光学性能监测系统及方法
CN111738348B (zh) 一种电力数据异常检测方法和装置
CN111325708B (zh) 一种输电线路检测方法和服务器
CN112508946B (zh) 一种基于对抗神经网络的电缆隧道异常检测方法
CN112801072B (zh) 一种基于计算机视觉的电梯非平层开门故障识别装置及方法
CN109978962B (zh) 一种面向暗室照度计检定的低对比度示值图像智能识别方法
CN112363465B (zh) 一种专家规则集训练方法、训练器和工业设备预警系统
CN114399491A (zh) 人脸图像质量评估方法、装置以及计算机可读存储介质
CN112330512A (zh) 知识蒸馏学习模型的预测方法、系统、设备及存储介质
CN113420824A (zh) 针对工业视觉应用的预训练数据筛选及训练方法、系统
CN112686851A (zh) 一种图像检测方法、装置及存储介质
CN110084511B (zh) 一种无人机配型方法、装置、设备及可读存储介质
CN116563770B (zh) 车辆颜色的检测方法、装置及设备和介质
CN113570566B (zh) 一种产品外观缺陷发展性认知检测方法及相关装置
CN117935372A (zh) 一种应用于洗选煤系统的不安全行为识别方法及系统
CN116563631A (zh) 一种基于ai的仪表盘视觉识别方法、系统和存储介质
CN115829961A (zh) 一种石化生产装置故障预测和诊断方法以及系统
CN117406027A (zh) 一种配电网故障测距方法及其系统
CN117995404A (zh) 基于个性化健康监测的智能健康状态评价方法及系统
CN114444872A (zh) 采用人工智能算法进行司机驾驶行为分析的方法及系统
CN115795388A (zh) 冰箱故障标定方法及装置、介质、设备

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