开云优惠体育网页版入口

专利名称：基于高斯过程回归的单模非气密光模块性能预测方法

专利类型：发明专利

专利申请号：CN202410270047.3

专利申请（专利权）人：四川省光为通信有限公司
权利人地址：四川省资阳市雁江区清泉组团片区标准化厂房二期9栋1-4层

专利发明（设计）人：高国祥,许广俊,王峻岭,陈享郭,彭德军

专利摘要：本发明涉及光模块技术领域，更进一步地，涉及基于高斯过程回归的单模非气密光模块性能预测方法。所述方法包括：步骤1：收集单模非气密光模块的历史性能数据和对应的性能输出；步骤2：定义一个设定时间间距的高斯过程，定义一个具备随机核的核函数，作为高斯过程的核函数；步骤3：对历史性能数据和对应的性能输出进行数据畸变，得到畸变数据，将畸变数据作为训练数据对高斯过程进行训练，得到训练后的高斯过程；步骤4：使用训练后的高斯过程对历史性能数据和性能输出进行性能预测。本发明基于高斯过程回归，结合随机核函数和实时性能校正，提供了一种准确预测单模非气密光模块性能的方法，以提高性能预测的精度和实时性。

主权利要求：
1.基于高斯过程回归的单模非气密光模块性能预测方法，其特征在于，所述方法包括：步骤1：收集单模非气密光模块的历史性能数据和对应的性能输出；
步骤2：定义一个设定时间间距的高斯过程，定义一个具备随机核的核函数，作为高斯过程的核函数；
步骤3：对历史性能数据和对应的性能输出进行数据畸变，得到畸变数据，将畸变数据作为训练数据对高斯过程进行训练，得到训练后的高斯过程；
步骤4：使用训练后的高斯过程对历史性能数据和性能输出进行性能预测，具体包括：将历史性能数据作为输入，输入到训练后的高斯过程中，得到第一结果，将第一结果重新作为输入，输入到训练后的高斯过程中，得到第二结果，以此类推，迭代执行设定的次数后，将得到多个结果，完成高斯回归分析，将每次得到的结果作为结果集合，计算结果集合的标准差与性能输出的标准差的差值与性能输出的标准差的比值，作为该历史性能数据和对应的性能输出所处的时刻在设定时间间距后的光模块的性能预测结果，该性能预测结果表征了预测性能与标准性能的比值，超过1，则代表预测性能超过标准性能，低于1，则代表预测性能低于标准性能，等于1，则代表预测性能等于标准性能；
收集到的单模非气密光模块的历史性能数据表示为：D＝{(x1,y1),…,(xi,yi),…,(xn,yn)}；其中，其中，xi是第i时刻的输入特征组合，为一个向量，xi＝(ai,bi,ci,di,ei)；yi为第i时刻的性能输出；ai为第i时刻的环境温度；bi为第i时刻的光功率；ci为第i时刻的衰减；di为第i时刻的损耗；ei为第i时刻的环境温度；
步骤2中定义的设定时间间距的高斯过程的表达式为：
f(x)～GP(m(x),k(x,x′),T)；
其中，GP(m(x),k(x,x′),T)表示高斯过程；m(x)是高斯过程的均值函数；k(x,x′)是高斯过程的核函数；T为设定时间间隔；c为输入；x′为输入为x时，对应的结果；f(x)～GP(m(x),k(x,x′),T)表示f(x)服从高斯过程；
核函数k(x,x′)使用如下公式进行表示：
2
其中，σ是方差，l是长度尺度；α()为随机函数，其表达式为：
2 2
μ(x)为输入x的均值函数，σ(x)为输入x的方差； σ (x))表示α(x)在给定x的条件下服从正态分布
步骤3中对历史性能数据和对应的性能输出进行数据畸变，得到畸变数据的方法包括：使用拉格朗日插值法定义畸变函数，使用如下公式进行表示：
其中，N是拉格朗日插值多项式的阶数，P(i)是随机生成的拉格朗日多项式系数，ki和kj均是随机选择的拉格朗日插值点；当k为历史性能数据时，F(k)为畸变的历史性能数据；当k为历史性能数据对应的性能输出时，F(k)为畸变的性能输出；畸变的性能输出和畸变的历史性能数据共同组成畸变数据。
