WDM网络中带有时延感知的混合区分保护策略

针对WDM光网络中为业务提供恢复时延保证造成网络开销过大的问题,提出一种带有时延感知的混合区分保护策略.该策略感知不同业务的时延要求从而划分业务优先级,然后充分利用P圈恢复速度快和共享通路保护资源利用率高的优点,分别对不同优先级业务进行混合区分保护,从而保证高低优先级业务不同的恢复时延要求;同时,采用遗传-整数线性规划算法选择覆盖全网的最优P圈,并通过链路代价函数均衡网络负载,从而进一步提升P圈的保护性能.仿真结果表明:所提区分保护策略具有较低的网络阻塞率,有效地提升了资源保护效率.     

SDM-EONs中分层图辅助的资源分配策略

为降低空分复用弹性光网络(SDM-EONs)资源分配过程中的芯间串扰,并减少光路频繁拆建所产生的时间和频谱维度碎片,提出了一种分层图辅助的路由、纤芯和频谱分配策略.该策略主要分为离线预测与在线调度两个阶段:首先结合网络中业务序列的时间特性,利用基于门控循环单元的循环神经网络模型完成未来业务属性的离线预测;然后根据图染色理论建立考虑芯间串扰的分层图架构三维网络资源模型;最后利用离线预测结果和分层间的不同特性,设计综合度量时间和频谱维度的自适应在线资源分配算法,从而实现资源的高效调度.仿真结果表明:该策略在提高资源利用率的同时,显著降低了网络芯间串扰和阻塞率.     

基于区分通道可用度保护的WDM环网设计

提出了区分通道可用度概念,并利用其为波分复用环网提供多样性保护.无保护连接可以重用保护连接的保护波长,如果前者的工作路由和后者的保护路由重叠,并且2个连接的工作通道不可用度之和不超过无保护连接的最大可接受不可用度.利用最短路径方法为每个连接寻找工作路由,利用M arkov模型计算通道不可用度,冗余不可用度越小的无保护连接越先分配保护波长.利用区分可用度方法可以在满足每个连接可用度要求的同时,减少环网所需的波长里程数.仿真结果表明,随着连接的可用度要求降低,环网使用的波长里程数减少,重用的波长里程数增加.     

智能光网络中区分生存性业务的研究

光通信技术的发展使得光纤的带宽资源得到充分利用,提供了极大的传输量,其生存性对主干网非常重要。由于用户业务等级水平不同,其生存性(可靠性)也有所区别,因此,区分生存性业务随之产生。     

基于业务的传输网络可用性浅析

本文介绍了,基于业务的计算机网络可用性的定义,并从数据业务,图像业务,语音视频流业务三个方面展开对计算机网络可用性研究内容进行简单介绍。最后,针对影响业务传输的因素提出几点提高基于业务的传输网络可用性的措施建议。     

WDM-EPON中基于低成本保护结构的一种动态资源分配算法

 针对目前WDM-EPON中带宽分配和接入存在的问题,提出了一种新的低成本保护结构及动态资源分配算法,目的是降低WDM-EPON的接入成本和提高传输效率.低成本保护结构通过控制和数据信道间的快速波长切换来恢复光故障;资源分配算法的执行是在来自于非固定流量ONU的REPORT消息在ONU_<em>N-1的终端被接收到后,并同时考虑WDM-EPON中不同流量类别的ONU之间的额外带宽再分配来分配可用波长.仿真表明,作者提出的保护结构和算法不仅能够降低分级流量服务的总的端到端延迟,而且能够对工作光纤提供快速恢复机制,以降低传统保护结构的成本.     

带有业务持续时间感知的节能共享保护

针对波分复用光网络的节能保护问题,提出一种带有业务持续时间感知的共享保护算法.在权衡网络的阻塞率和节能效率时,综合考虑链路的业务持续时间、资源利用率及链路状态等因素,提出启发式算法对工作路径和备份路径进行联合优化选路,从而提供100%的单链路故障保护.仿真结果表明:与传统节能共享保护算法相比,所提算法在降低网络阻塞率的同时更有效地降低了网络能耗.     

