CN113746539B - Gpon光链路保护倒换方法及系统 - Google Patents

Gpon光链路保护倒换方法及系统 Download PDF

Info

Publication number
CN113746539B
CN113746539B CN202110871766.7A CN202110871766A CN113746539B CN 113746539 B CN113746539 B CN 113746539B CN 202110871766 A CN202110871766 A CN 202110871766A CN 113746539 B CN113746539 B CN 113746539B
Authority
CN
China
Prior art keywords
feature map
node
optical link
signal
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
CN202110871766.7A
Other languages
English (en)
Other versions
CN113746539A (zh
Inventor
赵家伟
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.)
Shenzhen Yilianxinyun Technology Co ltd
Original Assignee
Shenzhen Yilianxinyun Technology Co ltd
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 Shenzhen Yilianxinyun Technology Co ltd filed Critical Shenzhen Yilianxinyun Technology Co ltd
Priority to CN202110871766.7A priority Critical patent/CN113746539B/zh
Publication of CN113746539A publication Critical patent/CN113746539A/zh
Application granted granted Critical
Publication of CN113746539B publication Critical patent/CN113746539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/03—Arrangements for fault recovery
    • H04B10/032—Arrangements for fault recovery using working and protection systems
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/03—Arrangements for fault recovery
    • H04B10/038—Arrangements for fault recovery using bypasses
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H04Q11/0067—Provisions for optical access or distribution networks, e.g. Gigabit Ethernet Passive Optical Network (GE-PON), ATM-based Passive Optical Network (A-PON), PON-Ring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H04Q2011/0079—Operation or maintenance aspects
    • H04Q2011/0081—Fault tolerance; Redundancy; Recovery; Reconfigurability

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Electromagnetism (AREA)
  • Pure & Applied Mathematics (AREA)
  • Signal Processing (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Optical Communication System (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

公开了一种GPON光链路保护倒换方法及系统，其对GPON光网络系统进行拓扑结构数据化，并将各个网络节点的网络流量数据和每个节点的信号模型值融入到所述拓扑结构数据中，并以深度神经网络对所述拓扑结构数据进行回归分析以相对更为准确地确定应采用的故障保护方案类型。

