【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种光路传输质量估计方法、装置、电子设备及存储介质。
技术介绍
1、为了确保网络的稳定运行，通常情况下需要进行光路传输质量的估计。随着人工智能技术的快速发展，相关技术中通常使用现有光网络中的光路的传输参数和对应的光路传输质量值进行监督学习来训练模型，通过训练好的模型进行光路传输质量估计。
2、然而由于在实际场景中，可获知光路传输质量的光路的传输参数的数量比较有限，从而导致训练好的模型精度不高，影响光路传输质量的估计。
技术实现思路
1、针对现有技术存在的问题，本专利技术实施例提供一种光路传输质量估计方法、装置、电子设备及存储介质。
2、第一方面，本专利技术提供一种光路传输质量估计方法，包括：
3、在接收到光路请求的情况下，获取所述光路请求对应的候选光路的光路参数；
4、将所述光路参数输入光路传输质量估计模型，得到所述光路传输质量估计模型输出的所述候选光路的光路传输质量估计结果；
5、其中，所述光路传输质量估计模型是基于有标签光路数据集及无标签光路数据集对初始深度学习模型进行半监督学习训练得到的。
6、在一些实施例中，所述光路传输质量估计模型是通过以下方式训练得到的：
7、基于有标签光路数据集及所述有标签光路数据集对应的负对数似然函数对初始深度学习模型进行反向传播训练，得到初始光路传输质量估计模型；
8、基于所述初始光路传输质量估计模型获取无标签光路数据集对
9、构建所述负对数似然函数及所述预测方差对应的复合目标函数，所述复合目标函数是与模型参数有关的函数；
10、通过最大化所述负对数似然函数及最小化所述预测方差的方式更新所述复合目标函数中的模型参数，得到更新好的所述光路传输质量估计模型。
11、在一些实施例中，所述基于有标签光路数据集及所述有标签光路数据集对应的负对数似然函数对初始深度学习模型进行反向传播训练，得到初始光路传输质量估计模型，包括：
12、将所述有标签光路数据集输入初始深度学习模型，得到所述初始深度学习模型输出的第一估计值；
13、根据所述第一估计值及所述有标签数据集的真实值，得到所述初始深度学习模型对应的高斯后验概率分布；
14、基于所述有标签数据集对应的负对数似然函数获取所述高斯后验概率分布中的最优超参数，得到初始光路传输质量估计模型。
15、在一些实施例中，所述基于所述初始光路传输质量估计模型获取无标签光路数据集对应的预测方差，包括：
16、将所述无标签光路数据集输入所述初始光路传输质量估计模型，得到所述初始光路传输质量估计模型输出的第二估计值；
17、基于所述第二估计值及所述有标签数据集的真实值对应的联合高斯分布，获取无标签光路数据集对应的预测方差。
18、在一些实施例中，所述构建所述负对数似然函数及所述预测方差对应的复合目标函数，包括：
19、确定所述有标签光路数据集中的第一数据量及所述无标签光路数据集中的第二数据量；
20、根据所述第一数据量、所述第二数据量及预设比例系数，构建所述负对数似然函数及所述预测方差对应的复合目标函数，所述预设比例系数为在复合目标函数中，负对数似然和预测方差两个子项对整体函数的影响比例。
21、在一些实施例中，所述无标签光路数据集中的数据量大于所述有标签光路数据集中的数据量，且所述无标签光路数据集中的数据特征范围大于或等于待预测的候选光路对应的数据特征范围。
22、第二方面，本专利技术还提供一种光路传输质量估计装置，包括：
23、获取模块，用于在接收到光路请求的情况下，获取所述光路请求对应的候选光路的光路参数；
24、估计模块，用于将所述光路参数输入光路传输质量估计模型，得到所述光路传输质量估计模型输出的所述候选光路的光路传输质量估计结果；
25、其中，所述光路传输质量估计模型是基于有标签光路数据集及无标签光路数据集对初始深度学习模型进行半监督学习训练得到的。
26、第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述光路传输质量估计方法。
27、第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述光路传输质量估计方法。
28、第五方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述光路传输质量估计方法。
29、本专利技术提供的光路传输质量估计方法、装置、电子设备及存储介质，通过在接收到光路请求的情况下，获取光路请求对应的候选光路的光路参数；将光路参数输入光路传输质量估计模型，得到光路传输质量估计模型输出的候选光路的光路传输质量估计结果；其中，光路传输质量估计模型是基于有标签光路数据集及无标签光路数据集对初始深度学习模型进行半监督学习训练得到的，本专利技术通过使用有标签光路数据集及无标签光路数据集协同对模型进行训练，提高了模型的精度，进而提高了光路传输质量估计结果的精准度。
本文档来自技高网...【技术保护点】
1.一种光路传输质量估计方法，其特征在于，包括：
2.根据权利要求1所述光路传输质量估计方法，其特征在于，所述光路传输质量估计模型是通过以下方式训练得到的：
3.根据权利要求2所述光路传输质量估计方法，其特征在于，所述基于有标签光路数据集及所述有标签光路数据集对应的负对数似然函数对初始深度学习模型进行反向传播训练，得到初始光路传输质量估计模型，包括：
4.根据权利要求2所述光路传输质量估计方法，其特征在于，所述基于所述初始光路传输质量估计模型获取无标签光路数据集对应的预测方差，包括：
5.根据权利要求2所述光路传输质量估计方法，其特征在于，所述构建所述负对数似然函数及所述预测方差对应的复合目标函数，包括：
6.根据权利要求1至5任一项所述光路传输质量估计方法，其特征在于，所述无标签光路数据集中的数据量大于所述有标签光路数据集中的数据量，且所述无标签光路数据集中的数据特征范围大于或等于待预测的候选光路对应的数据特征范围。
7.一种光路传输质量估计装置，其特征在于，包括：
8.一种电子设备，包括存储器
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述光路传输质量估计方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述光路传输质量估计方法。
...【技术特征摘要】
1.一种光路传输质量估计方法，其特征在于，包括：
2.根据权利要求1所述光路传输质量估计方法，其特征在于，所述光路传输质量估计模型是通过以下方式训练得到的：
3.根据权利要求2所述光路传输质量估计方法，其特征在于，所述基于有标签光路数据集及所述有标签光路数据集对应的负对数似然函数对初始深度学习模型进行反向传播训练，得到初始光路传输质量估计模型，包括：
4.根据权利要求2所述光路传输质量估计方法，其特征在于，所述基于所述初始光路传输质量估计模型获取无标签光路数据集对应的预测方差，包括：
5.根据权利要求2所述光路传输质量估计方法，其特征在于，所述构建所述负对数似然函数及所述预测方差对应的复合目标函数，包括：
6.根据权利要求1至5任一项所述光路传输质量估计方法，...
【专利技术属性】
技术研发人员：谷志群，纪越峰，张佳玮，李铮，
申请(专利权)人：北京邮电大学，
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。