文献类型：期刊文章

作　　者：刘云朋[1] 霍晓丽[1] 刘智超[2]

Liu Yunpeng;Huo Xiaoli;Liu Zhichao(College of Information Engineering,Jiaozuo University,Jiaozuo 454000,China;School of Optoelectronic Engineering,Changchun University of Science and Technology,Changchun 130022,China)

机构地区：[1]焦作大学信息工程学院,河南焦作454000 [2]长春理工大学光电工程学院,吉林长春130022

出　　处：《红外与激光工程》

基　　金：国家自然科学基金青年项目(61703056);吉林省优秀青年人才基金项目(20190103154JH)。

年　　份：2021

卷　　号：50

期　　号：6

起止页码：280-285

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：从大规模光纤网络的海量数据中快速识别异常数据是光纤通信技术的一个关键性问题,也是近年来优化光纤通信网络及提高通信准确性的一个重要研究方向,主要解决异常数据的监测精度和收敛速度之间的制约关系。针对此问题提出了一种基于深度学习与遗传算法相融合的监测算法。该算法通过深度学习完成初始数据的分段预处理,再将具有分段属性的交叉概率与变异概率引入遗传算法,从而增强异常数据特征的保留效果。分段预处理将原有数据根据不同属性进行划分,从而大幅缩减了初始滤波的数据量,达到提高异常数据检测速度的目的;将分段属性导入遗传算法的遗传因子使其结果具有加权效果,增加了数据的可分性,从而提升了监测精度。将所提算法与未优化遗传算法、聚类算法进行对比实验,结果表明,所提算法、传统遗传算法和聚类分析算法的异常数据量最小相对误差分别为0.029、0.093和0.104;偏差平均值分别为0.047、0.155和0.156,平均收敛时间分别为5.84 s、12.6 s和9.32 s。由此可见,所提算法在监测精度、稳定性及时效性方面均得到了较好的优化。

关 键 词：光纤网络 网络异常监测  深度学习  遗传算法 聚类算法

分 类 号：TP311]