Description

GPON光链路保护倒换方法及系统
技术领域
本申请涉及深度学习和神经网络领域，且更为具体地，涉及一种GPON光链路保护倒换方法及系统。
背景技术
目前，GPON(千兆无源光网络)因其具有的具有高带宽，高效率，大覆盖范围，用户接口丰富等众多优点被运营商广泛应用，在必须保证网络的稳定性和安全性的条件下，GPON光链路保护就越发重要。
GPON的光链路保护倒换方法主要有A、B、C、D四类保护方案，其中A类保护类型仅适用于同一PON板内的PON口间保护，目前很少使用，而原来用于高端用户的D类保护随着用户需求增多而更多地使用。
虽然D类保护会更为广泛地应用，但在一些故障类型中，采用D类保护方案显得过于浪费资源影响防护效率。并且，针对特定的故障来采用特定的保护方案是接下来的发展需求，这样才能做到故障保护有针对性。
因此，期望一种优化的GPON光链路保护倒换方法和系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种GPON光链路保护倒换方法及系统，其对GPON光网络系统进行拓扑结构数据化，并将各个网络节点的网络流量数据和每个节点的信号模型值融入到所述拓扑结构数据中，并以深度神经网络对所述拓扑结构数据进行回归分析以相对更为准确地确定应采用的故障保护方案类型。
根据本申请的一个方面，提供了一种GPON光链路保护倒换方法，其包括：
构建拓扑结构来表示光网络系统，其中，所述拓扑结构中的节点表示所述光网络系统中的光链路终端或光网络单元，所述拓扑结构中的边表示所述光链路终端与光网络单元之间的关系，当所述光链路终端与所述光网络单元之间具有连接关系时，该边被设置为1，当所述光链路终端与所述光网络单元之间不具有连接关系时，该边被设置为0；
将所述拓扑结构转化为二维的数据表，以获得第一数值矩阵，其中，所述第一数值矩阵的行和列对应于所述拓扑结构的节点，所述第一数值矩阵中各个位置的值被设置为0或1；
获取各个节点的网络流量数据并将所述各个节点的网络流量数据按照与所述第一数值矩阵中各个节点之间相同的排列关系排列为流量向量；
以所述流量向量乘以其自身的转置以获得第二数值矩阵；
将所述第一数值矩阵和所述第二数值矩阵分别输入卷积神经网络以获得对应于所述第一数值矩阵的第一特征图和对应于所述第二数值矩阵的第二特征图；
将所述第二特征图以激活函数转化为概率特征图以获得第三特征图；
获取各个节点的信号模型值，其中，所述信号模型值基于各个节点的接收信号强度、信号包括变化函数、信号中心频率、时间长度、信号初始相位、该节点为起始点的距离、信号波长以及光链路终端和光网络单元相对于预定义的基准方向的角度生成；
以所述各个节点的信号模型值按照所述第三特征图中的节点维度对所述第三特征图进行加权以获得第四特征图；
将所述第一特征图与所述第四特征图相乘以获得分类特征图；以及
将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示采用哪个保护类型。
在上述GPON光链路保护倒换方法中，将所述第二特征图以激活函数转化为概率特征图以获得第三特征图，包括：将所述第二特征图输入Sigmoid激活函数进行激活以将所述第二特征图中各个位置的特征值转化到0到1的区间内，以获得所述第三特征图。
在上述GPON光链路保护倒换方法中，获取各个节点的信号模型值，包括：以如下公式获取各个节点的信号模型值，所述公式为：
Figure BDA0003189428850000021
其中Ai表示接收信号强度，s(t)表示信号包络变化函数，f为信号中心频率，t为时间长度，φ0表示信号初始相位，R表示与起始点的距离，
Figure BDA0003189428850000022
表示光链路终端和光网络单元相对于预定义的基准方向的角度，λ表示信号波长，j为可调整的加权因数，以将xi(t)整体的值调整到[0,1]区间内。
在上述GPON光链路保护倒换方法中，以所述各个节点的信号模型值按照所述第三特征图中的节点维度对所述第三特征图进行加权以获得第四特征图，包括：对所述各个节点的信号模型值对所述第三特征图的对应节点维度上的特征矩阵进行加权以获得第四特征图
在上述GPON光链路保护倒换方法中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示采用哪个保护类型，包括：将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在上述GPON光链路保护倒换方法中，所述卷积神经网络为深度残差网络。
根据本申请的另一方面，提供了一种GPON光链路保护倒换系统，包括：
拓扑结构构建单元，用于构建拓扑结构来表示光网络系统，其中，所述拓扑结构中的节点表示所述光网络系统中的光链路终端或光网络单元，所述拓扑结构中的边表示所述光链路终端与光网络单元之间的关系，当所述光链路终端与所述光网络单元之间具有连接关系时，该边被设置为1，当所述光链路终端与所述光网络单元之间不具有连接关系时，该边被设置为0；
第一数值矩阵生成单元，用于将所述拓扑结构转化为二维的数据表，以获得第一数值矩阵，其中，所述第一数值矩阵的行和列对应于所述拓扑结构的节点，所述第一数值矩阵中各个位置的值被设置为0或1；
流量向量生成单元，用于获取各个节点的网络流量数据并将所述各个节点的网络流量数据按照与所述第一数值矩阵中各个节点之间相同的排列关系排列为流量向量；
第二数值矩阵生成单元，用于以所述流量向量乘以其自身的转置以获得第二数值矩阵；
第一特征图生成单元，用于将所述第一数值矩阵输入卷积神经网络以获得对应于所述第一数值矩阵的第一特征图；
第二特征图生成单元，用于将所述第二数值矩阵输入卷积神经网络以获得对应于所述第二数值矩阵的第二特征图；
第三特征图生成单元，用于将所述第二特征图以激活函数转化为概率特征图以获得第三特征图；
