CN115085805A - 一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法、系统、装置及存储介质 - Google Patents
一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN115085805A CN115085805A CN202210647509.XA CN202210647509A CN115085805A CN 115085805 A CN115085805 A CN 115085805A CN 202210647509 A CN202210647509 A CN 202210647509A CN 115085805 A CN115085805 A CN 115085805A
- Authority
- CN
- China
- Prior art keywords
- model
- optical fiber
- performance monitoring
- few
- channel information
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 71
- 230000003287 optical effect Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004821 distillation Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 239000000835 fiber Substances 0.000 title claims description 42
- 239000013307 optical fiber Substances 0.000 claims abstract description 78
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 238000013140 knowledge distillation Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法、系统、装置及存储介质，对抗蒸馏模型包括教师模型、学生模型、生成器以及判别器。方法包括获取用户端的光纤信道信息；对光纤信道信息进行预处理，得到接收端预处理的光纤信道信息；将预处理的光纤信道信息输入到预训练的学生模型中进行信道监测处理，获得光纤光性能监测结果。通过构建对抗蒸馏模型，在生成器和判别器不断的对抗学习中训练学生模型，提高学生模型的泛化能力，并通过训练好的学生模型进行少模多芯光纤光性能的监测，以轻量级的学生模型实现少模多芯光纤的光性能监测的同时，提高系统的响应时间，降低计算复杂度。
Description
技术领域
本发明涉及一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法、系统、装置及存储介质，属于光纤网络传输技术领域。
背景技术
目前，随着虚拟现实、5G、云计算、大数据等新兴互联网业务的兴起，人们对高带宽、低时延、高质量的网络服务的需求越来越大，光网络的传输流量需求迎来了全新的挑战。为了适应快速增长的流量需求，单模光纤系统中光波的幅度、相位、时隙、偏振等大多数物理维度都已经得到了很大程度的利用。基于单模光纤的光传输网络正逐步逼近香农极限。为了解决单模光纤的传输容量极限问题，可以支持多个信道传输的少模多芯光纤被广泛关注。
少模多芯光纤拥有多个纤芯，每根纤芯支持多个传输模式。理论上，模式之间彼此正交，纤芯之间也不会彼此干扰，极大地扩大了光纤的传输容量。基于少模光纤的光网络被认为是下一代弹性光网络的有力候选方案。在网络的运行和维护中，需要实时获取物理链路和光信号质量信息，并将这些信息传递给网络管理系统，这些信息将被用于损伤感知路由或故障定位和诊断。为了保证光网络可以提供高质量的服务并且提高网络性能的可靠性，光性能监测技术因为可以监测网络的各项物理层参数而被广泛应用。光性能监测在下一代光网络的高效管理和满足终端用户的服务质量需求中扮演者重要角色。目前，基于神经网络的光性能监测方案由于泛化能力强、无需先验信息、监测精度高等优点受到广泛关注。
然而，基于神经网络的光性能监测方案如果针对少模多芯光纤，那么需要在多个信道中完成监测任务，神经网络的复杂程度也会随着监测任务的增加而增加，难以实现在网络节点的部署，由此导致监测任务繁重且所需成本大大增加。
发明内容
本发明的目的在于针对少模多芯光纤中多个信道性能监测的神经网络往往需要层数很深，参数很多的大体量神经网络的问题，提供一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法、系统、装置及存储介质，本发明专利无需复杂的大型神经网络模型，利用基于对抗学习的知识蒸馏方法，实现了以轻量级的学生模型完成少模多芯光纤光性能监测的复杂任务。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法，所述对抗蒸馏模型包括教师模型、学生模型、生成器以及判别器，教师模型同时与学生模型、生成器以及判别器连接，生成器还分别与学生模型和判别器连接，学生模型和判别器连接；
