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

【文章來源】：通信學報. 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預測性能。從表2可以看出，在該度量標準下，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因子預測誤差對比

單信道模式Q因子預測誤差對比

【參考文獻】：
期刊論文
[1]基于機器學習的光鏈路建立中的傳輸質(zhì)量預測技術(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)絡的色散和OSNR監(jiān)測[J]. 張肅,王目光.  光電技術(shù)應用. 2018(01)
[3]5G若干關(guān)鍵技術(shù)評述[J]. 張平,陶運錚,張治.  通信學報. 2016(07)
[4]5G移動通信網(wǎng)絡關(guān)鍵技術(shù)綜述[J]. 趙國鋒,陳婧,韓遠兵,徐川.  重慶郵電大學學報(自然科學版). 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:信息科學. 2014(05)
[6]智能光網(wǎng)絡發(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. 2014(02)
[7]AdaBoost算法研究進展與展望[J]. 曹瑩,苗啟廣,劉家辰,高琳.  自動化學報. 2013(06)
[8]光網(wǎng)絡性能監(jiān)測技術(shù)[J]. 李少暉,沈世奎.  電信網(wǎng)技術(shù). 2012(12)
[9]集成學習: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