CN113627621B - 一种面向光网络传输质量回归估计的主动学习方法 - Google Patents
一种面向光网络传输质量回归估计的主动学习方法 Download PDFInfo
- Publication number
- CN113627621B CN113627621B CN202110929778.0A CN202110929778A CN113627621B CN 113627621 B CN113627621 B CN 113627621B CN 202110929778 A CN202110929778 A CN 202110929778A CN 113627621 B CN113627621 B CN 113627621B
- Authority
- CN
- China
- Prior art keywords
- model
- estimation
- gsnr
- qot
- optical path
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000005540 biological transmission Effects 0.000 title claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000008447 perception Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 25
- 239000000243 solution Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种面向光网络传输质量回归估计的主动学习方法,基于预测不确定性感知构建信息量估计模型,通过预测模型对特定配置参数对应GSNR估计值的概率分布,计算信息熵以筛选信息量更大,更具代表性的样本,迭代地选择对GSNR的精确估计最有价值的样本扩展数据集,以尽可能少的样本表征更全面的数据集信息,提高模型的泛化性能。本发明的方法在可监测GSNR实例的光路数量受限的条件下,可以用尽可能少的训练样本实现更精确的QoT估计,有效提升了小样本条件下QoT估计模型的预测精度,降低了达到目标性能所需的光路实例,有效减少了光网络资源的浪费。
Description
技术领域
本发明涉及网络传输技术领域,尤其涉及一种面向光网络传输质量回归估计的主动学习方法。
背景技术
在现代光网络中,相干传输的广泛采用,为光路部署提供了大量更加灵活的配置参数,为了评估有效的光路配置方案以及优化光网络的设计和规划,进一步增加光网络的容量以及降低部署成本,在光路部署之前,快速准确地估计光路传输质量(Quality ofTransmission,QoT)的能力至关重要。
传统的光路传输质量估计方法主要包括复杂分析模型(例如分布傅里叶法)和近似模型(例如高斯噪声模型)。前者可以捕获不同的物理层损伤,准确性强但计算量大,不兼容实时预测难以扩展到大型网络拓扑和动态的网络操作;后者尽管计算速度快但其准确率较低,需要保守地设置余量来弥补预测的不确定性,资源利用率低。
为了克服上述缺陷,机器学习被提出作为QoT估计的替代方法,辅助光网络有效优化设计和规划。目前绝大多数基于ML的定量估计工具采用离线监督学习,它通过在已部署光路现场测量采集历史数据(例如广义光信噪比GSNR、误码率BER等)训练数据集,来估计未建立光路的传输质量。
然而在实际部署网络中,特别是网络部署的早期阶段,训练样本数量受到很多实际因素的限制,例如在某些节点上缺少性能监视器,或者在网络处于早期部署阶段时缺少可供监测的光路,导致数据集中仅有局部网络的少量数据。局部小样本数据造成的分布偏移会使得模型学到的知识出现偏差,损坏模型的泛化性能,从而引起预测模型的准确性降低。
因此,如何补全完整的数据集是提升预测模型可靠性的关键。通常情况下,获得被监控光路的数据会引入额外的成本,导致资源的浪费,例如建立探测光路需要占用专用的传输设备和光谱资源。因此,如何通过尽可能少的标注样本获取更全面的数据集信息,提高模型的泛化性能,实现精准的QoT估计是亟待解决的问题。
发明内容
本发明针对上述技术问题,提供一种面向光网络传输质量回归估计的主动学习方法,以QoT回归估计为出发点,在特征空间中探索信息量最大的实例扩展数据集,提高回归模型对QoT的预测精度,以提升网络运营商的资源与成本效益。
为了实现上述目的,本发明提供如下技术方案:
本发明提供一种面向光网络传输质量回归估计的主动学习方法,包括以下步骤:
步骤1、采集QoT相关数据;
步骤2、根据当前网络可配置的光路特征参数,建立未标记样本池U;
步骤3、基于已有已标注数据建立训练集T;
步骤4、以MSE为目标函数,基于步骤3中训练集对模型进行训练,得到QoT估计模型M;
