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技术

本发明专利技术公开了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，收集并加载广域光骨干网络中的用于传输质量试验的多条信道的Q因子数据，设置包含信道状态和Q因子特征的组合向量表达每一条信道中Q因子状态；选择组合向量中需要同时进行预测的多条信道数据进行归一化处理，作为训练样本，对构建的CESN神经网络结构进行训练，用训练好的CESN预测模型进行预测，再对预测结果进行反归一化得到预测的多信道Q因子数据值。该方法可以克服传统机器学习方法中存在的低时效问题，提供高准确度和高时间效率的光网络传输质量预测模型；同时，该方法可以同时预测多条光路的传输质量，减少网络损耗并提高效率。减少网络损耗并提高效率。减少网络损耗并提高效率。

【技术实现步骤摘要】
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


[0001]本专利技术属于计算机应用
，具体涉及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。

技术介绍

[0002]5G时代的到来不断促进云计算、远程教育、智能城市、自动驾驶等高端需求的进一步发展，致使终端用户数量、网络业务量和数据流量正以井喷式的速度快速增长，这使得支撑数字通信基础设施的广域光骨干网络面临严峻的挑战。为及时满足用户需求，光网络需要在短时间内完成有效的资源分配任务。目前，光网络运营商通过分配较大的裕度来保证光路的传输质量，从而维护光路在生命周期内可能出现的性能下降，因此准确的传输质量预测模型对于提高光网络运行效率和优化网络资源使用至关重要。
[0003]近年来，机器学习的兴起使其逐渐成为光网络传输质量(Quality of Transmission,QoT)预测的主流方法。机器学习使得表示高维数据和近似复杂函数成为可能。现阶段研究成果主要采用随机森林、支持向量机和K近邻算法的传统机器学习方法以及利用人工神经网络建模进行光网络QoT预测。这些方案均通过训练数据集学习光网络的损伤参数(如质量因子、光信噪比、误码率等)，从而得到光路的传输质量。
[0004]然而，现有模型的精度仍不令人满意，并且这些方法未能关注到预测任务中的时间消耗，在实际场景中无法同时兼顾精度与时间效率两方面的要求。训练时间过长不适合用于实际应用中的如在线预测等实时数据处理，从而影响光网络运营商的判断与决策；另一方面，现有的研究主要集中于单信道预测上，无法为整个光网络提供完整QoT信息。因此，在广域光骨干网络中，为光网络提供高效精准的多信道QoT预测是当前亟需解决的重要问题。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供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。该方法可以克服传统机器学习方法中存在的低时效问题，提供高准确度和高时间效率的光网络传输质量预测模型；同时，该方法可以同时预测多条光路的传输质量，减少网络损耗并提高效率，为后续进行有效的光网络资源分配和优化奠定基础，保障业务的可靠性。
[0006]本专利技术是通过以下技术方案实现的：
[0007]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，包括以下步骤：
[0008]S1、收集并加载广域光骨干网络中的用于传输质量试验的多条信道的Q因子数据，设置包含信道状态和Q因子特征的组合向量来表达每一条信道中Q因子的状态；
[0009]S2、选择S1中的组合向量中需要同时进行预测的多条信道数据进行归一化处理，作为训练样本；
[0010]S3、根据S2中的输入信道数量确定输入层和输出层节点个数，确定CESN神经网络
各层之间的激活函数类型，构建CESN神经网络结构；
[0011]S4、采用网格搜索与前向交叉验证相结合的方法优化CESN神经网络中的储备池规模和谱半径，采用S2中的训练样本训练CESN神经网络结构；
[0012]S5、用训练好的CESN预测模型进行预测，对预测结果进行反归一化得到预测的多信道Q因子数据值。
[0013]在上述技术方案中，数据归一化处理是将采集到的数据通过归一化公式映射到(0,1)区间，所述归一化公式为：其中，x
m
为归一化后的数据，x为待归一化输入的数据，x
min
为所有待归一化输入数据中的最小值，x
max
为所有待归一化输入数据中的最大值。
[0014]在上述技术方案中，CESN神经网络结构的输入层和储备池之间、储备池与输出层之间的激活函数选取线性恒等变换函数identity，储备池内部的激活函数选用双曲正切函数Tanh，激活函数表达式为：
[0015]identity函数：f1(x)＝x
[0016]Tanh函数：f2(x)＝(e
x-e-x
)/(e
x
+e-x
)
[0017]x为输入层、储备池或输出层任一节点的总输入，f(x)为输入层、储备池或输出层任一节点的总输出。
[0018]在上述技术方案中，所述网格搜索与前向交叉验证结合优化参数的步骤如下：
