传输链路的质量模型确定方法、装置以及电子设备制造方法及图纸

本发明专利技术公开了一种传输链路的质量模型确定方法、装置以及电子设备。其中，该方法包括：获取电力光纤的传输链路对应的训练指标数据，其中，上述训练指标数据用于表征上述传输链路的质量状况；基于聚类算法，得到上述训练指标数据对应的分类结果；基于上述分类结果，确定上述训练指标数据对应的质量等级标签；根据上述训练指标数据，以及上述训练指标数据对应的上述质量等级标签，采用深度残差网络算法对预定初始质量模型进行训练，得到上述传输链路对应的目标质量模型。本发明专利技术解决了由于传输链路的质量模型受数据噪声的干扰，造成模型准确性低，鲁棒性差，收敛性低的技术问题。收敛性低的技术问题。收敛性低的技术问题。

【技术实现步骤摘要】
传输链路的质量模型确定方法、装置以及电子设备


[0001]本专利技术涉及电子信息
，具体而言，涉及一种传输链路的质量模型确定方法、装置以及电子设备。

技术介绍

[0002]目前，电力光纤传输网中存在部分使用期限较长的老旧设备及传输链路，因此对运维保障工作提出了更高的要求，需要主动对传输链路质量进行实时评价与感知，从而为电力光纤传输网的安全、可靠运行提供支持。相关技术中常常采用的链路质量评估，主要通过主观评价法和客观评价法获得质量模型。由于主观评价法过于依赖专家经验，主观性太强，且容易出现信息重复、信息丢失等问题，而一般的客观评价法容易受到数据噪声干扰，导致应用局限性强，质量模型的收敛性低。
[0003]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本专利技术实施例提供了一种传输链路的质量模型确定方法、装置以及电子设备，以至少解决由于传输链路的质量模型受数据噪声的干扰，造成模型准确性低，鲁棒性差，收敛性低的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种传输链路的质量模型确定方法，包括：获取电力光纤的传输链路对应的训练指标数据，其中，所述训练指标数据用于表征所述传输链路的质量状况；基于聚类算法，得到所述训练指标数据对应的分类结果；基于所述分类结果，确定所述训练指标数据对应的质量等级标签；根据所述训练指标数据，以及所述训练指标数据对应的所述质量等级标签，采用深度残差网络算法对预定初始质量模型进行训练，得到所述传输链路对应的目标质量模型。r/>[0006]可选地，所述获取电力光纤的传输链路对应的训练指标数据，包括：获取所述电力光纤的所述传输链路的初始数据；基于所述初始数据对应的方差值，对所述初始数据进行数据清洗处理，得到所述传输链路对应的所述训练指标数据。
[0007]可选地，在所述训练指标数据为多组，多组训练指标数据对应于多个训练指标的情况下，所述基于聚类算法，得到所述训练指标数据对应的分类结果，包括：对所述多组训练指标数据进行分类，确定所述多组训练指标数据中的正向指标数据和负向指标数据，其中，所述正向指标数据为所述多组训练指标数据中数值大小与所述质量状况成正比的训练指标数据，所述负向指标数据为所述多组训练指标数据中数值大小与所述质量状况成反比的训练指标数据；对所述正向指标数据进行第一归一化处理，得到处理后的所述正向指标数据；对所述负向指标数据进行第二归一化处理，得到处理后的所述负向指标数据；基于处理后的所述正向指标数据和处理后的所述负向指标数据，得到处理后的所述多组训练指标数据；基于所述聚类算法，采用处理后的所述多组训练指标数据和预设的聚类簇数数量，得到处理后的所述多组训练指标数据分别对应的所述分类结果，其中，所述聚类算法为高斯
混合聚类算法。
[0008]可选地，在所述传输链路为多个的情况下，所述基于所述聚类算法，采用处理后的所述多组训练指标数据和预设的聚类簇数数量，得到处理后的所述多组训练指标数据分别对应的所述分类结果，包括：基于所述聚类算法，采用处理后的所述多组训练指标数据和预设的聚类簇数数量，通过以下方式进行处理，得到处理后的所述多组训练指标数据分别对应的簇概率，其中，所述簇概率为基于预设的聚类簇头的概率：
[0009][0010]其中，p(x)为所述处理后的所述多组训练指标数据中的第x组训练指标数据的所述簇概率，μ
i
为多个传输链路中第i个传输链路的均值向量，∑
i
为所述多个传输链路中第i个传输链路的协方差矩阵，a
i
为所述多个传输链路中第i个传输链路的混合系数，p(x|μ
i
,∑
i
)为所述多个传输链路中第i个传输链路中的处理后的所述多组训练指标数据中的第x组训练指标数据的多元高斯分布概率密度函数，i为所述多个传输链路的标识，k为所述聚类簇数数量，x为所述处理后的所述多组训练指标数据的标识；根据所述簇概率和所述聚类簇数数量，将处理后的所述多组训练指标数据进行划分处理，得到处理后的所述多组训练指标数据分别对应的所述分类结果。
[0011]可选地，在所述训练指标数据为多组，多组训练指标数据对应于多个训练指标的情况下，所述基于所述分类结果，确定所述训练指标数据对应的所述质量等级标签，包括：采用变异系数法对多组训练指标数据进行处理，得到所述多个训练指标分别对应的权重值；基于所述权重值和所述分类结果，确定所述多组训练指标数据分别对应的所述质量等级标签。