2.如权利要求1所述的基于高斯过程回归的单模非气密光模块性能预测方法，其特征在于，将畸变数据作为训练数据对高斯过程进行训练，得到训练后的高斯过程的方法包括：采用如下公式，使用最大化边缘似然来确定核函数的参数，以完成高斯过程的训练：其中，K是核矩阵，元素为Kij＝k(xi,xj)；X为畸变的历史性能数据；Y为畸变的性能输出。
3.如权利要求2所述的基于高斯过程回归的单模非气密光模块性能预测方法，其特征在于，训练后的高斯过程使用如下公式进行表示：其中，x*为训练后的高斯过程的输入的历史性能数据；μ*为训练后的高斯过程的输入的均值； 为训练后的高斯过程的方差；y*为x*对应的性能输出；x*′为训练后的高斯过程的结果； 表示历史性能数据服从训练后的高斯过程；f(x*)∣D表示在历史性能数据D服从训练后的高斯过程的条件下，对训练后的高斯过程的输入的历史性能数据x*进行预测得到的输出f(x*)；k*(x*,x*′)是参数分别为x*和x*′的训练后的高斯过程的核函数；k(x*,x*′)是参数分别为x*和x*′的高斯过程的核函数。
4.如权利要求3所述的基于高斯过程回归的单模非气密光模块性能预测方法，其特征在于，所述方法还包括：步骤5：使用传输损耗对性能预测结果进行结果校正，具体包括：收集单模非气密光模块的光源功率Psource、传输距离d和接收功率Preceived；初始化卡尔曼滤波器的状态估计向量 和协方差矩阵P0；其中：定义状态转移模型，描述光信号传输损耗的变化为：
其中，α是传输损耗系数； 为第i个时刻的状态估计，表征了在第i个时刻的光信号传输损耗；
定义过程噪声协方差矩阵Qi为：
其中， 是光源功率的噪声方差， 是传输损耗的噪声方差；定义观测模型，将状态估计映射到观测：定义观测噪声协方差Ri：
其中， 是接收功率的噪声方差
计算卡尔曼增益矩阵Ki，使用观测来更新状态估计，更新协方差矩阵；得到i时刻的传输损耗，将该传输损耗除以标准传输损耗得到损耗比，将损耗比乘以性能预测结果，完成结果校正。
5.如权利要求4所述的基于高斯过程回归的单模非气密光模块性能预测方法，其特征在于，卡尔曼增益使用如下公式计算得到：Pi为第i时刻的光源功率。
6.如权利要求5所述的基于高斯过程回归的单模非气密光模块性能预测方法，其特征在于，采用如下公式，使用观测来更新状态估计：其中， 为更新后的状态估计；使用如下公式，更新协方差矩阵：Pi,new＝(I?Ki[10])Pi；
其中，I为单位矩阵；Pi,new为更新后的协方差矩阵。 说明书 : 基于高斯过程回归的单模非气密光模块性能预测方法技术领域[0001] 本发明属于光模块技术领域，具体涉及基于高斯过程回归的单模非气密光模块性能预测方法。背景技术[0002] 光模块是现代通信系统中不可或缺的组成部分，其性能直接关系到通信网络的稳定性和可靠性。因此，准确预测和校正光模块的性能是光通信领域的一个关键挑战。在过去的几十年里，已经出现了多种方法和技术用于光模块性能预测，然而，传统方法在处理光模块性能中的随机性和不确定性方面存在一系列问题，因此需要更加创新和高效的方法来应对这些挑战。[0003] 传统的光模块性能预测方法通常基于统计建模，例如线性回归、多项式拟合等。这些方法通常假设光模块的性能是一个确定的函数，忽略了性能中的随机性和不确定性。虽然这些方法在某些情况下可以提供合理的预测结果，但它们无法处理复杂的性能数据，如环境温度、光功率、衰减、损耗等多个输入特征的情况。此外，它们往往不能实时地校正性能预测，因为它们无法动态地适应性能数据的变化。[0004] 另一种常见的性能预测方法是基于物理模型的方法，它们通过建立物理方程来描述光模块的性能。尽管这些方法可以更好地理解性能的物理原理，但它们通常需要大量的实验数据和复杂的数学建模，因此成本高昂且不易实施。