[發(fā)明專利]一種基于回聲狀態(tài)網(wǎng)絡(luò)的光網(wǎng)絡(luò)多信道傳輸質(zhì)量預(yù)測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011044514.9
• 申請(qǐng)日: 2020-09-28
• 公開（公告）號(hào): CN112270058B
• 公開（公告）日: 2023-05-16
• 發(fā)明（設(shè)計(jì)）人: 李瑩琦;王嘉林;曹荻非;才迪;秦林林;李志剛;孫曉川
• 申請(qǐng)（專利權(quán)）人: 華北理工大學(xué)
• 主分類號(hào): G06F30/18
• 分類號(hào): G06F30/18;G06F30/27;G06F119/02
• 代理公司: 天津創(chuàng)智睿誠知識(shí)產(chǎn)權(quán)代理有限公司 12251
• 代理人: 王海濱

1.一種基于回聲狀態(tài)網(wǎng)絡(luò)的光網(wǎng)絡(luò)多信道傳輸質(zhì)量預(yù)測方法，其特征在于：包括以下步驟：

S1、收集并加載廣域光骨干網(wǎng)絡(luò)中的用于傳輸質(zhì)量試驗(yàn)的多條信道的Q因子數(shù)據(jù)，設(shè)置包含信道狀態(tài)和Q因子特征的組合向量來表達(dá)每一條信道中Q因子的狀態(tài)；

S2、選擇S1中的組合向量中需要同時(shí)進(jìn)行預(yù)測的多條信道數(shù)據(jù)進(jìn)行歸一化處理，作為訓(xùn)練樣本；

S3、根據(jù)S2中的輸入信道數(shù)量確定輸入層和輸出層節(jié)點(diǎn)個(gè)數(shù)，確定CESN神經(jīng)網(wǎng)絡(luò)各層之間的激活函數(shù)類型，構(gòu)建CESN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

所構(gòu)建的CESN神經(jīng)網(wǎng)絡(luò)模型，包括K個(gè)輸入節(jié)點(diǎn)，N個(gè)儲(chǔ)備池內(nèi)部隱藏層節(jié)點(diǎn)和L個(gè)輸出層節(jié)點(diǎn)，其中輸入層狀態(tài)為s(t)，儲(chǔ)備池狀態(tài)為x(t)，輸出層狀態(tài)為y(t)，各層之間關(guān)系如下：

輸入層與隱藏層之間存在連接權(quán)值矩陣為W?ⁱⁿ，儲(chǔ)備池之間的連接權(quán)值矩陣為W?^res，隱藏層到輸入層的連接權(quán)值矩陣為W?^out，同時(shí)存在從前一個(gè)輸出層到當(dāng)前隱藏層的連接，其連接權(quán)值矩陣為W?^fb；

儲(chǔ)備池狀態(tài)為x(t)在收到輸入層的多信道Q因子數(shù)據(jù)輸入后進(jìn)行狀態(tài)更新，CESN的儲(chǔ)備池狀態(tài)更新方程表示為：

x(t+1)＝F_res(W?ⁱⁿ?s(t+1)+W?^res?x(t)+W?^fb?y(t))

其中，W?ⁱⁿ和W?^res都是隨機(jī)初始化的參數(shù)，s(t+1)和x(t+1)分別為當(dāng)前的輸入層和隱藏層的狀態(tài)，而x(t)表示當(dāng)前隱藏層上一個(gè)狀態(tài)，當(dāng)t＝0時(shí)，x(t)用0進(jìn)行初始化；F_res表示儲(chǔ)備池內(nèi)部的激活函數(shù)；

輸出層的狀態(tài)y(t)的輸出方程為：

y(t)＝F_output(W?^out[x(t)；s(t)])

[；]表示兩個(gè)向量之間的級(jí)聯(lián)計(jì)算，CESN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練能夠得到W?^out；F_output表示儲(chǔ)備池與輸出層之間的激活函數(shù)；

CESN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入層和儲(chǔ)備池之間、儲(chǔ)備池與輸出層之間的激活函數(shù)選取線性恒等變換函數(shù)identity，儲(chǔ)備池內(nèi)部的激活函數(shù)選用雙曲正切函數(shù)Tanh，激活函數(shù)表達(dá)式為：

identity函數(shù)：f₁(x)＝x

Tanh函數(shù)：f₂(x)＝(e^x-e^-x)/(e^x+e^-x)

x為輸入層、儲(chǔ)備池或輸出層任一節(jié)點(diǎn)的總輸入，f(x)為輸入層、儲(chǔ)備池或輸出層任一節(jié)點(diǎn)的總輸出；

S4、采用網(wǎng)格搜索與前向交叉驗(yàn)證相結(jié)合的方法優(yōu)化CESN神經(jīng)網(wǎng)絡(luò)中的儲(chǔ)備池規(guī)模和譜半徑，包括以下步驟S4.1-S4.3：

步驟S4.1、確定需要優(yōu)化的參數(shù)和參數(shù)取值范圍，需要優(yōu)化的參數(shù)為儲(chǔ)備池規(guī)模N和譜半徑λ；

步驟S4.2、在取值范圍內(nèi)構(gòu)建網(wǎng)格，從第一個(gè)網(wǎng)格對(duì)應(yīng)的參數(shù)對(duì)(N1,λ1)開始，遍歷網(wǎng)格中所有參數(shù)對(duì)經(jīng)過前向交叉驗(yàn)證后的均方誤差值；

步驟S4.3、找出最小均方誤差值所對(duì)應(yīng)的參數(shù)對(duì)；

然后，采用S2中的訓(xùn)練樣本訓(xùn)練CESN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練過程包括以下步驟S4.4-S4.7：

步驟S4.4、將訓(xùn)練樣本中的多條信道內(nèi)的Q因子數(shù)據(jù)輸入到CESN神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，此時(shí)，該模型的隱藏層初始化狀態(tài)為x(0)＝0，然后通過狀態(tài)更新方程更新該模型；

步驟S4.5、對(duì)儲(chǔ)備池之間的連接權(quán)值矩陣進(jìn)行譜半徑規(guī)模的放縮，執(zhí)行以下操作：

W?^res←γW?^res/|λ|

其中λ為譜半徑，γ為范圍在(0,1)之間的放縮參數(shù)；

步驟S4.6、將隱藏層的狀態(tài)x(t)添加到狀態(tài)集合矩陣X中以存儲(chǔ)所有隱藏層的狀態(tài)，同時(shí)將輸出層獲取到的對(duì)應(yīng)讀出值收集到目標(biāo)輸出矩陣Y中；

步驟S4.7、利用目標(biāo)輸出矩陣Y通過簡單快速的線性回歸方法計(jì)算讀出權(quán)重W?^out：

W?^out＝(X^TX)^-1X^TY；

S5、用訓(xùn)練好的CESN神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行預(yù)測，對(duì)預(yù)測結(jié)果進(jìn)行反歸一化得到預(yù)測的多信道Q因子數(shù)據(jù)值。