WDM节能光网络中的抗毁保护算法研究

针对波分复用（wavelength division multiplexing,WDM）光网络的节能需求,研究绿色网络解决方案,在光网络抗毁保护问题上提出绿色共享通路保护算法。该算法通过将工作通路和保护通路隔离在不同的光纤中,并将网络中的空闲资源和备份资源切换到睡眠模式,以实现光网络的节能。与传统共享通路保护算法的对比仿真表明,绿色共享通路保护算法能够有效提高网络功耗效率,并在低负载网络中取得网络总功耗和阻塞率性能的较好折中。     

WDM网状网中基于负载平衡的动态波带保护算法

为解决WDM网状网的波带保护问题,提出一种基于多层OXC结构的动态专用波带保护(DDWP)算法.该算法以最小化可选路径对端口占用总数为第一优化目标,以路径对所经链路总数最小为第二优化目标.在不同负载动态业务下对DDWP算法进行了仿真研究.结果表明:DDWP算法有利于网络负载均衡和提高端口利用率,降低了全网阻塞率.     

基于频谱切片的弹性光网络中可调度请求资源分配算法

针对确定业务开始时间和结束时间特性的可调度请求加重了弹性光网络的资源碎片率和带宽阻塞率的问题,设计了一种配置频谱切片机的弹性光网络节点结构,并提出一种基于频谱切片的可调度请求路由频谱和时间分配(SS-RSTA)算法。在路由选择阶段,设计了一种综合考虑路径长度、路径碎片率和节点可用频谱切片机数量的路径权重值的路由选择策略,为可调度请求选择路径权重值最大的路由;在资源分配阶段,采用链路的资源碎片感知方法为可调度请求选择可用的频谱和时间资源窗口;当资源分配失败时,采用频谱切片准则将可调度请求切分为多个子带宽请求,以增加可调度请求频谱分配成功的概率,提高频谱-时间碎片的利用率。仿真结果表明,所提算法可改善网络的带宽阻塞率和提高网络的频谱利用率。     

基于机器学习方法的地震破坏预测

地震破坏预测研究对于建筑结构减灾规划、震前风险预测、震后应急评估有着重要意义。传统的方法因为受到震害资料数量的限制以及计算精度和能力的制约,一般基于经验只考虑少数因素对结构破坏的影响。通过使用随机森林算法,设计了一个综合考虑地震动、结构和场地等多维度信息的分类方法,用以预测建筑物的地震破坏程度。本文研究框架基于新西兰国家地震委员会所收集的27次地震详细破坏资料,处理得到14.2万条高质量建筑物损失数据,考虑了谱加速度、建筑形状、层数等16个影响因素,将4种不同的损伤状态作为模型的学习标签进行地震破坏预测训练。结果表明,随机森林算法在6种分类算法中性能最佳,经过学习曲线法调参、代价敏感学习之后,经过优化得到的随机森林模型对于测试集的整体预测精确率可以达到75.4%,对4种损伤标签的召回率分别达到了88.2%、55.0%、60.7%和70.8%,远好于其他方法。当只考虑对结果影响最重要的前12个因素,该模型的预测精度仍然能够达到73.7%。可见,基于此框架所训练的预测模型具有良好的精度与适用性,同时该框架对于中国震害资料大数据库的研究具有较高的参考价值。     

Active set strategy of optimized extreme learning machine

Extreme learning machine （ELM） has been introduced as a simple and efficient learning approach for regression and classification applications. From the opti- mization point of view, optimized ELM is equivalent to SVM, but with less constraints in the optimization formu- lation and random ELM kernel. This paper introduces an active set based optimized ELM approach to solve bound constrained optimization problem in a straightforward way, which operates on a small working set of variables at each iteration. Thus, the constrained problem can be eventually solved by an unconstrained algorithm, and this enables us to establish a global convergence theory. The approach requires less time for quadratic programming solving and provides better generalization performance. In addition, the proposed approach with much smaller number of non- bound support values is significantly faster than SVM with active set strategy for large training data set.     

基于路径可用性约束的HOWBAN备份路由策略

备份路由选取,不仅要考虑路径的不相关性,还应考虑业务恢复的资源需求以及备份资源利用率.针对此问题,在光无线混合宽带接入网的融合架构下,确立跨域传输路径可用性与用户对路径可用性需求之间的匹配关系,根据匹配结果分别在光域和无线域划分出2种约束情形,并由此构建用于备份路径选取的条件约束模型,依据此模型选择性预留备份带宽.以提高异构网络资源利用率为目标,将带宽资源划分为工作带宽、备份带宽及空闲带宽,在共享备份原则下,通过渐进优化的方式,按照备份带宽、空闲带宽的先后顺序,完成对工作路径的保护,从而以尽可能少的空闲带宽消耗来保障节点间的连接可用性.数值结果表明,提出的策略有效提高了网络故障恢复率和备份资源效率.     

