[發明專利]一種提升環境自適應性的光學性能監測系統及方法

有效

• 申請號: 202110359510.8
• 申請日: 2021-04-02
• 公開（公告）號: CN113177074B
• 公開（公告）日: 2023-09-29
• 發明（設計）人: 王建萍;范瀟杰
• 申請（專利權）人: 北京科技大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/25;G06N3/04;G06N3/096
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波;鄧琳

1.一種提升環境自適應性的光學性能監測系統，包括數據生成模塊和數據分析模塊，其特征在于，所述系統還包括依次設置在所述數據生成模塊和所述數據分析模塊之間的數據變化感知模塊、遷移訓練模塊和模型剪枝壓縮模塊；

其中，所述數據生成模塊用于將光信號生成能夠被神經網絡模型處理的數據格式；

所述數據變化感知模塊用于將最近預設時間段獲取的數據分布與先前預設時間段獲取的數據分布進行比對，判斷光網絡環境是否發生變化；

所述遷移訓練模塊用于當光網絡環境發生變化時，從最新的光網絡環境中采集數據重新訓練神經網絡模型；

所述模型剪枝壓縮模塊用于對新訓練的神經網絡模型進行剪枝操作；

所述數據分析模塊用于根據新訓練的神經網絡模型對接收的數據進行處理，得到檢測結果；

其中，所述數據變化感知模塊具體用于：

加載預先存儲的原始數據集，獲取原始數據集的數據分布；

將新采集數據集的數據分布與原始數據集的數據分布進行比對，判斷兩者的數據分布差異是否超過預設閾值；

若數據分布差異超過預設閾值，則認為光網絡環境發生變化；若數據分布差異未超過預設閾值，則認為光網絡環境未發生變化；

所述遷移訓練模塊具體用于：

當判斷光網絡環境發生變化后，加載原始的神經網絡模型；

使用新采集數據集對神經網絡模型進行訓練；

判斷訓練輪數是否到達預設輪數；

若達到預設輪數，則完成訓練，得到新訓練的神經網絡模型；否則，繼續訓練直至達到預設輪數。

2.根據權利要求1所述的光學性能監測系統，其特征在于，所述模型剪枝壓縮模塊具體用于：

加載新訓練的神經網絡模型，標記不重要的神經元連接；

對不重要的神經元連接進行剔除；

重新對保留下來的神經元連接進行訓練；

將重新訓練后的神經網絡模型部署到數據分析模塊中。

3.一種基于權利要求1-2中任一項所述的提升環境自適應性的光學性能監測系統的光學性能監測方法，其特征在于，包括以下步驟：

數據生成模塊將光信號生成能夠被神經網絡模型處理的數據格式；

數據變化感知模塊將最近預設時間段獲取的數據分布與先前預設時間段獲取的數據分布進行比對，判斷光網絡環境是否發生變化；

遷移訓練模塊當光網絡環境發生變化時，從最新的光網絡環境中采集數據重新訓練神經網絡模型；

模型剪枝壓縮模塊對新訓練的神經網絡模型進行剪枝操作；

數據分析模塊根據新訓練的神經網絡模型對接收的數據進行處理，得到檢測結果。

4.根據權利要求3所述的光學性能監測方法，其特征在于，所述數據變化感知模塊將最近預設時間段獲取的數據分布與先前預設時間段獲取的數據分布進行比對，判斷光網絡環境是否發生變化的步驟具體包括：

加載預先存儲的原始數據集，獲取原始數據集的數據分布；

將新采集數據集的數據分布與原始數據集的數據分布進行比對，判斷兩者的數據分布差異是否超過預設閾值；

若數據分布差異超過預設閾值，則認為光網絡環境發生變化；若數據分布差異未超過預設閾值，則認為光網絡環境未發生變化。

5.根據權利要求3所述的光學性能監測方法，其特征在于，所述遷移訓練模塊當光網絡環境發生變化時，從最新的光網絡環境中采集數據重新訓練神經網絡模型的步驟具體包括：

當判斷光網絡環境發生變化后，加載原始的神經網絡模型；

使用新采集數據集對神經網絡模型進行訓練；

判斷訓練輪數是否到達預設輪數；

若達到預設輪數，則完成訓練，得到新訓練的神經網絡模型；否則，繼續訓練直至達到預設輪數。

6.根據權利要求3所述的光學性能監測方法，其特征在于，所述模型剪枝壓縮模塊對新訓練的神經網絡模型進行剪枝操作的步驟具體包括：

加載新訓練的神經網絡模型，標記不重要的神經元連接；

對不重要的神經元連接進行剔除；

重新對保留下來的神經元連接進行訓練；

將重新訓練后的神經網絡模型部署到數據分析模塊中。