[0019]步骤一、确定需要优化的参数和参数取值范围，需要优化的参数为储备池规模(N)和谱半径(λ)；
[0020]步骤二、在取值范围内构建网格，从第一个网格对应的参数对(N1,λ1)开始，遍历网格中所有参数对经过前向交叉验证后的均方误差值；
[0021]步骤三、找出最小均方误差值所对应的参数对。
[0022]在上述技术方案中，所述构建的CESN神经网络模型，包括K个输入节点，N个储备池内部隐藏层节点和L个输出层节点，其中输入层状态为s(t)，储备池状态为x(t)，输出层状态为y(t)，各层之间关系如下：
[0023]输入层与隐藏层之间存在连接权值矩阵为W
in
，储备池之间的连接权值矩阵为W
res
，隐藏层到输入层的连接权值矩阵为W
out
，同时存在从前一个输出层到当前隐藏层的连接，其连接权值矩阵为W
fb
；
[0024]储备池状态为x(t)在收到输入层的多信道Q因子数据输入后进行状态更新，CESN的储备池状态更新方程表示为：
[0025]x(t+1)＝F
res
(W
in
s(t+1)+W
res
x(t)+W
fb
y(t))
[0026]其中，W
in
和W
res
都是随机初始化的参数，并且在整个过程中保持不变，s(t+1)和x(t+1)分别为当前的输入层和隐藏层的状态，而x(t)表示当前隐藏层上一个状态，当t＝0时，x(t)用0进行初始化；
[0027]输出层的状态y(t)的输出方程为：
[0028]y(t)＝F
output
(W
out
[x(t)；s(t)])
[0029][；]表示两个向量之间的级联计算，CESN进行训练能够得到W
out
。
[0030]在上述技术方案中，CESN神经网络的训练过程包括以下步骤：
[0031]步骤一、将训练样本中的多条信道内的Q因子数据输入到CESN神经网络模型进行训练，此时，该模型的隐藏层初始化状态为x(0)＝0，然后通过状态更新方程更新该模型；
[0032]步骤二、考虑到回声状态属性，对储备池之间的连接权值矩阵进行谱半径规模的放缩，执行以下操作：
[0033]W
res
←
γW
res
/|λ|
[0034]其中λ为谱半径，γ为范围在(0,1)之间的放缩参数；
[0035]步骤三、将隐藏层的状态x(t)添加到状态集合矩阵X中以存储所有隐藏层的状态，同时将输出层获取到的对应读本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于回声状态网络的光网络多信道传输质量预测方法，其特征在于：包括以下步骤：S1、收集并加载广域光骨干网络中的用于传输质量试验的多条信道的Q因子数据，设置包含信道状态和Q因子特征的组合向量来表达每一条信道中Q因子的状态；S2、选择S1中的组合向量中需要同时进行预测的多条信道数据进行归一化处理，作为训练样本；S3、根据S2中的输入信道数量确定输入层和输出层节点个数，确定CESN神经网络各层之间的激活函数类型，构建CESN神经网络结构；S4、采用网格搜索与前向交叉验证相结合的方法优化CESN神经网络中的储备池规模和谱半径，采用S2中的训练样本训练CESN神经网络结构；S5、用训练好的CESN神经网络预测模型进行预测，对预测结果进行反归一化得到预测的多信道Q因子数据值。2.根据权利要求1所述的基于回声状态网络的光网络多信道传输质量预测方法，其特征在于：所述数据归一化处理是将采集到的数据通过归一化公式映射到(0,1)区间，归一化公式为：其中，x
m
为归一化后的数据，x为待归一化输入的数据，x
min
为所有待归一化输入数据中的最小值，x
max
为所有待归一化输入数据中的最大值。3.根据权利要求1所述的基于回声状态网络的光网络多信道传输质量预测方法，其特征在于：CESN神经网络结构的输入层和储备池之间、储备池与输出层之间的激活函数选取线性恒等变换函数identity，储备池内部的激活函数选用双曲正切函数Tanh，激活函数表达式为：identity函数：f1(x)＝xTanh函数：f2(x)＝(e
x-e-x
)/(e
x
+e-x
)x为输入层、储备池或输出层任一节点的总输入，f(x)为输入层、储备池或输出层任一节点的总输出。4.根据权利要求1所述的基于回声状态网络的光网络多信道传输质量预测方法，其特征在于：所述网格搜索与前向交叉验证结合优化参数的步骤如下：步骤一、确定需要优化的参数和参数取值范围，需要优化的参数为储备池规模(N)和谱半径(λ)；步骤二、在取值范围内构建网格，从第一个网格对应的参数对(N1,λ1)开始，遍历网格中所有参数对经过前向交叉验证后的均方误差值；步骤三、找出最小均方误差值所对应的参数对。5.根据权利要求1所述的基于回声状态网络的光网络多信道传输质量预测方法，其特征在于：所述构建的CESN神经网络模型，包括K个输入节点，N个储备池内部隐藏层节点和L个输出层节点，其中输入层状态为s(t)，储备池状态为x(t)，输出层状态为y(t)，各层之间关系如下：输入层与隐藏层之间存在连接权值矩阵为W
in
，储备池之间的连接权值矩阵为W
res
，...

【专利技术属性】
技术研发人员：李莹琦，王嘉林，曹荻非，才迪，秦林林，李志刚，孙晓川，
申请(专利权)人：华北理工大学，
类型：发明
国别省市：