信号模型值获取单元，用于获取各个节点的信号模型值，其中，所述信号模型值基于各个节点的接收信号强度、信号包括变化函数、信号中心频率、时间长度、信号初始相位、该节点为起始点的距离、信号波长以及光链路终端和光网络单元相对于预定义的基准方向的角度生成；
第四特征图生成单元，用于以所述各个节点的信号模型值按照所述第三特征图中的节点维度对所述第三特征图进行加权以获得第四特征图；
分类特征图生成单元，用于将所述第一特征图与所述第四特征图相乘以获得分类特征图；以及
分类结果生成单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示采用哪个保护类型。
在上述基于GPON光链路保护倒换系统中，所述第三特征图生成单元进一步用于，将所述第二特征图输入Sigmoid激活函数进行激活以将所述第二特征图中各个位置的特征值转化到0到1的区间内，以获得所述第三特征图。
在上述基于GPON光链路保护倒换系统中，所述信号模型值获取单元进一步用于，以如下公式获取各个节点的信号模型值，所述公式为：
Figure BDA0003189428850000041
其中Ai表示接收信号强度，s(t)表示信号包络变化函数，f为信号中心频率，t为时间长度，φ0表示信号初始相位，R表示与起始点的距离，
Figure BDA0003189428850000042
表示光链路终端和光网络单元相对于预定义的基准方向的角度，λ表示信号波长，j为可调整的加权因数，以将xi(t)整体的值调整到[0,1]区间内。
在上述基于GPON光链路保护倒换系统中，所述第四特征图生成单元进一步用于，对所述各个节点的信号模型值对所述第三特征图的对应节点维度上的特征矩阵进行加权以获得第四特征图。
在上述基于GPON光链路保护倒换系统中，所述分类结果生成单元进一步用于，将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在上述基于GPON光链路保护倒换系统中，所述卷积神经网络为深度残差网络。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的GPON光链路保护倒换方法。
根据本申请提供的GPON光链路保护倒换方法及系统，其对GPON光网络系统进行拓扑结构数据化，并将各个网络节点的网络流量数据和每个节点的信号模型值融入到所述拓扑结构数据中，并以深度神经网络对所述拓扑结构数据进行回归分析以相对更为准确地确定应采用的故障保护方案类型。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的GPON光链路保护倒换方法的应用场景图。
图2为根据本申请实施例的GPON光链路保护倒换方法的流程图。
图3为根据本申请实施例的GPON光链路保护倒换方法的架构示意图。
图4为根据本申请实施例的GPON光链路保护倒换方法中，将分类特征图通过分类器以获得分类结果的流程图。
图5为根据本申请实施例的GPON光链路保护倒换系统的框图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
目前，GPON(千兆无源光网络)的光链路保护倒换方法主要有A、B、C、D四类保护方案，其中A类保护类型仅适用于同一PON板内的PON口间保护，目前很少使用，但是原来用于高端用户的D类保护随着用户需求增多而更多地使用，因此，目前的主流保护方案为B类、C类和D类。这样，如何基于GPON网络来确定适当的保护类型就是需要考虑的问题。
本申请的申请人发现，在确定适当的保护类型时，除了成本考虑以外，主要涉及到的是网络拓扑以及故障预测，也就是，如果能够确定基于网络拓扑的故障预测数据，那么将可以通过例如逻辑回归等方法来确定应用的保护类型。
因此，在本申请的技术方案中，首先将OLT(光链路终端)和ONU(光网络单元)之间的拓扑结构数据化，应用图结构方面的知识，以节点之间是否具有连接的边来建立两个节点之间的关系，即如果具有连接的边，则两个节点之间以1表示，而如果没有连接的边，则两个节点之间以0表示，从而将拓扑结构转换为一张二维的数据表，即，第一数值矩阵，其中矩阵的行和列都对应于网络节点，而各个位置的值为0或者1。并且，可以理解，该数值矩阵为沿对角线对称的矩阵，且对角线的位置的值表示节点与自身的关系，这里也设置为1。
另外，为了进行故障预测，需要获取各个节点的网络流量数据，因此，为了与如上所述的用于表示拓扑结构的第一数值矩阵对应，将各个节点的流量数据按照与上述节点之间相同的排列关系排列为向量，并以该向量乘以自身的转置以获得第二数值矩阵。并且，为了挖掘数据之间的深层次关联，即高维关联特征，将第一数值矩阵和第二数值矩阵分别输入相同结构的卷积神经网络以获得第一特征图和第二特征图，并将第二特征图以激活函数转换为概率特征图以获得第三特征图。
并且，为了将用于表示流量的第三特征图与用于表示网络拓扑的第一特征图结合，还需要将信号拓扑关系并入到第三特征图中。具体地，对于每个节点采集其一段时间内的信号，并构建信号模型为：
Figure BDA0003189428850000061
其中Ai表示接收信号强度，s(t)表示信号包络变化函数，f为信号中心频率，t为时间长度，φ0表示信号初始相位，R表示与起始点的距离，即ONU与OLT之间的距离(对于OLT自身来说，该值为0)，
Figure BDA0003189428850000062
表示ONU与OLT相对于预定义的基准方向的角度，λ表示信号波长。另外，j为可调整的加权因数，以将xi(t)整体的值调整到[0,1]区间内。
这样，可以获得每个节点的信号模型值xi(t)，以表示信号拓扑关系，并以此按照第三特征图中的节点维度对第三特征图以获得第四特征图。然后，将第一特征图与第四特征图相乘以将两者结合从而获得分类特征图，并通过分类器以获得表示采用哪个保护类型的分类结果。
图1图示了根据本申请实施例的GPON光链路保护倒换方法的应用场景图。
