高速鐵路光傳送網(OTN,Optical Transport Network)是高速鐵路正常運行的保障。光傳送網絡故障的產生會導致業(yè)務的中斷以及信息的丟失,不僅會影響列車的安全運行,也對用戶造成經濟損失。因此在網絡發(fā)生故障時,高效的故障定位機制能夠為故障的快速恢復提供條件,是網絡安全運行的保障。此外,當前高速鐵路信息業(yè)務量不斷增大,業(yè)務的種類趨向多樣化,為滿足業(yè)務的需求,光傳送網絡的拓撲結構也越來越復雜。在這種發(fā)展趨勢下,如何保證網絡的良好的服務質量(Quality of Service,QoS)成為了最基本的問題之一,而光網絡的擁塞控制則是實現優(yōu)良的QoS機制的關鍵技術。本文將機器學習的算法應用于光網絡的故障定位和網絡的擁塞程度的預測中,主要研究內容如下:(1)提出了基于GRU(Gated Recurrent Unit)神經網絡的故障定位的方法,主要解決光傳送網絡的單鏈路故障。該方法是利用神經網絡對鏈路的歷史故障數據進行訓練,然后通過分析發(fā)生故障時鏈路的狀態(tài)信息來實現對故障鏈路的定位。本文基于鐵路骨干環(huán)鏈路搭建動態(tài)業(yè)務模型進行故障定位的仿真,仿真中對GRU的參數進行了優(yōu)化,并在相同條件...

【文章頁數】：74 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 研究背景與意義
        1.1.1 高速鐵路光傳送網絡發(fā)展現狀
        1.1.2 高速鐵路光傳送網絡發(fā)展面對的關鍵問題
    1.2 國內外研究現狀
        1.2.1 機器學習的發(fā)展
        1.2.2 機器學習在光傳送網的研究現狀
    1.3 機器學習在高速鐵路光傳送網的應用
        1.3.1 故障定位需求分析
        1.3.2 網絡擁塞需求分析
    1.4 論文的研究內容與結構安排
2 機器學習的相關理論概述
    2.1 機器學習的基本介紹
    2.2 支持向量機
        2.2.1 線性支持向量機
        2.2.2 非線性支持向量機
    2.3 神經網絡的介紹
        2.3.1 RNN神經網絡模型
        2.3.2 LSTM神經網絡模型
        2.3.3 GRU神經網絡模型
    2.4 本章小結
3 光傳送網絡故障定位
    3.1 光傳送網絡故障分類
    3.2 搭建數據集合
        3.2.1 MTBF的韋伯分布
        3.2.2 生成數據集合
        3.2.3 采用GRU神經網絡的可行性
    3.3 仿真數據
        3.3.1 鐵路骨干網介紹
        3.3.2 搭建動態(tài)網絡模型
    3.4 搭建GRU神經網絡
        3.4.1 仿真過程及參數
        3.4.2 參數優(yōu)化
        3.4.3 與LSTM的對比結果
    3.5 本章小結
4 光網絡擁塞程度預測
    4.1 影響因素
    4.2 網絡擁塞的預測方案
        4.2.1 相關參數
        4.2.2 數據集合
        4.2.3 采用SVM算法的可行性
    4.3 仿真實驗
        4.3.1 仿真參數
        4.3.2 基于SVM的分類過程
    4.4 參數優(yōu)化
    4.5 結果分析
    4.6 本章小結
5 結論
    5.1 全文總結
    5.2 研究展望
參考文獻
作者簡歷及攻讀碩士學位期間取得的研究成果
學位論文數據集



本文編號：4047653