所述光性能监测方法包括：
获取用户端的光纤信道信息；
对光纤信道信息进行预处理，得到接收端预处理的光纤信道信息；
将预处理的光纤信道信息输入到预训练的学生模型中进行信道监测处理，获得光纤光性能监测结果；
所述学生模型的训练方法包括：
获取训练数据集，所述训练数据集包括不同信道信号的星座图；
将训练数据集输入到教师模型中进行训练，得到第一表示特征；
生成器对高维标识特征进行强化，得到知识强化特征；
教师模型将训练知识蒸馏给学生模型，学生模型根据知识强化特征和高位表示特征进行性能监测处理，得到第二表示特征；
判别器对第一表示特征和第二表示特征进行数据分布鉴别，并通过鉴别结果不断调整生成器，直至对抗蒸馏模型损失函数符合预设条件，完成学生模型的训练。
进一步的，所述知识蒸馏采用softmax函数进行训练学生模型，计算公式为：
式中，Zi和Zj分别表示第i个和第j个信道信号，i和j分别表示信道序号， T为温度，用于控制softmax层输出的概率分布熵，T越高，softmax层输出的概率分布熵越大，模型在训练过程中所能学习到的信息也就越多。
进一步的，所述预处理包括在用户端的光纤信道信息向接收端传送过程中，对用户端的光纤信道信息依次进行模式复用、纤芯复用、纤芯解复用以及模式解复用。
进一步的，所述教师模型采用ResNet34网络结构，依次包括一个7×7的卷积层、一个平均池化层、16个残差块以及一个平均池化层，每个残差块包括 2个3×3的卷积层，且相邻的残差块之间还通过Relu激活函数跳跃连接；
所述学生模型采用MobileNet V3-small网络结构，依次包括一个3×3卷积层、11层瓶颈层、一个1×1的2D卷积层、一个7×7最大池化层、两个1×1 的2D卷积层，每个网络层之间均通过hard-swish激活函数连接；前3个瓶颈层为3×3的瓶颈层，后8个瓶颈层为5×5的瓶颈层。
进一步的，所述生成器和判别器均采用全卷积式网络结构；
所述生成器包括依次连接的4层反卷积层；
所述判别器包括依次连接的4层卷积层。
进一步的，所述对抗蒸馏模型的对抗学习训练采用Adam优化器，初始学习率为0.0001，批训练大小为128，并以Sigmod分类损失为损失函数，损失函数的公式为：
式中，b表示光性能监测结果数据，包括第一表示特征和第二表示特征。
进一步的，所述预设条件包括设定训练周期数，且判别器的数据分布鉴别准确率不低于95％；或
对抗蒸馏模型的损失函数收敛；
第二方面，一种基于对抗蒸馏模型的少模多芯光纤光性能监测系统，包括：
采样模块：用于获取用户端的光纤信道信息；
预处理模块；用于对用户端的光纤信道信息依次进行模式复用、纤芯复用、纤芯解复用以及模式解复用，得到接收端预处理的光纤信道信息；
监测处理模块：用于将预处理后的光纤信道信息输入到预训练的学生模型中进行信道监测处理，获得光纤光性能监测结果。
第三方面，一种基于对抗蒸馏模型的少模多芯光纤光性能监测装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面，计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明通过在教师模型对学生模型进行知识蒸馏时，加入生成器和判别器的对抗神经网络，以此构建对抗蒸馏模型，在生成器和判别器不断的对抗学习中训练学生模型，提高学生模型的泛化能力，并通过训练好的学生模型进行少模多芯光纤光性能的监测，以轻量级的学生模型实现少模多芯光纤的光性能监测的同时，提高系统的响应时间，降低计算复杂度。
附图说明
图1是实施例1中光性能监测方法流程图；
图2是实施例1中对抗蒸馏模型的网络结构图；
图3是实施例1中对抗蒸馏模型的训练方法流程图；
图4是实施例1中检测系统的结构图；
图5为实施例1中教师模型的网络结构图；
图6为实施例1中学生模型的网络结构图。
具体实施方式
下面结合附图对本发明作进一步描述。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。
实施例1：
本实施例提供了一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法，利用基于对抗学习的知识蒸馏方法，实现了以轻量级的学生模型完成少模多芯光纤光性能监测的复杂任务。具体包括三个阶段：构建对抗蒸馏模型、训练对抗蒸馏模型以及应用阶段。
一、构建对抗蒸馏模型
如图2所示，本实施例所述的对抗蒸馏模型包括基础的蒸馏模型和对抗神经网络，基础的蒸馏模型由教师模型和学生模型组成，教师模型与学生模型直接连接，教师模型直接通过知识蒸馏的方式将复杂的教师模型中的知识迁移到体量小的学生模型中。对抗神经网络包括生成器和判别器，其中教师模型分别与生成器和判别器连接，学生模型也分别与生成器和判别器连接，判别器还与生成器直接连接，生成器对教师模型的输出结果进行特征知识强化，扩大输入学生模型的数据丰富程度，再将强化后的输出结果输入到学生模型中，并通过知识蒸馏后的学生模型对强化后的输出结果进行光性能监测处理，而判别器根据教师模型的输出结果和学生模型的光性能监测结果进行数据分布鉴别，然后将鉴别的结果反馈给生成器，对生成器不断的进行优化，达到训练学生模型的目的，该种对抗蒸馏模型引入生成器和判别器，借助其相互之间的对抗学习，在知识蒸馏的基础上，不断提升学生模型的泛化能力，使得学生模型具备不亚于教师模型的表现能力。