步骤5、验证QoT估计模型M是否达到目标精度,如果达到即获得最终QoT估计模型,否则进入步骤6;
步骤6、以NLL为目标函数训练模型得到预测不确定性感知模型A;
步骤7、利用预测不确定性感知模型A感知未标记样本池U中样本的预测不确定性,输出预测概率分布DT;
步骤8、计算预测概率分布DT的信息熵,筛选信息量最大的光路配置参数MP;
步骤9、根据信息量最大的光路配置参数MP部署对应探测光路,测量信息量最大的光路配置参数MP下真实的GNSR值;
步骤10、将信息量最大的光路配置参数MP和相应的GSNR值添加进训练集T,返回步骤3进行再训练,循环上述操作直到模型达到目标的预测精度,即停止循环,获取最终的QoT估计模型。
其中,步骤4中QoT估计模型采用人工神经网络架构,以光路总长度、最大链路长度、传输功率、光路经过的链路数和跳数五个特征表征的光路信息作为模型输入,预测未建立光路的GSNR。
QoT估计模型的预测方法为:将模型输出的预测结果看作一个随机变量,假设该变量服从概率分布PGSNR(x),模型对GSNR的估计值为分布PGSNR(x)的一个采样点,通过计算PGSNR(x)的信息熵,感知某种配置参数下模型预测的不确定性,衡量该样本信息量的大小。
所述概率分布PGSNR(x)服从高斯分布N~(μ,σ),将神经网络的最后一层改为输出两个值,分别对应该分布的均值μ和方差σ2,通过计算输出高斯分布的熵H,评估样本的信息量,高斯分布信息熵计算公式如式(1)所示:
步骤6中以NLL为目标函数的计算公式如式(2)所示:
其中,假设QoT数据集D包括N个样本,x表示用来表征光路的5个特征,即光路总长度,最大链路长度,传输功率,光路经过的链路数和跳数,y表示在实际网络中对该光路GSNR的测量值。模型输出的概率分布为pθ(y|x)其中θ表示神经网络的参数,μθ(x),/>分别表示上述概率分布的均值和方差,constant表示在公式末尾添加一个常量。
步骤3中的训练集采用集成学习模型,将多个基本模型组成一个均匀加权的混合模型,其输出混合成一个高斯分布。
集成学习模型的构建流程为:每次迭代对小样本训练集进行随机拆分成n个子集,每次训练从n个子集中随机抽取m个子集进行训练,训练k次生成k个参数不同的人工神经网络模型,每个人工神经网络模型输出均服从N~(μ,σ),k个模型的k个输出混合为高斯分布N~(μ,σ)。
与现有技术相比,本发明的有益效果为:
本发明提供的面向光网络传输质量回归估计的主动学习方法,基于预测不确定性感知构建信息量估计模型,通过预测模型对特定配置参数对应GSNR估计值的概率分布,计算信息熵以筛选信息量更大,更具代表性的样本,迭代地选择对GSNR的精确估计最有价值的样本扩展数据集,以尽可能少的样本表征更全面的数据集信息,提高模型的泛化性能。
本发明的方法在可监测GSNR实例的光路数量受限的条件下,可以用尽可能少的训练样本实现更精确的QoT估计,有效提升了小样本条件下QoT估计模型的预测精度,降低了达到目标性能所需的光路实例,有效减少了光网络资源的浪费。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的面向光网络传输质量回归估计的主动学习方法的流程图。
图2为本发明实施例提供的集成学习模型结构图。
具体实施方式
为了更好地理解本技术方案,下面结合附图对本发明的方法做详细的说明。
本发明提供一种面向光网络传输质量回归估计的主动学习方法,流程图如图1所示,包括以下步骤:
步骤1、基于可监控/被监控光路采集QoT相关数据;
步骤2、根据当前网络可配置的光路特征参数,建立未标记样本池U;
步骤3、基于已有已标注数据建立训练集T;
步骤4、以MSE为目标函数,基于步骤3中训练集对模型进行训练,得到QoT估计模型M;
步骤5、验证QoT估计模型M是否达到目标精度,如果达到即获得最终QoT估计模型,否则进入步骤6;
步骤6、以NLL为目标函数训练模型得到预测不确定性感知模型A;
步骤7、利用预测不确定性感知模型A感知未标记样本池U中样本的预测不确定性,输出预测概率分布DT;
步骤8、计算预测概率分布DT的信息熵,筛选信息量最大的光路配置参数MP;
步骤9、根据信息量最大的光路配置参数MP部署对应探测光路,测量信息量最大的光路配置参数MP下真实的GNSR值;
步骤10、将信息量最大的光路配置参数MP和相应的GSNR值添加进训练集T,返回步骤3进行再训练,循环上述操作直到模型达到目标的预测精度,即停止循环,获取最终的QoT估计模型。
本发明首先通过对样本预测结果不确定性进行分析,构建样本的信息量估计模型,在此基础上提出面向QoT回归估计的主动学习策略。该策略通过预测模型对特定配置参数对应的QoT估计值的概率分布,通过计算信息熵筛选信息量更大、更具代表性的QoT实例拓展数据集,进而提高模型的泛化性能,提高QoT估计的准确性。
其中,关于QoT估计模型:
