【技术实现步骤摘要】
一种基于机器学习的光信道误码率预测方法
[0001]本专利技术涉及
AI
监督学习领域及预测性运维领域,具体为一种基于机器学习的光信道误码率预测方法
。
技术介绍
[0002]光传送网
(OTN)
技术是电网络与全光网折衷的产物,指在光域内实现业务信号的传送
、
复用
、
路由选择
、
监控,并且保证其性能指标和生存性的传送网络;因此光信道
OCh
层具备了类似
SDH/SONet
网络中基于单波长的
OMAP
功能,目前业界针对光信道误码率的预测主要采用基于深度学习的循环神经网络
RNN
算法,其中
ARIMA
模型是时间序列预测分析最主要的机器学习方法之一
。
[0003]现有技术中,光信道误码率数据存在较多的突变“数据段”,且突变是跨数量级的,这就导致即便用
n
阶差分,都不可能消除这样数据的不平稳性;但是“数据段”内的数据又是“平稳的”,所以从理论上来说,即便数据段突变处可能无法预测准确,但是突变后的“数据段”内的数据又基本上是“平稳的”,另一方面光信道误码率数据存在较多的突变“数据点”(
噪声
)
,噪声达到一定数量,将会对机器学习造成严重的影响
。
技术实现思路
[0004]针对现有技术存在的不足,本专利技术目的是提供一种基于机器学习的光信道误码率预测方法,以解 ...
【技术保护点】
【技术特征摘要】
1.
一种基于机器学习的光信道误码率预测方法,其特征在于:包括建模及训练阶段和部署推理阶段,所述建模及训练阶段包括数据采集
、
数据对数化
、
数据动态偏置
、
数据幂指变换
、
数据平稳性检验
、
数据差分
、
模型定阶
、
模型构建
、
模型检验
、
模型评价,所述部署推理阶段包括数据采集
、
数据对数化
、
数据动态偏置
、
数据幂指变换
、
数据差分
、
推理引擎推力
、
数据幂指恢复
、
数据动态偏置恢复
、
数据指数化
、
输出预测结果,通过上述过程并用
ARIMA
模型来对光网络的光域光信道误码率进行建模
、
学习
、
训练和预测,该预测方法包含数据对数变换可差分化方法:降低数据数量级将数据范围缩小至
‑
10
~0范围内,解决误码率数量级变化导致的不可差分问题,所述该预测方法包含基于幂指函数动态偏置的
ARIMA
模型方法,解决光信道误码数据中“突变数据”“不平稳数据”导致无法进行自回归问题,在
ARIMA
模型中首先通过幂指函数动态偏置,其中将其数据变的更加平稳
,
然后再利用
ARIMA
模型针对
y'
数据进行机器学习得到模型,所述幂指函数动态偏置的过程中,动态偏置将其数据变换至以“0”为中心附近波动;且幂指函数将数据向
+1...
【专利技术属性】
技术研发人员:何舟,张鹏,肖泳,胡昱,李莹玉,陈晓辉,
申请(专利权)人:华中科技大学武汉慧联无限科技有限公司中国地质大学武汉,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。