如图1所示，在该应用场景中，通过传感器(例如，如图1中所示意的D)来获取光网络系统中各个节点的流量值和各个节点的信号模型值，并将所述各个节点的流量值和各个节点的信号模型值输入到部署有GPON光链路保护倒换算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够基于GPON光链路保护倒换算法对所述流量值和所述模型值进行处理，以生成用于表示采用哪个保护类型的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的GPON光链路保护倒换方法的流程图。如图2所示，根据本申请实施例的所述GPON光链路保护倒换方法，包括：S110，构建拓扑结构来表示光网络系统，其中，所述拓扑结构中的节点表示所述光网络系统中的光链路终端或光网络单元，所述拓扑结构中的边表示所述光链路终端与光网络单元之间的关系，当所述光链路终端与所述光网络单元之间具有连接关系时，该边被设置为1，当所述光链路终端与所述光网络单元之间不具有连接关系时，该边被设置为0；S120，将所述拓扑结构转化为二维的数据表，以获得第一数值矩阵，其中，所述第一数值矩阵的行和列对应于所述拓扑结构的节点，所述第一数值矩阵中各个位置的值被设置为0或1；S130，获取各个节点的网络流量数据并将所述各个节点的网络流量数据按照与所述第一数值矩阵中各个节点之间相同的排列关系排列为流量向量；S140，以所述流量向量乘以其自身的转置以获得第二数值矩阵；S150，将所述第一数值矩阵和所述第二数值矩阵分别输入卷积神经网络以获得对应于所述第一数值矩阵的第一特征图和对应于所述第二数值矩阵的第二特征图；S160，将所述第二特征图以激活函数转化为概率特征图以获得第三特征图；S170，获取各个节点的信号模型值，其中，所述信号模型值基于各个节点的接收信号强度、信号包括变化函数、信号中心频率、时间长度、信号初始相位、该节点为起始点的距离、信号波长以及光链路终端和光网络单元相对于预定义的基准方向的角度生成；S180，以所述各个节点的信号模型值按照所述第三特征图中的节点维度对所述第三特征图进行加权以获得第四特征图；S190，将所述第一特征图与所述第四特征图相乘以获得分类特征图；以及，S200，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示采用哪个保护类型。
图3为根据本申请实施例的GPON光链路保护倒换方法的系统架构示意图。如图3所示，在该网络架构中，首先，将构建的用于表示光网络系统的拓扑结构(例如，如图3中所示意的M1)转化为二维的数据表，以获得第一数值矩阵(例如，如图3中所示意的M2)。这里，所述拓扑结构中的节点表示所述光网络系统中的光链路终端或光网络单元，所述拓扑结构中的边表示所述光链路终端与光网络单元之间的关系，当所述光链路终端与所述光网络单元之间具有连接关系时，该边被设置为1，当所述光链路终端与所述光网络单元之间不具有连接关系时，该边被设置为0。所述第一数值矩阵的行和列对应于所述拓扑结构的节点，所述第一数值矩阵中各个位置的值被设置为0或1。
接着，将获取的各个节点的网络流量数据按照与所述第一数值矩阵中各个节点之间相同的排列关系排列为流量向量(例如，如图3中所示意的V1)。接着，以所述流量向量乘以其自身的转置以获得第二数值矩阵(例如，如图3中所示意的M3)。
然后，将所述第一数值矩阵和所述第二数值矩阵分别输入卷积神经网络(例如，如图3中所示意的CNN)以获得对应于所述第一数值矩阵的第一特征图(例如，如图3中所示意的F1)和对应于所述第二数值矩阵的第二特征图(例如，如图3中所示意的F2)。接着，将所述第二特征图以激活函数转化为概率特征图以获得第三特征图(例如，如图3中所示意的F3)。
进一步地，将获取的各个节点的信号模型值(例如，如图3中所示意的N1)按照所述第三特征图中的节点维度对所述第三特征图进行加权以获得第四特征图(例如，如图3中所示意的F4)。这里，各个节点的所述信号模型值基于各个节点的接收信号强度、信号包括变化函数、信号中心频率、时间长度、信号初始相位、该节点为起始点的距离、信号波长以及光链路终端和光网络单元相对于预定义的基准方向的角度生成；
接着，将所述第一特征图与所述第四特征图相乘以获得分类特征图(例如，如图3中所示意的Fc)。然后，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示采用哪个保护类型。
在步骤S110中，构建拓扑结构来表示光网络系统，其中，所述拓扑结构中的节点表示所述光网络系统中的光链路终端或光网络单元，所述拓扑结构中的边表示所述光链路终端与光网络单元之间的关系，当所述光链路终端与所述光网络单元之间具有连接关系时，该边被设置为1，当所述光链路终端与所述光网络单元之间不具有连接关系时，该边被设置为0。
也就是，在本申请实施例中，应用图结构方面的知识将OLT(光链路终端)和ONU(光网络单元)所构成的光网络进行拓扑结构数据化，其中，以节点之间是否具有连接的边来建立两个节点之间的关系。相应地，如果具有连接的边，则两个节点之间以1表示，而如果没有连接的边，则两个节点之间以0表示。
在步骤S120中，将所述拓扑结构转化为二维的数据表，以获得第一数值矩阵，其中，所述第一数值矩阵的行和列对应于所述拓扑结构的节点，所述第一数值矩阵中各个位置的值被设置为0或1。也就是，将拓扑结构转换为一张二维的数据表，其中矩阵的行和列都对应于光网络系统中的节点(即，所述光链路终端或所述光网络单元)，而各个位置的值为0或者1，也就是，如果节点与其他节点之间具有连接关系，则该位置的特征值为1，如果没有连接，则该位置的特征值为0。并且，可以理解，该数值矩阵为沿对角线对称的矩阵，且对角线的位置的值表示节点与自身的关系，这里也设置为1。