此外，它们也难以处理性能数据中的随机性和不确定性，因为物理模型通常是确定性的。[0005] 近年来，数据驱动的方法，如机器学习和深度学习，已经在性能预测领域崭露头角。这些方法可以处理大规模的性能数据，并从中学习复杂的模式和关系。然而，这些方法在性能预测中仍然面临挑战，因为它们需要大量的标记数据进行训练，而且往往无法处理不均衡数据或数据缺失的情况。此外，它们通常不能提供性能校正的实时性能。发明内容[0006] 本发明的主要目的在于提供基于高斯过程回归的单模非气密光模块性能预测方法，由于单模非气密光模块通常用于单模光纤传输，这意味着它们需要更高的精度和稳定性，以确保光信号的传输质量，因此本发明基于高斯过程回归，结合随机核函数和实时性能校正，提供了一种准确预测单模非气密光模块性能的方法，以提高性能预测的精度和实时性。[0007] 为了解决上述问题，本发明的技术方案是这样实现的：[0008] 基于高斯过程回归的单模非气密光模块性能预测方法，所述方法包括：[0009] 步骤1：收集单模非气密光模块的历史性能数据和对应的性能输出；[0010] 步骤2：定义一个设定时间间距的高斯过程，定义一个具备随机核的核函数，作为高斯过程的核函数；[0011] 步骤3：对历史性能数据和对应的性能输出进行数据畸变，得到畸变数据，将畸变数据作为训练数据对高斯过程进行训练，得到训练后的高斯过程；[0012] 步骤4：使用训练后的高斯过程对历史性能数据和性能输出进行性能预测，具体包括：将历史性能数据作为输入，输入到训练后的高斯过程中，得到第一结果，将第一结果重新作为输入，输入到训练后的高斯过程中，得到第二结果，以此类推，迭代执行设定的次数后，将得到多个结果，完成高斯回归分析，将每次得到的结果作为结果集合，计算结果集合的标准差与性能输出的标准差的差值与性能输出的标准差的比值，作为该历史性能数据和对应的性能输出所处的时刻在设定时间间距后的光模块的性能预测结果，该性能预测结果表征了预测性能与标准性能的比值，超过1，则代表预测性能超过标准性能，低于1，则代表预测性能低于标准性能，等于1，则代表预测性能等于标准性能。[0013] 进一步的，收集到的单模非气密光模块的历史性能数据表示为：；其中， 是第 时刻的输入特征组合，为一个向量，；为第时刻的性能输出；为第时刻的环境温度；为第时刻的光功率；为第时刻的衰减；为第时刻的损耗；为第时刻的环境温度。[0014] 进一步的，步骤2中定义的设定时间间距的高斯过程的表达式为：[0015] ；[0016] 其中， 表示高斯过程； 是高斯过程的均值函数； 是高斯过程的核函数；为设定时间间隔；为输入；为输入为 时，对应的结果；表示 服从高斯过程。[0017] 进一步的，核函数 使用如下公式进行表示： ；[0018] 其中，是方差，是长度尺度； 为随机函数，其表达式为： ；[0019] 为输入 的均值函数， 为输入 的方差； 表示 在给定 的条件下服从正态分布 。[0020] 进一步的，步骤3中对历史性能数据和对应的性能输出进行数据畸变，得到畸变数据的方法包括：[0021] 使用拉格朗日插值法 定义畸 变函数，使用如下公式进行表 示：；[0022] 其中，是拉格朗日插值多项式的阶数， 是随机生成的拉格朗日多项式系数，和 均是随机选择的拉格朗日插值点；当 为历史性能数据时， 为畸变的历史性能数据；当 为历史性能数据对应的性能输出时， 为畸变的性能输出；畸变的性能输出和畸变的历史性能数据共同组成畸变数据。[0023] 进一步的，将畸变数据作为训练数据对高斯过程进行训练，得到训练后的高斯过程的方法包括：[0024] 采用如下公式，使用最大化边缘似然来确定核函数的参数，以完成高斯过程的训练： ；[0025] 其中，是核矩阵，元素为 ；为畸变的历史性能数据；为畸变的性能输出。