如图5所示，教师模型采用ResNet34网络结构，教师模型采用ResNet34 网络结构，依次包括一个7×7的卷积层、一个平均池化层、16个残差块以及一个平均池化层，每个残差块包括2个3×3的卷积层，且相邻的残差块之间还通过Relu激活函数跳跃连接，其中Relu激活函数的计算公式为：Relu(a)＝max(0,a)，式中a表示教师模型中前一个网络层的输出。
如图6所示，学生模型采用MobileNet V3-small网络结构，依次包括一个3×3 卷积层、11层瓶颈层、一个1×1的2D卷积层、一个7×7最大池化层、两个1×1 的2D卷积层，每个网络层之间均通过hard-swish激活函数连接。其中hard-swish 激活函数的计算公式为
式中x表示学生模型中前一个网络层的输出。
其中，前3个瓶颈层为3×3的瓶颈层，后8个瓶颈层为5×5的瓶颈层。
本实施例采用的生成器包括依次连接的4层反卷积层。
本实施例采用的所述判别器包括依次连接的4层卷积层。
二、离线训练对抗蒸馏模型
如图3所示，对抗蒸馏模型的训练方法为：
获取训练数据集，所述训练数据集包括不同信道信号的星座图；星座图上标注有信道信号相应的特征信息，可以作为神经网络的特征图；
将训练数据集输入到教师模型中进行训练，得到第一表示特征；
生成器对高维标识特征进行强化，得到知识强化特征；
教师模型将训练知识蒸馏给学生模型，学生模型根据知识强化特征和高位表示特征进行性能监测处理，得到第二表示特征；
判别器对第一表示特征和第二表示特征进行数据分布鉴别，并通过鉴别结果不断调整生成器，直至对抗蒸馏模型损失函数符合预设条件，完成学生模型的训练。
其中，对抗蒸馏模型中生成器和判别器的对抗学习训练采用Adam优化器，初始学习率为0.0001，批训练大小为128，并以Sigmod分类损失为损失函数，损失函数的公式为：
式中，b表示光性能监测结果数据，包括第一表示特征和第二表示特征。
在知识蒸馏过程中，神经网络softmax层输出类别的概率被称为软目标，表示输入数据该范畴的概率。每一个训练样本中，软目标的信息量比传统训练方式的要大。为了使学生模型具备教师模型的泛化能力，在softmax函数中会引入温度，用于控制softmax层输出的概率分布熵，也即对每个软目标的重要程度，温度改变的是学生模型在训练过程中对于负标签的关注程度，温度越高，负标签相对应的概率分布熵越大，网络就更多关注那些高于平均值的负标签，模型在训练过程中所能学习到的信息也就越多。此时softmax函数的计算公式为：
式中，Zi和Zj分别表示第i个和第j个信道信号，i和j分别表示信道序号， T为温度。
完成训练的标准包括设定一定的训练周期数，且判别器的数据分布鉴别准确率不低于95％，在本实施例中训练周期数为5，亦或者当对抗蒸馏模型的损失函数收敛，即可判定完成对抗蒸馏模型的训练。
在实际测试中，生成器以教师模型的输出的第一表示特征作为依据生成只是强化特征，并作为学生模型的输入。判别器以教师模型的输出的第一表示特征为标准判别学生模型的输出的性能监测结果，并反馈给生成器。在生成器和判别器的不断博弈中，学生模型的泛化能力得到了增强。当达到纳什均衡后，学生模型的性能已经具备教师模型的学习能力。并且，由于输入数据丰富程度的增强，学生模型的性能表现最终会超过教师模型。
三、应用阶段
如图4所示，当对抗蒸馏模型训练完成后，将训练好的学生模型应用在光纤光性能监测中，监测方法为：
获取用户端的光纤信道信息；
对光纤信道信息进行预处理，得到接收端预处理的光纤信道信息；
将预处理的光纤信道信息输入到预训练的学生模型中进行信道监测处理，获得光纤光性能监测结果。
从用户端获取光纤信道信息后，对光纤信道信息的预处理包括在用户端的光纤信道信息向接收端传送过程中，对用户端的光纤信道信息依次进行模式复用、纤芯复用、纤芯解复用以及模式解复用。其中用户端的包括m×n个不同的用户，也就包含了m×n个不同的光纤信道信号，对应少模多纤光纤中的m个模式和n个纤芯。在基于少模多芯光纤光网络的发射端，共有m×n个不同的用户，对应少模多芯光纤中的m个模式和n个纤芯。m个用户发出的信息经过模式复用器实现模式复用，一共有n个模式复用器，对应少模多芯光纤中的n 个纤芯。每一路模式复用后的信号再由扇入设备连接少模多芯光纤进行纤芯复用，扇入设备共连接n个纤芯，此时包含了m×n个用户的信息。在光网络的收端，少模多芯光纤中的信号先由扇出设备进行纤芯解复用，其次再经过模式解复用器进行模式解复用。最后将纤芯解复用后的信道信息也即预处理后的光纤信道信息输入到经过对抗蒸馏后的学生模型中，并由学生模型给出信道的光性能监测结果，监控整个光网络的信道状态。
本发明专利将利用基于对抗蒸馏的方式，将针对多信道中多个性能监测任务的复杂神经网络简化。通过基于对抗学习的知识蒸馏增强学生模型的监测性能，以轻量级的学生模型实现少模多芯光纤的光性能监测的同时，提高系统的响应时间，降低计算复杂度。