在步骤S130中，获取各个节点的网络流量数据并将所述各个节点的网络流量数据按照与所述第一数值矩阵中各个节点之间相同的排列关系排列为流量向量。以及，在步骤S140中，以所述流量向量乘以其自身的转置以获得第二数值矩阵。
如前所述，为了进行故障预测，需要获取各个节点的网络流量数据，相应地，通过传感器获取各个节点的网络流量数据并将获取的各个节点网络流量数据根据与上述第一数值矩阵各节点之间相同的排列关系使其排列为流量向量，并进一步地以该向量乘以自身的转置以获得第二数值矩阵。
在步骤S150中，将所述第一数值矩阵和所述第二数值矩阵分别输入卷积神经网络以获得对应于所述第一数值矩阵的第一特征图和对应于所述第二数值矩阵的第二特征图。这里，为了挖掘数据之间的深层次关联，即高维关联特征，将第一数值矩阵和第二数值矩阵分别输入相同结构的卷积神经网络以获得第一特征图和第二特征图。
特别地，在本申请实施例中，所述卷积神经网络可采用深度残差神经网络，例如，ResNet 50。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
在步骤S160中，将所述第二特征图以激活函数转化为概率特征图以获得第三特征图。应可以理解，所述第一特征图中各个位置的特征值在0到1范围内，因此，为了挖掘所述第一特征图和所述第二特征图之间深层次关联，需对所述第二特征图中各个位置的特征值进行归一化处理，以使得所述第一特征图和所述第二特征图具有可比性。
在一个具体的示例中，可将所述第二特征图输入Sigmoid激活函数进行激活以将所述第二特征图中各个位置的特征值转化到0到1的区间内，以获得所述第三特征图。当然，还可以采用其他方式对所述第二特征图中各个位置的特征值进行归一化处理，对此，并不为本申请所局限。
在步骤S170中，获取各个节点的信号模型值，其中，所述信号模型值基于各个节点的接收信号强度、信号包括变化函数、信号中心频率、时间长度、信号初始相位、该节点为起始点的距离、信号波长以及光链路终端和光网络单元相对于预定义的基准方向的角度生成。应可以理解，为了将用于表示流量的第三特征图与用于表示网络拓扑的第一特征图结合，还需要将信号拓扑关系并入到第三特征图中。
更具体地，在本申请实施例中，以如下公式获取各个节点的信号模型值，所述公式为：
Figure BDA0003189428850000111
其中Ai表示接收信号强度，s(t)表示信号包络变化函数，f为信号中心频率，t为时间长度，φ0表示信号初始相位，R表示与起始点的距离，
Figure BDA0003189428850000112
表示光链路终端和光网络单元相对于预定义的基准方向的角度，λ表示信号波长，j为可调整的加权因数，以将xi(t)整体的值调整到[0,1]区间内。
在步骤S180中，以所述各个节点的信号模型值按照所述第三特征图中的节点维度对所述第三特征图进行加权以获得第四特征图，通过这样的运算，将信号拓扑关系并入到第三特征图中。
更具体地，在本申请实施例中，在以所述各个节点的信号模型值按照所述第三特征图中的节点维度对所述第三特征图进行加权以获得第四特征图的过程，包括，对所述各个节点的信号模型值对所述第三特征图的对应节点维度上的特征矩阵进行加权以获得第四特征图。
在步骤S190中，将所述第一特征图与所述第四特征图相乘以获得分类特征图。也就是，将各个网络节点的网络流量数据和每个节点的信号模型值融入到所述拓扑结构数据中以获得所述分类特征图。
在步骤S200中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示采用哪个保护类型。如图4所示，更具体地，在本申请实施例中，将所述分类特征图通过分类器以获得分类结果，进一步包括，S410，所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，S420，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。也就是，通过对分类特征图编码获得的分类特征向量输入分类器以获得表示采用哪个保护类型的分类结果。
进一步地，可基于所述分类结果，选择合适的保护方案类型对GPON光链路进行故障预测和处理。
综上，基于本申请实施例的GPON光链路保护倒换方法被阐明，其对GPON光网络系统进行拓扑结构数据化，并将各个网络节点的网络流量数据和每个节点的信号模型值融入到所述拓扑结构数据中，并以深度神经网络对所述拓扑结构数据进行回归分析以相对更为准确地确定应采用的故障保护方案类型。
示例性装置
图5图示了根据本申请实施例的GPON光链路保护倒换系统的框图。如图5所示，根据本申请实施例的所述GPON光链路保护倒换系统500，包括：拓扑结构构建单元510，用于构建拓扑结构来表示光网络系统，其中，所述拓扑结构中的节点表示所述光网络系统中的光链路终端或光网络单元，所述拓扑结构中的边表示所述光链路终端与光网络单元之间的关系，当所述光链路终端与所述光网络单元之间具有连接关系时，该边被设置为1，当所述光链路终端与所述光网络单元之间不具有连接关系时，该边被设置为0；第一数值矩阵生成单元520，用于将所述拓扑结构构建单元510构建的拓扑结构转化为二维的数据表，以获得第一数值矩阵，其中，所述第一数值矩阵的行和列对应于所述拓扑结构的节点，所述第一数值矩阵中各个位置的值被设置为0或1；流量向量生成单元530，用于获取各个节点的网络流量数据并将所述各个节点的网络流量数据按照与所述第一数值矩阵生成单元520生成的第一数值矩阵中各个节点之间相同的排列关系排列为流量向量；第二数值矩阵生成单元540，用于以所流量向量生成单元530生成的述流量向量乘以其自身的转置以获得第二数值矩阵；第一特征图生成单元550，用于将所第一数值矩阵生成单元520生成的述第一数值矩阵输入卷积神经网络以获得对应于所述第一数值矩阵的第一特征图；第二特征图生成单元560，用于将所述第二数值矩阵生成单元540生成的第二数值