预测不确定性表征了模型预测的随机性,随机性越大,预测失败的概率越高,预测的不确定性越大,信息量就越大。本发明提出的QoT估计模型采用人工神经网络架构,以最大链路长度、跨度数、跳数、光路总长、功率五个特征表征的光路信息作为模型输入,预测未建立光路的GSNR。
对于传统的QoT回归估计来说,模型的输出是一个GSNR的确定值,但确定值无法体现样本的预测不确定性。而本发明将模型输出的预测结果看作一个随机变量,假设该变量服从一个概率分布PGSNR(x),即模型对真实值的预测值的概率分布,模型对GSNR的估计值为分布PGSNR(x)的一个采样点,通过计算PGSNR(x)的信息熵,感知某种配置参数下模型预测的不确定性,衡量该样本信息量的大小。
本发明假设PGSNR(x)服从高斯分布N~(μ,σ),将神经网络的最后一层改为输出两个值,分别对应该分布的均值μ和方差σ2,通过计算输出高斯分布的熵,评估样本的信息量,高斯分布信息熵计算公式如式1所示:
关于目标函数:
对于回归问题,人工神经网络(ANN)通常输出一个μ(x)值,通过最小均方误差MSE作为目标函数进行优化。但由于所提出的模型输出为一个分布,MSE无法评价输出的预测分布是否准确,因此本发明通过检查校准,对模型输出的预测分布进行评价,它可以衡量主观预测和(经验)长期频率之间的差异,如果一个模型预测正确的概率是90%,那么在评估任务中就应该有90%的任务估计正确的概率是90%。
在本发明中,校准的质量通过对数似然函数进行评价,本发明采用负对数似然(Negative log-likelihood,NLL)作为目标函数(如式2)对模型进行优化。
为了校准预测分布和真实分布,假定GSNR服从数据分布PGSNR(x),我们首先假设该分布服从高斯分布N~(μ,σ),由均值μ和方差σ2决定,模型通过采集GSNR的真实值,计算样本的负对数似然函数,求得能够使该高斯分布尽可能接近真实分布PGSNR(x)的μ和σ。
关于训练集:
为了获得更加准确地感知预测不确定性,感知样本信息量的大小,本发明采用集成学习的思想,将多个上述基本模型组成一个均匀加权的混合模型,其输出混合成一个高斯分布。
本发明所采用完整的集成学习模型结构如图2所示。由于初始样本集数据量少,本发明通过随机初始化模型参数,随机选择数据子集的方法为模型注入随机性,基于相同模型结果得到多个参数不同的模型,流程如下:
1)每次迭代对小样本训练集进行随机拆分成n个子集。
2)每次训练从n个子集中随机抽取m个子集进行训练,训练k次生成k个参数不同的ANN模型。
3)每个ANN模型输出均服从N~(μ,σ),k个模型的k个输出混合为高斯分布N~(μ,σ)。
关于主动学习方法,其具体步骤为:
1)基于已有初始小样本训练集以NLL作为目标函数,对深度集成模型进行初始训练,构建信息量估计模型。
2)基于网络中可配置的光路特征参数建立未标注样本池,利用1)中模型感知样本池中数据的预测不确定性,通过预测模型对特定配置参数对应的QoT估计值的概率分布并计算其信息熵,探索信息量最大的样本配置参数,部署相应探测光路,测量该配置参数下真实GSNR值。
3)将新获取的实例添加进训练集进行再训练,更新模型的参数。
4)以MSE作为目标函数和预测精度评价指标,采用新训练集对上述集成学习模型进行训练,预测未建立光路的GSNR值,计算最终MSE。循环上述操作直到模型达到目标的预测精度,即停止循环,获取最终的QoT估计模型。
与现有的面向分类的传输质量主动学习策略相比,本发明提出的面向QoT回归估计的主动学习方法,基于预测不确定性感知构建信息量估计模型,通过预测模型对特定配置参数对应GSNR估计值的概率分布,计算信息熵以筛选信息量更大,更具代表性的样本,迭代地选择对GSNR的精确估计最有价值的样本扩展数据集,以尽可能少的样本表征更全面的数据集信息,提高模型的泛化性能。
本发明的方法在可监测GSNR实例的光路数量受限的条件下,可以用尽可能少的训练样本实现更精确的QoT估计,有效提升了小样本条件下QoT估计模型的预测精度,降低了达到目标性能所需的光路实例,有效减少了光网络资源的浪费。
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,但这些修改或者替换,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 (3)
1.一种面向光网络传输质量回归估计的主动学习方法,其特征在于,包括以下步骤:
步骤1、采集QoT相关数据;
步骤2、根据当前网络可配置的光路特征参数,建立未标记样本池;
步骤3、基于已有已标注数据建立训练集;