基于机器学习的文本分类方法综述

文本分类是信息检索与数据挖掘领域的核心技术,是机器学习领域新的研究热点。本文对现有的基于机器学习的文本分类方法进行了详细的介绍,分析了各种方法的优缺点,并阐述了文本分类方法未来的发展趋势。     

基于分形理论的一种新的机器学习方法:分形学习

首先提出了一种新的机器学习方法,即分形学习,该方法旨在更好地从高维、海量数据中获取知识.分形论的研究对象为自相似系统,分形学习就是利用系统的自相似性来作为推理和学习的基本依据,其中分形维是定量描述系统自相似性的参数,也是应用于分形学习的重要参数;然后给出了分形学习的定义,阐述了其中的基本理论和学习过程中的关键技术;最后将该方法应用于案例库约简等方面的研究,取得了较好的效果.     

基于机器学习的智能防火墙设计

在防火墙中实现了一个学习模块,并对攻击以及正常网络数据进行收集分析,然后选择属性良好的网络数据作为训练样本,进行了决策树的ID3算法实现.通过这一学习模块的加入,使得防火墙可以对新的流入数据进行判断和学习,从而向智能化方向发展.     

基于极端学习机的胶囊缺陷检测

针对胶囊常见的凹陷缺陷进行不变矩分析,提取胶囊的偏心率和圆形度为特征变量,提出一种基于极端学习机的胶囊缺陷检测与识别的方法,对胶囊进行检测分类.仿真结果表明基于极端学习机的胶囊分类算法能很好地区分出具有缺陷的胶囊,分辨正确率接近100%,运算速度比BP神经网络更快,训练过程稳定,也说明所提取的特征能很好区分有凹陷与无凹陷胶囊.     

一种基于极限学习机的推力分配方法

针对传统迭代推力分配方法实时性较差的问题,提出了一种基于极限学习机(ELM)的推力分配方法.该方法考虑了推进器的布局条件与推进器推力约束,利用序列二次规划(SQP)算法在短时间内生成了大量用于极限学习机神经网络训练的推力分配样本数据.利用生成的数据集进行了离线训练,并进行了在线测试.仿真结果表明:该方法可以较高的精度和...     

网络协议流不平衡环境下基于机器学习算法的在线流量分类方法研究

随着时间的推移,网络协议流将出现不平衡的现象,经常出现不可预知的在线流量种类,传统在线流量分类模型无法对未知的流量种类进行分类,导致整体分类精度低,适应能力差。为此提出一种新的基于机器学习算法的在线流量分类方法,针对不同类别的在线流量样本流集合筛取出若干最近邻样本流,求出各个样本流特征权重,确定各个特征与类别的相关性,将相关性大的特征当成在线流量特征。依据得到的特征选取部分标识在线流量数据,确定K中值聚类的起始中心,构造映射关系,获取未知的在线流量种类。实验结果表明,所提方法有很高的分类精度,且扩展性和适应能力较强。     

基于3种机器学习模型的岩爆类型预测

岩爆类型预测是防治和控制硬岩矿山岩爆灾害的有效方式。基于国内外397组岩爆案例数据,规范训练集与测试集的数据预处理方式,采用模型参数优化及交叉验证技术获得最近邻、支持向量机与决策树模型最佳参数;对比分析主成分分析法（PCA）与过采样SMOTE对3种机器学习算法预测准确率的影响,并采用准确率、精确率、召回率、F1等指标对模型预测性能进行评估。结果表明：主成分分析对3种机器学习模型的预测准确率并无提升,不同岩爆类型的样本之间不具有较为明显的决策边界;过采样SMOTE算法仅对决策树模型有明显的提升,基于过采样建立的SMOTE-DT模型预测准确率为77.50%,高于仅对原始数据集进行标准化处理的KNN、SVM模型的68.75%与57.50%;SMOTE-DT在高估与低估岩爆类型表现优于KNN与SVM模型,对于四种岩爆类型的F1值均大于0.7,岩爆预测性能稳定可靠。此外,采用本文构建的3种机器学习模型对山西紫金金矿进行了岩爆类型预测,模型预测结果与现场观测结果相一致。本文构建的三种用于岩爆类型预测的机器学习模型避免了训练集信息泄露对测试集造成影响,研究结果为岩爆类型预测及规范机器学习模型训练过程提供了理论支撑。