矩阵输入卷积神经网络以获得对应于所述第二数值矩阵的第二特征图；第三特征图生成单元570，用于将所述第二特征图生成单元560生成的第二特征图以激活函数转化为概率特征图以获得第三特征图；信号模型值获取单元580，用于获取各个节点的信号模型值，其中，所述信号模型值获取单元580获取的信号模型值基于各个节点的接收信号强度、信号包括变化函数、信号中心频率、时间长度、信号初始相位、该节点为起始点的距离、信号波长以及光链路终端和光网络单元相对于预定义的基准方向的角度生成；第四特征图生成单元590，用于以所述各个节点的信号模型值按照所述第三特征图生成单元570生成的第三特征图中的节点维度对所述第三特征图进行加权以获得第四特征图；分类特征图生成单元600，用于将所述第一特征图生成单元550生成的第一特征图与所述第四特征图生成单元590生成的第四特征图相乘以获得分类特征图；以及，分类结果生成单元610，用于将所述分类特征图生成单元600生成的分类特征图通过分类器以获得分类结果，所述分类结果用于表示采用哪个保护类型。
在一个示例中，在上述GPON光链路保护倒换系统500中，所述第三特征图生成单元570，进一步用于：将所述第二特征图输入Sigmoid激活函数进行激活以将所述第二特征图中各个位置的特征值转化到0到1的区间内，以获得所述第三特征图。
在一个示例中，在上述GPON光链路保护倒换系统500中，所述信号模型值获取单元580，进一步用于：以如下公式获取各个节点的信号模型值，所述公式为：
Figure BDA0003189428850000131
其中Ai表示接收信号强度，s(t)表示信号包络变化函数，f为信号中心频率，t为时间长度，φ0表示信号初始相位，R表示与起始点的距离，
Figure BDA0003189428850000132
表示光链路终端和光网络单元相对于预定义的基准方向的角度，λ表示信号波长，j为可调整的加权因数，以将xi(t)整体的值调整到[0,1]区间内。
在一个示例中，在上述GPON光链路保护倒换系统500中，所述第四特征图生成单元590，进一步用于：对所述各个节点的信号模型值对所述第三特征图的对应节点维度上的特征矩阵进行加权以获得第四特征图。
在一个示例中，在上述GPON光链路保护倒换系统500中，所述分类结果生成单元610，进一步用于：将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在一个示例中，在上述GPON光链路保护倒换系统500中，所述卷积神经网络为深度残差网络。
这里，本领域技术人员可以理解，上述GPON光链路保护倒换系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的GPON光链路保护倒换方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的GPON光链路保护倒换系统500可以实现在各种终端设备中，例如GPON光链路保护倒换方法的服务器等。在一个示例中，根据本申请实施例的GPON光链路保护倒换系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该GPON光链路保护倒换系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该GPON光链路保护倒换系统500同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该GPON光链路保护倒换系统500与该终端设备也可以是分立的设备，并且该GPON光链路保护倒换系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的框图。
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的GPON光链路保护倒换方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如流量数据等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的GPON光链路保护倒换方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的GPON光链路保护倒换方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种GPON光链路保护倒换方法，其特征在于，包括：
构建拓扑结构来表示光网络系统，其中，所述拓扑结构中的节点表示所述光网络系统中的光链路终端或光网络单元，所述拓扑结构中的边表示所述光链路终端与光网络单元之间的关系，当所述光链路终端与所述光网络单元之间具有连接关系时，该边被设置为1，当所述光链路终端与所述光网络单元之间不具有连接关系时，该边被设置为0；
将所述拓扑结构转化为二维的数据表，以获得第一数值矩阵，其中，所述第一数值矩阵的行和列对应于所述拓扑结构的节点，所述第一数值矩阵中各个位置的值被设置为0或1；
获取各个节点的网络流量数据并将所述各个节点的网络流量数据按照与所述第一数值矩阵中各个节点之间相同的排列关系排列为流量向量；
以所述流量向量乘以其自身的转置以获得第二数值矩阵；
将所述第一数值矩阵和所述第二数值矩阵分别输入卷积神经网络以获得对应于所述第一数值矩阵的第一特征图和对应于所述第二数值矩阵的第二特征图；
将所述第二特征图以激活函数转化为概率特征图以获得第三特征图；
获取各个节点的信号模型值，其中，所述信号模型值基于各个节点的接收信号强度、信号包络 变化函数、信号中心频率、时间长度、信号初始相位、该节点为起始点的距离、信号波长以及光链路终端和光网络单元相对于预定义的基准方向的角度生成；
以所述各个节点的信号模型值按照所述第三特征图中的节点维度对所述第三特征图进行加权以获得第四特征图；
