[发明专利]一种软故障识别模型训练和软故障识别方法、装置

说明书

本发明实施例提供了一种软故障识别模型训练和软故障识别方法、装置，其中，软故障识别模型训练方法包括：获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱；计算各正常样本信号的残差谱；基于各正常样本信号的残差谱，训练自动编码器；计算各软故障样本信号的残差谱；基于各软故障样本信号的残差谱、各软故障样本信号的标签、以及完成训练的自动编码器，训练支持向量机；确定由完成训练的自动编码器和完成训练的支持向量机组成的软故障识别模型。以此，提高软故障识别模型的识别精度，从而提高软故障识别结果的准确性和泛化性。

技术领域

本发明涉及软故障管理技术领域，特别是涉及一种软故障识别模型训练和软故障识别方法、装置。

背景技术

软故障管理包括软故障探测、软故障识别、软故障定位及软故障幅度估计等，其中，通过软故障识别可以识别出不同类型的软故障，并输出该软故障对应的故障类型，以便工作人员可以针对不同的故障类型，采取不同的措施解决该软故障，从而恢复网络性能。

当网络中出现软故障时，网络性能的一些监测数据会发生变化，比如在光网络中，如果出现软故障，则光信噪比、接收光功率以及光谱等都会发生变化。一些相关技术中，通常利用光谱分析仪监测软故障样本光信号的光谱，再对软故障样本光信号的光谱特征进行机器学习，从而实现软故障识别，但由于光网络中出现软故障的情况毕竟有限，能采集到的软故障样本相对较少，如果用于训练的软故障样本不充足，会导致对软故障样本光信号的光谱特征的识别精度较低，进一步导致其得到的软故障识别结果的准确性也较低。

发明内容

本发明实施例的目的在于提供一种软故障识别模型训练和软故障识别方法、装置，以实现提高软故障识别模型的识别精度，从而提高软故障识别结果的准确性和泛化性。具体技术方案如下：

第一方面，本发明实施例提供了一种软故障识别模型训练方法，所述方法包括：

获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱；

基于各正常样本信号的数字谱，计算得到所述各正常样本信号的残差谱；

基于所述各正常样本信号的残差谱，训练自动编码器；

基于所述各正常样本信号的数字谱及各软故障样本信号的数字谱，计算得到各软故障样本信号的残差谱；

基于所述各软故障样本信号的残差谱、所述各软故障样本信号的标签、以及完成训练的所述自动编码器，训练支持向量机；

确定由完成训练的所述自动编码器和完成训练的所述支持向量机组成的软故障识别模型。

可选的，所述获取多个正常样本信号的数字谱、以及多个带标签的软故障样本信号的数字谱的步骤，包括：

获取多个正常样本信号和多个带标签的软故障样本信号；

将各正常样本信号和各软故障样本信号输入相干接收机，经所述相干接收机对所述各正常样本信号和所述各软故障样本信号进行频域色散补偿，得到所述各正常样本信号的数字谱和各软故障样本信号的数字谱。

可选的，所述基于各正常样本信号的数字谱，计算得到所述各正常样本信号的残差谱的步骤，包括：

根据各正常样本信号的数字谱，计算标准谱；

根据所述标准谱及所述各正常样本信号的数字谱，计算所述各正常样本信号的残差谱；

所述基于所述各正常样本信号的数字谱及各软故障样本信号的数字谱，计算得到各软故障样本信号的残差谱的步骤，包括：

根据所述标准谱及所述各软故障样本信号的数字谱，计算所述各软故障样本信号的残差谱。

可选的，所述根据各正常样本信号的数字谱，计算标准谱的步骤，包括：