步骤4、以MSE为目标函数,基于步骤3中训练集对模型进行训练,得到QoT估计模型;QoT估计模型采用人工神经网络架构,以光路总长度、最大链路长度、传输功率、光路经过的链路数和跳数五个特征表征的光路信息作为模型输入,预测未建立光路的GSNR;QoT估计模型的预测方法为:将模型输出的预测结果看作一个随机变量,假设该变量服从概率分布PGSNR(x),模型对GSNR的估计值为分布PGSNR(x)的一个采样点,通过计算PGSNR(x)的信息熵,感知某种配置参数下模型预测的不确定性,衡量该样本信息量的大小;分布PGSNR(x)服从高斯分布N~(μ,σ),将神经网络的最后一层改为输出两个值,分别对应该分布的均值μ和方差σ2,通过计算输出高斯分布的熵H,评估样本的信息量,高斯分布信息熵计算公式如式(1)所示:
步骤5、验证QoT估计模型是否达到目标精度,如果达到即获得最终QoT估计模型,否则进入步骤6;
步骤6、以NLL为目标函数训练模型得到预测不确定性感知模型;以NLL为目标函数的计算公式如式(2)所示:
其中,假设QoT数据集D包括N个样本,x表示用来表征光路的5个特征,即光路总长度,最大链路长度,传输功率,光路经过的链路数和跳数,y表示在实际网络中对该光路GSNR的测量值;模型输出的概率分布为pθ(y|x)其中θ表示神经网络的参数,πθ(x),/>分别表示上述概率分布的均值和方差,constant表示在公式末尾添加一个常量;
步骤7、利用预测不确定性感知模型感知未标记样本池中样本的预测不确定性,输出预测概率分布;
步骤8、计算预测概率分布的信息熵,筛选信息量最大的光路配置参数;
步骤9、根据信息量最大的光路配置参数部署对应探测光路,测量信息量最大的光路配置参数下真实的GNSR值;
步骤10、将信息量最大的光路配置参数和相应的GSNR值添加进训练集,返回步骤3进行再训练,循环步骤3~9直到模型达到目标的预测精度,即停止循环,获取最终的QoT估计模型。
2.根据权利要求1所述的面向光网络传输质量回归估计的主动学习方法,其特征在于,步骤3中的训练集采用集成学习模型,将多个基本模型组成一个均匀加权的混合模型,其输出混合成一个高斯分布。
3.根据权利要求2所述的面向光网络传输质量回归估计的主动学习方法,其特征在于,集成学习模型的构建流程为:每次迭代对小样本训练集进行随机拆分成n个子集,每次训练从n个子集中随机抽取m个子集进行训练,训练k次生成k个参数不同的人工神经网络模型,每个人工神经网络模型输出均服从N~(μ,σ),k个模型的k个输出混合为高斯分布N~(μ,σ)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110929778.0A CN113627621B (zh) | 2021-08-13 | 2021-08-13 | 一种面向光网络传输质量回归估计的主动学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110929778.0A CN113627621B (zh) | 2021-08-13 | 2021-08-13 | 一种面向光网络传输质量回归估计的主动学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627621A CN113627621A (zh) | 2021-11-09 |
CN113627621B true CN113627621B (zh) | 2024-03-22 |
Family
ID=78385264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110929778.0A Active CN113627621B (zh) | 2021-08-13 | 2021-08-13 | 一种面向光网络传输质量回归估计的主动学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627621B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708550B (zh) * | 2024-02-05 | 2024-07-02 | 国网山东省电力公司电力科学研究院 | 一种电力大数据自动化数据分析及模型构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110601826A (zh) * | 2019-09-06 | 2019-12-20 | 北京邮电大学 | 一种基于机器学习的动态dwdm-qkd网络中的自适应信道分配方法 |
WO2020040011A1 (ja) * | 2018-08-24 | 2020-02-27 | 日本電信電話株式会社 | Osnrスペクトル推定装置、osnrスペクトル推定方法およびプログラム |
