基于集成学习的广域光骨干网多信道传输质量预测方法

针对动态广域光骨干网中光信道传输质量预测方法精确度不足的问题,以集成学习理论为基础提出一种光信道传输质量预测方法。首先,在堆栈集成学习框架下构建了由5个多层感知器模型组成的基学习器,通过并行组合的方式实现了样本数据的同态集成学习。然后,融合基学习器的预测结果形成新的训练集,用于训练由单一多层感知器组成的元学习器。仿真结果表明,对比深度神经网络,所提方法在单信道和多信道QoT预测场景下具有更优秀的非线性逼近性能,预测精度分别提高了1.93%和3.82%。

基于改进GAN的光信道传输质量预测算法

低裕量设计可以提高网络资源利用效率,而光信道传输质量预测可以辅助完成低裕量自动化网络配置。传输质量容易受到各种光损伤因子的影响,为拓展此研究领域,以Q因子为通信质量的度量标准,提出了一种基于改进的生成式对抗网络(Generative Adversarial Network,GAN)的多变量光信道传输质量预测模型。实验结果表明,该模型可以实现传输质量的精准预测。此外,该模型的预测性能优于其他先进模型。

基于交叉递归图理论的光信道性能分析方法

为了及时准确地识别和处理光路故障,实现透明和实时的网络智能化管理,针对光信道状态性能监测提出一种基于交叉递归图理论的光信道性能分析方法。首先,该方法利用交叉递归图可视化邻近信道的状态参数分析影响信道的动力学特性;然后,通过定量分析方法来量化2个序列系统的同步特性。仿真结果表明,光信道性能与邻近信道状态参数具有相似的动力学形态,证实了其潜在的关联特性。