基于元迁移降维学习的光路传输质量预测方法及装置制造方法及图纸

本发明专利技术提供基于元迁移降维学习的光路传输质量预测方法及装置，其中方法包括：将目标光路特征数据输入传输质量预测模型，得到传输质量预测结果；传输质量预测模型的训练方法，包括：基于源域样本集构建多个元任务；在各元任务中训练人工神经网络模型，并从得到的多个预训练模型中确定目标预训练模型；基于目标域样本集，对目标预训练模型进行重训练，得到传输质量预测模型

【技术实现步骤摘要】
基于元迁移降维学习的光路传输质量预测方法及装置


[0001]本专利技术涉及机器学习
，尤其涉及一种基于元迁移降维学习的光路传输质量预测方法及装置
。

技术介绍

[0002]在光传输网络中，为了提高网络资源的利用率
、
提升光路传输的可靠性，需要在光路部署前对其传输质量
(Quality of Transmission
，
QoT)
进行准确的预测
。
[0003]现有的光路传输指令预测，可以基于机器学习
(Machine Learning
，
ML)
方法实现
。ML
作为一种以网络数据为基础的智能技术，可有效通过从大量数据中进行学习来提升光路
QoT
预测的性能，实现快速准确的
QoT
预测
。
然而，在实际的光网络中，训练样本的采集往往存在诸多的障碍，例如在光路中某些节点上性能监视器的缺少
、
网络部署初期可供监测的光路数量不足等等，导致所获得的光路样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于元迁移降维学习的光路传输质量预测方法，其特征在于，所述方法包括：将目标光路特征数据输入传输质量预测模型，得到所述传输质量预测模型输出的所述目标光路特征数据的传输质量预测结果；所述传输质量预测模型的训练方法，包括：基于源域样本集中各光路特征数据样本的光路长度特征，将所述源域样本集划分为多个样本子集，并基于所述多个样本子集，构建多个元任务；分别在各元任务中训练人工神经网络模型，得到多个预训练模型，并从多个预训练模型中确定目标预训练模型；基于目标域样本集，对所述目标预训练模型进行重训练，得到所述传输质量预测模型
。2.
根据权利要求1所述的基于元迁移降维学习的光路传输质量预测方法，其特征在于，所述分别在各元任务中训练人工神经网络模型，得到多个预训练模型，包括：基于主成分分析算法，对各样本子集中的样本进行特征提取，获取所述各样本子集中样本的相邻信道数量特征；基于所述各样本子集中样本的相邻信道数量特征，分别在各元任务中训练人工神经网络模型，得到多个预训练模型
。3.
根据权利要求1所述的基于元迁移降维学习的光路传输质量预测方法，其特征在于，所述从多个预训练模型中确定目标预训练模型，包括：从所述多个预训练模型中选取训练中收敛速度最快的模型作为所述目标预训练模型
。4.
根据权利要求1所述的基于元迁移降维学习的光路传输质量预测方法，其特征在于，所述分别在各元任务中训练人工神经网络模型，得到多个预训练模型，包括：基于各元任务对应的样本子集中的样本及其对应的传输质量标签，分别在各元任务中训练人工神经网络模型，得到多个预训练模型
。5.
根据权利要求1所述的基于元迁移降维学习的光路传输质量预测方法，其特征在于，所述基于目标域样本集，对所述目标预训练模型进行重训练，得到所述传输质量预测模型，包括：基于目标域样本集中的样...

【专利技术属性】
技术研发人员：谷志群，纪越峰，张佳玮，秦溏泽，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：