实施例2：
一种基于对抗蒸馏模型的少模多芯光纤光性能监测系统，包括：
采样模块：用于获取用户端的光纤信道信息；
预处理模块；用于对用户端的光纤信道信息依次进行模式复用、纤芯复用、纤芯解复用以及模式解复用，得到接收端预处理的光纤信道信息；
监测处理模块：用于将预处理后的光纤信道信息输入到预训练的学生模型中进行信道监测处理，获得光纤光性能监测结果。
实施例三：
本发明实施例还提供了一种种基于对抗蒸馏模型的少模多芯光纤光性能监测装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
获取用户端的光纤信道信息；
对光纤信道信息进行预处理，得到接收端预处理的光纤信道信息；
将预处理的光纤信道信息输入到预训练的学生模型中进行信道监测处理，获得光纤光性能监测结果；
实施例四：
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现下述方法的步骤：
获取用户端的光纤信道信息；
对光纤信道信息进行预处理，得到接收端预处理的光纤信道信息；
将预处理的光纤信道信息输入到预训练的学生模型中进行信道监测处理，获得光纤光性能监测结果；
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述对抗蒸馏模型包括教师模型、学生模型、生成器以及判别器，教师模型同时与学生模型、生成器以及判别器连接，生成器还分别与学生模型和判别器连接，学生模型和判别器连接；
所述光性能监测方法包括：
获取用户端的光纤信道信息；
对光纤信道信息进行预处理，得到接收端预处理的光纤信道信息；
将预处理的光纤信道信息输入到预训练的学生模型中进行信道监测处理，获得光纤光性能监测结果；
所述学生模型的训练方法包括：
获取训练数据集，所述训练数据集包括不同信道信号的星座图；
将训练数据集输入到教师模型中进行训练，得到第一表示特征；
生成器对高维标识特征进行强化，得到知识强化特征；
教师模型将训练知识蒸馏给学生模型，学生模型根据知识强化特征和高位表示特征进行性能监测处理，得到第二表示特征；
判别器对第一表示特征和第二表示特征进行数据分布鉴别，并通过鉴别结果不断调整生成器，直至对抗蒸馏模型损失函数符合预设条件，完成学生模型的训练。
2.根据权利要求1所述的基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述知识蒸馏采用softmax函数进行训练学生模型，计算公式为：
式中，Zi和Zj分别表示第i个和第j个信道信号，i和j分别表示信道序号，T为温度。
3.根据权利要求1所述的基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述预处理包括在用户端的光纤信道信息向接收端传送过程中，对用户端的光纤信道信息依次进行模式复用、纤芯复用、纤芯解复用以及模式解复用。
4.根据权利要求1所述的基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述教师模型采用ResNet34网络结构，依次包括一个7×7的卷积层、一个平均池化层、16个残差块以及一个平均池化层，每个残差块包括2个3×3的卷积层，且相邻的残差块之间还通过Relu激活函数跳跃连接；
所述学生模型采用MobileNet V3-small网络结构，依次包括一个3×3卷积层、11个瓶颈层、一个1×1的2D卷积层、一个7×7最大池化层、两个1×1的2D卷积层，每个网络层之间均通过hard-swish激活函数连接；前3个瓶颈层为3×3的瓶颈层，后8个瓶颈层为5×5的瓶颈层。
5.根据权利要求1所述的基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述生成器和判别器均采用全卷积式网络结构；
所述生成器包括依次连接的4层反卷积层；
所述判别器包括依次连接的4层卷积层。
6.根据权利要求1所述的基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述对抗蒸馏模型的对抗学习训练采用Adam优化器，初始学习率为0.0001，批训练大小为128，并以Sigmod分类损失为损失函数，损失函数的公式为：
式中，b表示光性能监测结果数据，包括第一表示特征和第二表示特征。
7.根据权利要求1所述的基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述预设条件包括设定训练周期数，且判别器的数据分布鉴别准确率不低于95％；或对抗蒸馏模型的损失函数收敛。
8.一种基于对抗蒸馏模型的少模多芯光纤光性能监测系统，其特征在于，包括：
采样模块：用于获取用户端的光纤信道信息；
预处理模块；用于对用户端的光纤信道信息依次进行模式复用、纤芯复用、纤芯解复用以及模式解复用，得到接收端预处理的光纤信道信息；
监测处理模块：用于将预处理后的光纤信道信息输入到预训练的学生模型中进行信道监测处理，获得光纤光性能监测结果。
9.一种基于对抗蒸馏模型的少模多芯光纤光性能监测装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210647509.XA CN115085805B (zh) | 2022-06-09 | 2022-06-09 | 一种基于对抗蒸馏模型的光纤光性能监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210647509.XA CN115085805B (zh) | 2022-06-09 | 2022-06-09 | 一种基于对抗蒸馏模型的光纤光性能监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115085805A true CN115085805A (zh) | 2022-09-20 |
| CN115085805B CN115085805B (zh) | 2024-03-19 |
Family
ID=83251378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210647509.XA Active CN115085805B (zh) | 2022-06-09 | 2022-06-09 | 一种基于对抗蒸馏模型的光纤光性能监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115085805B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461226A (zh) * | 2020-04-01 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 对抗样本生成方法、装置、终端及可读存储介质 |
| US20200356852A1 (en) * | 2019-05-07 | 2020-11-12 | Samsung Electronics Co., Ltd. | Model training method and apparatus |
| CN112465111A (zh) * | 2020-11-17 | 2021-03-09 | 大连理工大学 | 一种基于知识蒸馏和对抗训练的三维体素图像分割方法 |
| CN113160041A (zh) * | 2021-05-07 | 2021-07-23 | 深圳追一科技有限公司 | 一种模型训练方法及模型训练装置 |
| CN114170332A (zh) * | 2021-11-27 | 2022-03-11 | 北京工业大学 | 一种基于对抗蒸馏技术的图像识别模型压缩方法 |
| WO2022051856A1 (en) * | 2020-09-09 | 2022-03-17 | Huawei Technologies Co., Ltd. | Method and system for training a neural network model using adversarial learning and knowledge distillation |
| CN114358061A (zh) * | 2021-12-22 | 2022-04-15 | 南京信息工程大学 | 一种空分复用信号光性能监测方法及系统 |
| CN114565019A (zh) * | 2022-01-25 | 2022-05-31 | 华东师范大学 | 一种基于知识蒸馏实现的无数据细粒度分类模型压缩系统及方法 |
-
2022
- 2022-06-09 CN CN202210647509.XA patent/CN115085805B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200356852A1 (en) * | 2019-05-07 | 2020-11-12 | Samsung Electronics Co., Ltd. | Model training method and apparatus |
| CN111461226A (zh) * | 2020-04-01 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 对抗样本生成方法、装置、终端及可读存储介质 |
| WO2022051856A1 (en) * | 2020-09-09 | 2022-03-17 | Huawei Technologies Co., Ltd. | Method and system for training a neural network model using adversarial learning and knowledge distillation |
| CN112465111A (zh) * | 2020-11-17 | 2021-03-09 | 大连理工大学 | 一种基于知识蒸馏和对抗训练的三维体素图像分割方法 |