将所述第一特征图与所述第四特征图相乘以获得分类特征图；以及
将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示采用哪个保护类型。
2.根据权利要求1所述的GPON光链路保护倒换方法，其中，将所述第二特征图以激活函数转化为概率特征图以获得第三特征图，包括：
将所述第二特征图输入Sigmoid激活函数进行激活以将所述第二特征图中各个位置的特征值转化到0到1的区间内，以获得所述第三特征图。
3.根据权利要求1所述的GPON光链路保护倒换方法，其中，获取各个节点的信号模型值，包括：
以如下公式获取各个节点的信号模型值，所述公式为：
Figure FDA0003189428840000021
其中Ai表示接收信号强度，s(t)表示信号包络变化函数，f为信号中心频率，t为时间长度，φ0表示信号初始相位，R表示与起始点的距离，
Figure FDA0003189428840000022
表示光链路终端和光网络单元相对于预定义的基准方向的角度，λ表示信号波长，j为可调整的加权因数，以将xi(t)整体的值调整到[0,1]区间内。
4.根据权利要求1所述的GPON光链路保护倒换方法，其中，以所述各个节点的信号模型值按照所述第三特征图中的节点维度对所述第三特征图进行加权以获得第四特征图，包括：
对所述各个节点的信号模型值对所述第三特征图的对应节点维度上的特征矩阵进行加权以获得第四特征图。
5.根据权利要求1所述的GPON光链路保护倒换方法，其中，将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示采用哪个保护类型，包括：
将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及
将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
6.根据权利要求1所述的GPON光链路保护倒换方法，其中，所述卷积神经网络为深度残差网络。
7.一种GPON光链路保护倒换系统，其特征在于，包括：
拓扑结构构建单元，用于构建拓扑结构来表示光网络系统，其中，所述拓扑结构中的节点表示所述光网络系统中的光链路终端或光网络单元，所述拓扑结构中的边表示所述光链路终端与光网络单元之间的关系，当所述光链路终端与所述光网络单元之间具有连接关系时，该边被设置为1，当所述光链路终端与所述光网络单元之间不具有连接关系时，该边被设置为0；
第一数值矩阵生成单元，用于将所述拓扑结构转化为二维的数据表以获得第一数值矩阵，其中，所述第一数值矩阵的行和列对应于所述拓扑结构的节点，所述第一数值矩阵中各个位置的值被设置为0或1；
流量向量生成单元，用于获取各个节点的网络流量数据并将所述各个节点的网络流量数据按照与所述第一数值矩阵中各个节点之间相同的排列关系排列为流量向量；
第二数值矩阵生成单元，用于以所述流量向量乘以其自身的转置以获得第二数值矩阵；
第一特征图生成单元，用于将所述第一数值矩阵输入卷积神经网络以获得对应于所述第一数值矩阵的第一特征图；
第二特征图生成单元，用于将所述第二数值矩阵输入卷积神经网络以获得对应于所述第二数值矩阵的第二特征图；
第三特征图生成单元，用于将所述第二特征图以激活函数转化为概率特征图以获得第三特征图；
信号模型值获取单元，用于获取各个节点的信号模型值，其中，所述信号模型值基于各个节点的接收信号强度、信号包络 变化函数、信号中心频率、时间长度、信号初始相位、该节点为起始点的距离、信号波长以及光链路终端和光网络单元相对于预定义的基准方向的角度生成；
第四特征图生成单元，用于以所述各个节点的信号模型值按照所述第三特征图中的节点维度对所述第三特征图进行加权以获得第四特征图；
分类特征图生成单元，用于将所述第一特征图与所述第四特征图相乘以获得分类特征图；以及
分类结果生成单元，用于将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示采用哪个保护类型。
8.根据权利要求7所述的GPON光链路保护倒换系统，其中，所述第三特征图生成单元，进一步用于将所述第二特征图输入Sigmoid激活函数进行激活以将所述第二特征图中各个位置的特征值转化到0到1的区间内，以获得所述第三特征图。
9.根据权利要求7所述的GPON光链路保护倒换系统，其中，所述信号模型值获取单元，进一步用于：
以如下公式获取各个节点的信号模型值，所述公式为：
Figure FDA0003189428840000041
其中Ai表示接收信号强度，s(t)表示信号包络变化函数，f为信号中心频率，t为时间长度，φ0表示信号初始相位，R表示与起始点的距离，
Figure FDA0003189428840000051
表示光链路终端和光网络单元相对于预定义的基准方向的角度，λ表示信号波长，j为可调整的加权因数，以将xi(t)整体的值调整到[0,1]区间内。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的GPON光链路保护倒换方法。
CN202110871766.7A 2021-07-30 2021-07-30 Gpon光链路保护倒换方法及系统 Active CN113746539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110871766.7A CN113746539B (zh) 2021-07-30 2021-07-30 Gpon光链路保护倒换方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110871766.7A CN113746539B (zh) 2021-07-30 2021-07-30 Gpon光链路保护倒换方法及系统

