針對動態(tài)廣域光骨干網(wǎng)中光信道傳輸質(zhì)量預(yù)測方法精確度不足的問題,以集成學(xué)習(xí)理論為基礎(chǔ)提出一種光信道傳輸質(zhì)量預(yù)測方法。首先,在堆棧集成學(xué)習(xí)框架下構(gòu)建了由5個多層感知器模型組成的基學(xué)習(xí)器,通過并行組合的方式實(shí)現(xiàn)了樣本數(shù)據(jù)的同態(tài)集成學(xué)習(xí)。然后,融合基學(xué)習(xí)器的預(yù)測結(jié)果形成新的訓(xùn)練集,用于訓(xùn)練由單一多層感知器組成的元學(xué)習(xí)器。仿真結(jié)果表明,對比深度神經(jīng)網(wǎng)絡(luò),所提方法在單信道和多信道Qo T預(yù)測場景下具有更優(yōu)秀的非線性逼近性能,預(yù)測精度分別提高了1.93%和3.82%。 

【文章來源】：通信學(xué)報(bào). 2020,41(09)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

基于EL-MLP的Q因子預(yù)測模型

表2從MAE和MSE這2個方面對比了EL-MLP和ANN的單信道模式Qo T預(yù)測性能。從表2可以看出，在該度量標(biāo)準(zhǔn)下，EL-MLP對Q因子時間序列的非線性逼近性能優(yōu)于ANN一個數(shù)量級以上。圖3 單信道模式Q因子預(yù)測誤差對比

單信道模式Q因子預(yù)測誤差對比

【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)器學(xué)習(xí)的光鏈路建立中的傳輸質(zhì)量預(yù)測技術(shù)[J]. 鄢然,鄭豪,李蔚.  光通信技術(shù). 2020(06)
[2]基于廣義回歸神經(jīng)網(wǎng)絡(luò)的色散和OSNR監(jiān)測[J]. 張肅,王目光.  光電技術(shù)應(yīng)用. 2018(01)
[3]5G若干關(guān)鍵技術(shù)評述[J]. 張平,陶運(yùn)錚,張治.  通信學(xué)報(bào). 2016(07)
[4]5G移動通信網(wǎng)絡(luò)關(guān)鍵技術(shù)綜述[J]. 趙國鋒,陳婧,韓遠(yuǎn)兵,徐川.  重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(04)
[5]5G移動通信發(fā)展趨勢與若干關(guān)鍵技術(shù)[J]. 尤肖虎,潘志文,高西奇,曹淑敏,鄔賀銓.  中國科學(xué):信息科學(xué). 2014(05)
[6]智能光網(wǎng)絡(luò)發(fā)展歷程的回顧和展望:從ASON到PCE,再到SDON[J]. 華楠,鄭小平.  電信科學(xué). 2014(02)
[7]AdaBoost算法研究進(jìn)展與展望[J]. 曹瑩,苗啟廣,劉家辰,高琳.  自動化學(xué)報(bào). 2013(06)
[8]光網(wǎng)絡(luò)性能監(jiān)測技術(shù)[J]. 李少暉,沈世奎.  電信網(wǎng)技術(shù). 2012(12)
[9]集成學(xué)習(xí):Boosting算法綜述[J]. 于玲,吳鐵軍.  模式識別與人工智能. 2004(01)



本文編號：3479133