| CN113160041A (zh) * | 2021-05-07 | 2021-07-23 | 深圳追一科技有限公司 | 一种模型训练方法及模型训练装置 |
| CN114170332A (zh) * | 2021-11-27 | 2022-03-11 | 北京工业大学 | 一种基于对抗蒸馏技术的图像识别模型压缩方法 |
| CN114358061A (zh) * | 2021-12-22 | 2022-04-15 | 南京信息工程大学 | 一种空分复用信号光性能监测方法及系统 |
| CN114565019A (zh) * | 2022-01-25 | 2022-05-31 | 华东师范大学 | 一种基于知识蒸馏实现的无数据细粒度分类模型压缩系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| WADDAH S. SAIF等: "Optical Performance Monitoring in Mode Division Multiplexed Optical Networks", JOURNAL OF LIGHTWAVE TECHNOLOGY * |
| 张景璐;赵妍;: "基于改进神经网络的光纤故障监测优化", 激光杂志, no. 06 * |
| 邱宝琳等: "基于多维特征图知识蒸馏的对抗样本防御方法", 网络与信息安全学报 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115085805B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111030861B (zh) | 一种边缘计算分布式模型训练方法、终端和网络侧设备 | |
| CA2436352A1 (en) | Process and system for developing a predictive model | |
| CN114627863B (zh) | 一种基于人工智能的语音识别方法和装置 | |
| CN109246027A (zh) | 一种网络维护的方法、装置和终端设备 | |
| CN115374853A (zh) | 基于T-Step聚合算法的异步联邦学习方法及系统 | |
| Liang et al. | DNN surgery: Accelerating DNN inference on the edge through layer partitioning | |
| CN112733043A (zh) | 评论推荐方法及装置 | |
| CN114239861A (zh) | 基于多教师联合指导量化的模型压缩方法及系统 | |
| CN109214515A (zh) | 一种深度神经网络推理方法及计算设备 | |
| CN113726545A (zh) | 基于知识增强生成对抗网络的网络流量生成方法及装置 | |
| CN116502683A (zh) | 一种全流程并行加速脑仿真方法及系统 | |
| KR102333730B1 (ko) | 학습 모델 생성 장치 및 방법 | |
| GB2622755A (en) | Evaluating output sequences using an auto-regressive language model neural network | |
| CN114595815A (zh) | 一种面向传输友好的云-端协作训练神经网络模型方法 | |
| CN117521783B (zh) | 联邦机器学习方法、装置、存储介质及处理器 | |
| Zeng et al. | Multiple attention mechanisms-driven component fault location in optical networks with network-wide monitoring data | |
| CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| US11943277B2 (en) | Conversion system, method and program | |
| CN115085805A (zh) | 一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法、系统、装置及存储介质 | |
| CN117061365A (zh) | 一种节点选择方法、装置、设备及可读存储介质 | |
| CN117272040A (zh) | 一种基于元学习框架的小样本时间序列预测方法 | |
| CN116911757A (zh) | 一种业务实现方法、装置和存储介质 | |
| CN116071811A (zh) | 人脸信息验证方法及装置 | |
| CN107025227A (zh) | 用户对产品的熟悉度的确定、信息筛选、处理方法及装置 | |
| CN115113855A (zh) | 音频数据处理方法、装置、电子设备和存储介质 |
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 |