Publications (2)

Publication Number Publication Date
CN113746539A CN113746539A (zh) 2021-12-03
CN113746539B true CN113746539B (zh) 2022-12-20

Family

ID=78729670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110871766.7A Active CN113746539B (zh) 2021-07-30 2021-07-30 Gpon光链路保护倒换方法及系统

Country Status (1)

Country Link
CN (1) CN113746539B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101621416A (zh) * 2009-08-05 2010-01-06 中兴通讯股份有限公司 保护类型的确定方法及装置
US10171161B1 (en) * 2018-04-23 2019-01-01 Ciena Corporation Machine learning for link parameter identification in an optical communications system
CN113162725A (zh) * 2021-05-17 2021-07-23 济南德达多网络科技有限公司 光网络运行方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100550899C (zh) * 2005-02-21 2009-10-14 华为技术有限公司 光网络中扩散链路状态信息的实现方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101621416A (zh) * 2009-08-05 2010-01-06 中兴通讯股份有限公司 保护类型的确定方法及装置
US10171161B1 (en) * 2018-04-23 2019-01-01 Ciena Corporation Machine learning for link parameter identification in an optical communications system
CN113162725A (zh) * 2021-05-17 2021-07-23 济南德达多网络科技有限公司 光网络运行方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
新型的EPON结构及其保护倒换策略.慕剑 等.《电信工程技术与标准化》.2019, *

Also Published As

Publication number Publication date
CN113746539A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
He et al. Low complexity method for DOA estimation using array covariance matrix sparse representation
CN113162725B (zh) 光网络运行方法
CN115834433B (zh) 基于物联网技术的数据处理方法及系统
US8571255B2 (en) Scalable media fingerprint extraction
Zhang et al. fLRR: fast low‐rank representation using Frobenius‐norm
Huang Network intrusion detection based on an improved long-short-term memory model in combination with multiple spatiotemporal structures
CN116579618B (zh) 基于风险管理的数据处理方法、装置、设备及存储介质
CN116247824B (zh) 电力设备的控制方法及其系统
JP2020087127A (ja) グラフ構造を有するデータのエンコードに関するプログラム、情報処理方法及び情報処理システム
Ebrahimi et al. Localisation of mixed near‐field and far‐field sources using the largest aperture sparse linear array
CN115146676A (zh) 电路故障检测方法及其系统
CN113746539B (zh) Gpon光链路保护倒换方法及系统
CN115617636B (zh) 一种分布式性能测试系统
CN114745168A (zh) 云平台入口实时流量复制方法、系统和电子设备
Lyu et al. Identifiability-guaranteed simplex-structured post-nonlinear mixture learning via autoencoder
CN116167833B (zh) 基于联邦学习的互联网金融风险控制系统及其方法
CN110635833B (zh) 一种基于深度学习的功率分配方法及分配装置
CN115510900A (zh) 电路故障自动诊断方法及其诊断系统
CN113781845A (zh) 无人机的电子围栏建立方法、系统和电子设备
CN115662462A (zh) 采用局部敏感哈希的声源分离方法、装置及存储介质
CN114205817A (zh) 无线局域网接入方法、系统和电子设备
Pan et al. Real‐valued off‐grid DOA estimation via iterative optimisation based on covariance differencing method with spatial coloured noise
CN115983379B (zh) Mdata知识图谱的可达路径查询方法及其系统
CN116595976B (zh) 一种科研创新平台控制方法及其系统
CN116567669B (zh) 无线云接入控制器分布式处理终端设备信息的方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221125

Address after: 518000 Office Building 506 and 406, Building D, Jinshenghui Science Park, No. 3, Dafu Industrial Zone, Dafu Community, Guanlan Street, Longhua District, Shenzhen, Guangdong

Applicant after: Shenzhen Yilianxinyun Technology Co.,Ltd.

Address before: 344000 1st floor, Jixiang Sanbao garden, RiFeng Town, Lichuan County, Fuzhou City, Jiangxi Province

Applicant before: Lichuan Shengjia Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant