Page 43 - 网络电信2022年5月刊
P. 43
图１ 云计算平台的工作原理 根据结构风险最小化，根据式（６）—式（９）得到偏置
向量ｂ的值。
（６）
（７）
（８）
本文引入云计算平台,使多个点同时进行光通信状态识别, （９）
加快光通信状态识别速度,提取光通信状态信号识别的特征步骤
如下。 由于光通信状态与特征之间具有一定的非线性，因此引入
Step1:采用专门工具采集光通信状态信号。 核函数得到支持向量机的光通信状态识别结果为式（１０）。
Step2:采用小波变换对光通信状态信号进行多尺度分解,得
到不同幅度的光通信状态信号,然后提取第k个幅度的光通信状 （１０）
态信号的能量值E k ,如式(1)。
支持向量机引入拉格朗日函数,提高了支持向量机学习效
（１） 率,为构建光通信状态识别分类器提供支撑。云计算平台的光通
信状态识别步骤如下。
式中,L为分解尺度数;x km 为信号的幅值。 Step1:采集光通信状态识别信号,去掉其中的噪声.
Step3:对能量特征进行归一化,建立光通信状态信号扰动信 Step2:对去噪后的光通信状态信号进行多尺度分解,提取光
号特征向量t,具体为式(2)。 通信状态信号特征。
Step3:将光通信状态信号特征作为支持向量机的输入,光通
（２） 信状态类型作为输出,通过支持向量机学习,建立光通信状态信
号分类器。
式中， ，ｊ表示光通信状态的子信号数量。 三、光通信状态识别的具体实例分析
1.云计算平台的设计
2.光通信状态识别的分类器设计及工作步骤 要进行测试实验，需要搭建云计算平台，本文搭建云计算
支持向量机和最小二乘支持向量机均属于数据挖掘技术中 平台包括多个节点，一个为中心节点，其他为工作节点，中心
的机器学习算法，最小二乘支持向量机的学习速度快，但是其 节点的任务是管理这些工作节点，使这些工作节点能够协调工
学习精度很低，难以建立高精度的光通信状态识别分类器，因 作，不冲突，保证每一个节点的任务均衡，使节点资源得到充
此本文选择支持向量机进行光通信状态识别研究。支持向量机 分利用，具体描述如表１所示。
的形式可以描述为式（３）。
表１ 云计算平台节点的相关参数
（３）
式中,xk表示第k个光通信状态特征;φ(•)表示拟合函数;b
表示偏置向量。
根据支持向量机的学习过程对式(3)进行相应的变换,得到
它的等价形式,即式(4)。
（４）
式中,e表示支持向量机的误差。
为了进一步简化学习过程,采用拉格朗日乘子 αk 构建相应的
拉格朗日函数,具体为式(5)。
2. 光通信状态信号的来源
为了测试云计算平台的光通信状态识别有效性和优越性，
（５） 选择最常用的光通信状态识别方法：ＢＰ神经网络和Ｋ近邻方
法在相同的平台进行对比测试，分别统计光通信状态识别的正
网络电信 二零二二年五，六月 69
