申请/专利权人：北京邮电大学

申请日：2021-08-13

公开（公告）日：2024-03-22

公开（公告）号：CN113627621B

主分类号：G06N20/20

分类号：G06N20/20;G06F18/27;G06F18/214

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.11.26#实质审查的生效;2021.11.09#公开

摘要：本发明公开了一种面向光网络传输质量回归估计的主动学习方法，基于预测不确定性感知构建信息量估计模型，通过预测模型对特定配置参数对应GSNR估计值的概率分布，计算信息熵以筛选信息量更大，更具代表性的样本，迭代地选择对GSNR的精确估计最有价值的样本扩展数据集，以尽可能少的样本表征更全面的数据集信息，提高模型的泛化性能。本发明的方法在可监测GSNR实例的光路数量受限的条件下，可以用尽可能少的训练样本实现更精确的QoT估计，有效提升了小样本条件下QoT估计模型的预测精度，降低了达到目标性能所需的光路实例，有效减少了光网络资源的浪费。

主权项：1.一种面向光网络传输质量回归估计的主动学习方法，其特征在于，包括以下步骤：步骤1、采集QoT相关数据；步骤2、根据当前网络可配置的光路特征参数，建立未标记样本池；步骤3、基于已有已标注数据建立训练集；步骤4、以MSE为目标函数，基于步骤3中训练集对模型进行训练，得到QoT估计模型；QoT估计模型采用人工神经网络架构，以光路总长度、最大链路长度、传输功率、光路经过的链路数和跳数五个特征表征的光路信息作为模型输入，预测未建立光路的GSNR；QoT估计模型的预测方法为：将模型输出的预测结果看作一个随机变量，假设该变量服从概率分布PGSNRx，模型对GSNR的估计值为分布PGSNRx的一个采样点，通过计算PGSNRx的信息熵，感知某种配置参数下模型预测的不确定性，衡量该样本信息量的大小；分布PGSNRx服从高斯分布N～μ，σ，将神经网络的最后一层改为输出两个值，分别对应该分布的均值μ和方差σ2，通过计算输出高斯分布的熵H，评估样本的信息量，高斯分布信息熵计算公式如式1所示： 步骤5、验证QoT估计模型是否达到目标精度，如果达到即获得最终QoT估计模型，否则进入步骤6；步骤6、以NLL为目标函数训练模型得到预测不确定性感知模型；以NLL为目标函数的计算公式如式2所示： 其中，假设QoT数据集D包括N个样本，x表示用来表征光路的5个特征，即光路总长度，最大链路长度，传输功率，光路经过的链路数和跳数，y表示在实际网络中对该光路GSNR的测量值；模型输出的概率分布为pθy|x其中θ表示神经网络的参数，πθx，分别表示上述概率分布的均值和方差，constant表示在公式末尾添加一个常量；步骤7、利用预测不确定性感知模型感知未标记样本池中样本的预测不确定性，输出预测概率分布；步骤8、计算预测概率分布的信息熵，筛选信息量最大的光路配置参数；步骤9、根据信息量最大的光路配置参数部署对应探测光路，测量信息量最大的光路配置参数下真实的GNSR值；步骤10、将信息量最大的光路配置参数和相应的GSNR值添加进训练集，返回步骤3进行再训练，循环步骤3～9直到模型达到目标的预测精度，即停止循环，获取最终的QoT估计模型。

全文数据：

权利要求：

百度查询： 北京邮电大学 一种面向光网络传输质量回归估计的主动学习方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD