基于连续霍普菲尔德神经网络的波长分配方法组成比例

本发明专利技术公开了一种基于连续霍普菲尔德神经网络的波长分配方法，包括：获取环形网络的初始通信量矩阵和通信路径的映射向量；根据所述映射向量对所述初始通信量矩阵进行映射，得到映射后通信量矩阵；根据所述映射后通信量矩阵获取输出状态矩阵；利用连续霍普菲尔德神经网络更新所述输出状态矩阵，获取最佳分配波长。本发明专利技术的波长分配方法使用连续霍普菲尔德神经网络进行波长分配，可以有效加快寻找到最优波长分配的速度，提高网络的可靠性。

【技术实现步骤摘要】
基于连续霍普菲尔德神经网络的波长分配方法
本专利技术属于通信
，具体涉及一种基于连续霍普菲尔德神经网络的波长分配方法。
技术介绍
在波分复用WDM(WavelengthDivisionMultiplexing)技术因其可以实现波导共享，提高物理链路的传输带宽和利用率，在如今的网络传输中被广泛应用。然而，在单波导的环形结构光片上网络中，随着光链路重叠率的增加，不同波长信号间的串扰也会加剧。现有的对于光片上网络的研究主要在于降低通信阻塞率、寻找有效的波长分配方法方面。如近期提出一种基于蚁群算法的提高可靠性的波长分配方法，在该方法中，主要根据通信路径信息对通信路径进行排列，之后会通过蚁群算法根据所留信息素产生的概率为排列之后的路径分配波长。该方法虽然可以寻找到较优的波长分配方法来提高可靠性，但是其复杂度较高、搜索时间较长，而且在实际计算中，在一定循环次数的条件下该方法很难趋于理论上要求的最佳线路，同时该方法容易出现停滞现象，有时不能对解空间进行进一步的搜索。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术本文档来自技高网...

【技术保护点】
1.一种基于连续霍普菲尔德神经网络的波长分配方法，其特征在于，包括：/nS1：获取环形网络的初始通信量矩阵和通信路径的映射向量；/nS2：根据所述映射向量对所述初始通信量矩阵进行映射，得到映射后通信量矩阵；/nS3：根据所述映射后通信量矩阵获取输出状态矩阵；/nS4：利用连续霍普菲尔德神经网络更新所述输出状态矩阵，获取最佳分配波长。/n

【技术特征摘要】
1.一种基于连续霍普菲尔德神经网络的波长分配方法，其特征在于，包括：
S1：获取环形网络的初始通信量矩阵和通信路径的映射向量；
S2：根据所述映射向量对所述初始通信量矩阵进行映射，得到映射后通信量矩阵；
S3：根据所述映射后通信量矩阵获取输出状态矩阵；
S4：利用连续霍普菲尔德神经网络更新所述输出状态矩阵，获取最佳分配波长。


2.根据权利要求1所述的基于连续霍普菲尔德神经网络的波长分配方法，其特征在于，所述S1包括：
S11：获取环形网络的通信路径信息，并建立需要进行优化的环形网络的N个节点之间的通信量矩阵KNN；
S12：确定将N个节点置入环形网络中具体位置的映射向量MAP＝{n1，n2，...，ni，...，nN}，其中，ni表示第i个节点在经过映射后的网络中的编号，ni＝1～N，i＝1～N。


3.根据权利要求2所述的基于连续霍普菲尔德神经网络的波长分配方法，其特征在于，所述S2包括：
根据所述映射向量MAP对所述通信量矩阵KNN进行映射，得到映射后通信量矩阵Kmapped：
Kmapped[i，j]＝KNN[MAP(i)，MAP(j)]
其中，i＝1～N，j＝1～N，Kmapped[i，j]表示映射后的通信量矩阵中第i行、第j列的元素。


4.根据权利要求1所述的基于连续霍普菲尔德神经网络的波长分配方法，其特征在于，所述S3包括：
S31：采用随机数定义所述映射后通信量矩阵Kmapped对应的初始输出状态矩阵，每个随机数的范围为0～1，且输出状态矩阵与输入状态矩阵的关系满足：



其中，U(t)为t时刻的输入状态，V(t)为t时刻的输出状态，q为激活函数的斜率；
S32：根据输出状态矩阵与输入状态矩阵的关系，获得t时刻的输入状态表达式：
U(t)＝arctanh(2×V(t)-1)×q。


5.根据权利要求4所述的基于连续霍普菲尔德神经网络的波长分配方法，其特征在于，所述S4包括：
S41：初始化矩阵循环标志p及其最大循环次数，程序循环标志r及其最大循环次数，输出状态矩阵检测标志flag，最坏信噪比组成的行向量SNRwc以及SNRwc中最大信噪比对应的索引index；
S42：对所述输出状态矩阵进行初始化，并获取对应的输入状态矩阵；
S43：确定所述连续霍普菲尔德神经网络的能量函数权值并计算能量函数的输出增量；
S44：根据能量函数的输出增量对所述输出状态矩阵进行更新，并根据门限对所述输出状态矩阵进行调整，获得波长分配结果和对应的最坏信噪比组成的行向量SNRwc；
S45：检测程序循环标志r是否达到最大循环次数，若是，则执行S46，若否，则返回步骤S41；
S46：根据所述最坏信噪比组成的行向量SNRwc找到最大信噪比SNRoptimal及SNRoptimal对应的索引值index，根据所述索引值index选出所述SNRoptimal对应的波长分配结果：
[SNRoptimal，index]＝max(SNRwc)
Path＝Path(index)
其中，Path(index)表示程序达到最大运行次数后，所有的波长分配结果中索引值为index的结果。


6.根据权利要求5所述的基于连续霍普菲尔德神经网络的波长分配方法，其特征在于，所述S43包括：
S431：确定所述连续霍普菲尔德神经网络的四个能量函数权值A、B、C和D，其分别对应能量函数的三个约束条件和一个网络代价信息；
S432：获取所述四个能量函数权值A、B、C和D的四个增量；
S433：根据所述四个增量获得总增量函数；
S434：根据所述总增量函数对能量函数的输出总增量进行计算。


7.根据权利要求6所述的基于连续霍普菲尔德神经网络的波长分配方法，其特征在于，所述S432包括：
S4321：获得第一能量函数m1，其对应的约束条件是环形网络中每一个节点只能有一个映射，在输出状态...

【专利技术属性】
技术研发人员：李慧，张天宇，顾华玺，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61