CN112270058A (zh) * | 2020-09-28 | 2021-01-26 | 华北理工大学 | 一种基于回声状态网络的光网络多信道传输质量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10887009B2 (en) * | 2018-10-08 | 2021-01-05 | Nec Corporation | G-OSNR estimation on dynamic PS-QAM channels using hybrid neural networks |
-
2021
- 2021-08-13 CN CN202110929778.0A patent/CN113627621B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020040011A1 (ja) * | 2018-08-24 | 2020-02-27 | 日本電信電話株式会社 | Osnrスペクトル推定装置、osnrスペクトル推定方法およびプログラム |
CN110601826A (zh) * | 2019-09-06 | 2019-12-20 | 北京邮电大学 | 一种基于机器学习的动态dwdm-qkd网络中的自适应信道分配方法 |
CN112270058A (zh) * | 2020-09-28 | 2021-01-26 | 华北理工大学 | 一种基于回声状态网络的光网络多信道传输质量预测方法 |
Non-Patent Citations (1)
Title |
---|
基于集成学习的广域光骨干网多信道传输质量预测方法;孙晓川;李志刚;张明辉;桂冠;;通信学报(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627621A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN115657617A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
KR101463425B1 (ko) | 시계열 예측 모델을 이용한 이상관측자료 탐지 방법 및 지하수위의 이상관측자료 탐지 방법 | |
CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
CN113888353A (zh) | 分布式光伏发电设备的能效诊断方法、系统及介质 | |
KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
Krishnaswamy et al. | Data-driven learning to predict wan network traffic | |
CN113484813B (zh) | 多环境应力下的智能电表故障率预估方法及系统 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
CN113627621B (zh) | 一种面向光网络传输质量回归估计的主动学习方法 | |
CN114091600B (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
Khan et al. | AI based real-time signal reconstruction for wind farm with SCADA sensor failure | |
CN110210641A (zh) | 用于风电场的风向预测方法及装置 | |
CN117674993B (zh) | 光纤网络的运行状态检测系统及方法 | |
Qian et al. | State of health estimation of lithium-ion battery using energy accumulation-based feature extraction and improved relevance vector regression | |
CN114462688A (zh) | 一种基于lstm模型和动态阈值确定算法的爆管检测方法 | |
CN116307269B (zh) | 一种基于人工智能的光伏发电功率预测方法及装置 | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN117391463A (zh) | 一种河流污染的溯源方法 | |
Aman et al. | Influence-driven model for time series prediction from partial observations | |
CN114386603B (zh) | 基于时序因果网络的火电厂发电机故障预警方法 | |
CN115511159A (zh) | 一种基于贝叶斯神经网络的快速路事件检测方法和装置 |
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 |