Page 26 - 网络电信2023年2月刊
P. 26
光 通 信
合数据采集和传输量，通过重构稀疏信号及通信参数结构重组 图1 专用内容承载时网元与系统的交互方式示意
的方法，建立光通信网络数据的特征分析模型，采用稀疏因子 （２）
分解法构建光通信网络数据传输的张量分解模型，引入分布式
协作的稀疏重构模型，进行网络传输的过程探测和时空相关性
分析，利用多个空间分布的传感测量的方法，实现对网络动态 其中，Ｎ 为数据样本个数，Ｒ ｊ 为第 ｋ 个聚类 Ｃｋ 的
特征分布检测 ［５］ ，首先进行网络结构分析，结合网络建模和 数据点的平均向量，（Ｒ ｊ ） ii 表示散布矩阵，采用相关性检
信道均衡设计，进行光通信网络的隐写数据分量检测，采用深 测方法构建张量模型，引入实体隐性表征的矩阵，在模糊扰动
度训练的方法，建立一个多模数组或一个多维矩阵，实现张量 下，第ｋ种关系的隐性变量进行交互学习，得到信道均衡配置
模型结构设计，由此实现光通信网络的异常数据，实现结构图 的统计量可通过下式计算为
如图１所示。
图１ 算法的实现结构图 （３）
式中，γ为最大切片数目，Ｋ为最小化类间相似度，ｋ
为最大化类内相似度，ｐ ｋ，ｎ 为混合参数向量μ的特征解。假
设每行ｆi均唯一表征第ｉ个实体，采用深度信念网络进行光
通信的传输信道均衡控制，深度信念网络的输入向量模型为ｘ
（ｋ），引入因子分解的秩，得到节点ｉ的邻居集合，统计量
为
（４）
其中，Ｗ为光通信网络节点与基站的距离， 为频域稀疏性均
值，γ为多组压缩测量值，ｋ为异常数据分量的时域稀疏分
量，ｐ ｋ,ｎ 为超完备稀疏字典参数，μ为异常数据模型参数，ｒ
为第二类异常数据模型参数，根据信道均衡控制设计，构建光
通信网络数据异常特征分析模型，根据特征提取结果进行异常
数据识别 ［７］ 。
三、光通信网络数据异常识别优化
1. 异常数据结构分析
在光通信网络中，数据分为异常数据和正常数据，将两类 结合结构模糊多分类支持向量机学习的方法进行光通信网
数据分别用张量模型表示，其中，正常数据的分量具有稀疏性 络数据异常特征提取，构建光通信网络数据结构模糊度分类学
特征，异常数据的分量各异，通过传感信息监测，得到第 ｉ 习模型 ［８］ ，通过分析网络异常数据的传输结构，将正常数据
个光通信网络采样点的采用定量递归分析方法，得到光通信网 分量分为相同部分和不同部分，相似度为
络数据异常数据分布的 Ｋ 个近邻样本值为
（１） （５）
其中，ｘ 表示采集和传输的数据量，ｄ ｉ 表示正常数据分
量，Ｃ ｊ 表示光通信网络传感节点分布矩阵，Sim（ｘ，ｄ i ）为
相似度，ｙ（ ｄ ｉ ，Ｃ ｊ ） 为时域稀疏特征解，将正常数据分 式中：ｄ i 为通信网络节点之间的间隔距离，ｄ １ｊ 为第ｊ层
量ｘ ｉＮ 和异常数据分量 ｘ ｉ 张量模型结构重组，采用深度信念 聚类中心分布集，Ｗ ｉｋ 和 Ｗ １ｊｋ 表示对原始数据ｘ进行稀系数
网络进行光通信传输信道的均衡控制，实现光通信网络的数据 分解后的Ｎ ×Ｎ 维傅里叶变换矩阵。使用高斯随机测量矩阵
异常特征分析。 对多个传感器采集的通信数据进行融合处理，用张量对多关系
２. 光通信网络的信道均衡设计 网络进行建模，得到光通信网络数据异常尺度因子为
在网络传输数据特征分析中，需要进行光通信网络的数据
传输信道均衡控制设计，采用张量模型分析的方法 ［６］ ，一个 （６）
张量可被定义为一个多模数组或一个多维矩阵，假定因子分解
的秩值 ｒ 和正则化参数收敛于： 这里，ｂ v 为正常数据分量相同部分的频域参数，ｘ v 为重
52 网络电信 二零二三年一、二月
