基于集成学习的广域光骨干网多信道传输质量预测方法

发布时间：2021-11-06 04:09

　　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Qo T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%。 

【文章来源】：通信学报. 2020,41(09)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

基于EL-MLP的Q因子预测模型

表2从MAE和MSE这2个方面对比了EL-MLP和ANN的单信道模式Qo T预测性能。从表2可以看出，在该度量标准下，EL-MLP对Q因子时间序列的非线性逼近性能优于ANN一个数量级以上。图3 单信道模式Q因子预测误差对比

单信道模式Q因子预测误差对比

【参考文献】：
期刊论文
[1]基于机器学习的光链路建立中的传输质量预测技术[J]. 鄢然,郑豪,李蔚.  光通信技术. 2020(06)
[2]基于广义回归神经网络的色散和OSNR监测[J]. 张肃,王目光.  光电技术应用. 2018(01)
[3]5G若干关键技术评述[J]. 张平,陶运铮,张治.  通信学报. 2016(07)
[4]5G移动通信网络关键技术综述[J]. 赵国锋,陈婧,韩远兵,徐川.  重庆邮电大学学报(自然科学版). 2015(04)
[5]5G移动通信发展趋势与若干关键技术[J]. 尤肖虎,潘志文,高西奇,曹淑敏,邬贺铨.  中国科学:信息科学. 2014(05)
[6]智能光网络发展历程的回顾和展望:从ASON到PCE,再到SDON[J]. 华楠,郑小平.  电信科学. 2014(02)
[7]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳.  自动化学报. 2013(06)
[8]光网络性能监测技术[J]. 李少晖,沈世奎.  电信网技术. 2012(12)
[9]集成学习:Boosting算法综述[J]. 于玲,吴铁军.  模式识别与人工智能. 2004(01)



本文编号：3479133