[0012]可选地，所述根据所述训练指标数据，以及所述训练指标数据对应的所述质量等级标签，采用深度残差网络算法对预定初始质量模型进行训练，得到所述传输链路对应的目标质量模型，包括：根据所述训练指标数据，以及所述训练指标数据对应的所述质量等级标签，采用所述深度残差网络算法对预定初始质量模型进行训练，得到训练后的所述预定初始质量模型；基于动量梯度下降优化法，对训练后的所述预定初始质量模型进行优化处理，得到所述目标质量模型，其中，所述动量梯度下降法为采用指数加权移动平均法的梯度下降方法。
[0013]可选地，所述方法还包括：获取待测传输链路的待测试指标数据；将所述待测试指标数据输入所述目标质量模型进行测试，得到所述待测传输链路的所述待测试指标数据对应的质量测试结果。
[0014]根据本专利技术实施例的另一方面，还提供了一种传输链路的质量模型确定装置，包括：第一获取模块，用于获取电力光纤的传输链路对应的训练指标数据，其中，所述训练指标数据用于表征所述传输链路的质量状况；分类模块，用于基于聚类算法，得到所述训练指标数据对应的分类结果；确定模块，用于基于所述分类结果，确定所述训练指标数据对应的质量等级标签；第二获取模块，用于根据所述训练指标数据，以及所述训练指标数据对应的所述质量等级标签，采用深度残差网络算法对预定初始质量模型进行训练，得到所述传输链路对应的目标质量模型。
[0015]根据本专利技术实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性
存储介质存储有多条指令，所述指令适于由处理器加载并执行任意一项所述的传输链路的质量模型确定方法。
[0016]根据本专利技术实施例的另一方面，还提供了一种电子设备，包括：一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现任意一项所述的传输链路的质量模型确定方法。
[0017]在本专利技术实施例中，通过获取电力光纤的传输链路对应的训练指标数据，其中，所述训练指标数据用于表征所述传输链路的质量状况；基于聚类算法，得到所述训练指标数据对应的分类结果；基于所述分类结果，确定所述训练指标数据对应的质量等级标签；根据所述训练指标数据，以及所述训练指标数据对应的所述质量等级标签，采用深度残差网络算法对预定初始质量模型进行训练，得到所述传输链路对应的目标质量模型。达到了分类传输链路的指标数据，减少数据噪声，提高质量模型的处理效率的目的，从而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种传输链路的质量模型确定方法，其特征在于，包括：获取电力光纤的传输链路对应的训练指标数据，其中，所述训练指标数据用于表征所述传输链路的质量状况；基于聚类算法，得到所述训练指标数据对应的分类结果；基于所述分类结果，确定所述训练指标数据对应的质量等级标签；根据所述训练指标数据，以及所述训练指标数据对应的所述质量等级标签，采用深度残差网络算法对预定初始质量模型进行训练，得到所述传输链路对应的目标质量模型。2.根据权利要求1所述的方法，其特征在于，所述获取电力光纤的传输链路对应的训练指标数据，包括：获取所述电力光纤的所述传输链路的初始数据；基于所述初始数据对应的方差值，对所述初始数据进行数据清洗处理，得到所述传输链路对应的所述训练指标数据。3.根据权利要求1所述的方法，其特征在于，在所述训练指标数据为多组，多组训练指标数据对应于多个训练指标的情况下，所述基于聚类算法，得到所述训练指标数据对应的分类结果，包括：对所述多组训练指标数据进行分类，确定所述多组训练指标数据中的正向指标数据和负向指标数据，其中，所述正向指标数据为所述多组训练指标数据中数值大小与所述质量状况成正比的训练指标数据，所述负向指标数据为所述多组训练指标数据中数值大小与所述质量状况成反比的训练指标数据；对所述正向指标数据进行第一归一化处理，得到处理后的所述正向指标数据；对所述负向指标数据进行第二归一化处理，得到处理后的所述负向指标数据；基于处理后的所述正向指标数据和处理后的所述负向指标数据，得到处理后的所述多组训练指标数据；基于所述聚类算法，采用处理后的所述多组训练指标数据和预设的聚类簇数数量，得到处理后的所述多组训练指标数据分别对应的所述分类结果，其中，所述聚类算法为高斯混合聚类算法。4.根据权利要求3所述的方法，其特征在于，在所述传输链路为多个的情况下，所述基于所述聚类算法，采用处理后的所述多组训练指标数据和预设的聚类簇数数量，得到处理后的所述多组训练指标数据分别对应的所述分类结果，包括：基于所述聚类算法，采用处理后的所述多组训练指标数据和预设的聚类簇数数量，通过以下方式进行处理，得到处理后的所述多组训练指标数据分别对应的簇概率，其中，所述簇概率为基于预设的聚类簇头的概率：其中，p(x)为所述处理后的所述多组训练指标数据中的第x组训练指标数据的所述簇概率，μ
i
为多个传输链路中第i个传输链路的均值向量，∑
i
为所述多个传输链路中第i个传输链路的协方差矩阵，a
i
为所述多个传输链路中第i个传输链路的混合系数，p(x|μ
i
,∑
i
)为所述多个传输链路中第i个...

【专利技术属性】
技术研发人员：郝佳恺，白晶，温明时，高鹏，官丽，尹康，赵广怀，赵永强，徐绍军，张伍伟，帅萌，陈倩，王敏昭，高嵩，金明，李宇婷，杨杨，胡皓，
申请(专利权)人：国家电网有限公司北京邮电大学，
类型：发明
国别省市：