[0026] 进一步的，训练后的高斯过程使用如下公式进行表示：[0027] ；[0028] 其中，为训练后的高斯过程的输入的历史性能数据；为训练后的高斯过程的输入的均值；为训练后的高斯过程的方差；为 对应的性能输出； 为训练后的高斯过程的结果； 表示历史性能数据服从训练后的高斯过程； 表示在历史性能数据服从训练后的高斯过程的条件下，对训练后的高斯过程的输入的历史性能数据 进行预测得到的输出 ； 是参数分别为 和 的训练后的高斯过程的核函数； 是参数分别为 和 的高斯过程的核函数。[0029] 进一步的，所述方法还包括：步骤5：使用传输损耗对性能预测结果进行结果校正，具体包括：收集单模非气密光模块的光源功率 、传输距离 和接收功率 ；初始化卡尔曼滤波器的状态估计向量 和协方差矩阵 ；其中： ；定义状态转移模型，描述光信号传输损耗的变化为： ；其中，是传输损耗系数；为第个时刻的状态估计，表征了在第个时刻的光信号传输损耗；[0030] 定义过程噪声协方差矩阵 为： ；其中， 是光源功率的噪声方差， 是传输损耗的噪声方差；定义观测模型，将状态估计映射到观测： ；定义观测噪声协方差 ： ；其中， 是接收功率的噪声方差计算卡尔曼增益矩阵 ，使用观测来更新状态估计，更新协方差矩阵；得到时刻的传输损耗，将该传输损耗除以标准传输损耗得到损耗比，将损耗比乘以性能预测结果，完成结果校正。[0031] 进一步的，卡尔曼增益使用如下公式计算得到：[0032] ；[0033] 为第时刻的光源功率。[0034] 进一步的，采用如下公式，使用观测来更新状态估计：[0035] ；[0036] 其中， 为更新后的状态估计；使用如下公式，更新协方差矩阵：[0037] ；[0038] 其中，为单位矩阵； 为更新后的协方差矩阵。[0039] 本发明的基于高斯过程回归的单模非气密光模块性能预测方法，具有以下有益效果：传统的性能预测方法往往难以应对光模块性能中的随机性和不确定性，导致预测结果的不准确。本发明采用高斯过程回归模型，结合随机核函数和数据畸变，能够更好地捕捉历史性能数据中的随机性，提高性能预测的准确性。通过多次迭代训练和高斯回归分析，得到的预测结果更加可靠，有助于提前发现潜在问题并进行性能优化。本发明引入了具备随机性质的核函数和数据畸变，使得性能预测模型能够更好地考虑性能数据中的随机性和不确定性。这种综合考虑使得模型更适用于真实世界中复杂多变的光模块性能情境，不仅提高了预测的准确性，还增强了模型的鲁棒性。本发明还引入了卡尔曼滤波技术，用于实时性能校正。卡尔曼滤波技术可以根据实际观测数据来动态地更新性能预测结果，考虑了光信号传输损耗对性能的影响。这意味着光模块的性能预测不再是一次性的静态结果，而是可以在实际运行过程中不断调整和校正的动态过程。这有助于及时发现并纠正性能偏差，提高了光模块的稳定性和可靠性。本发明在性能预测中引入了对光信号传输损耗的考虑，这在传统方法中往往被忽略。光信号传输损耗是光通信系统中一个重要的性能指标，对于光模块的性能预测至关重要。通过卡尔曼滤波技术，可以更准确地估计光信号在传输过程中的损耗，从而更好地预测光模块的性能。附图说明[0040] 图1为本发明实施例提供的基于高斯过程回归的单模非气密光模块性能预测方法的系统结构示意图。具体实施方式[0041] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。[0042] 以下分别进行详细说明。[0043] 实施例1：参考图1，基于高斯过程回归的单模非气密光模块性能预测方法，所述方法包括：在这一步，首先需要收集单模非气密光模块的历史性能数据和相应的性能输出。这些历史数据可能包括模块的工作温度、输入功率、输出功率、光衰减等等。这些数据用于训练预测模型。[0044] 步骤1：收集单模非气密光模块的历史性能数据和对应的性能输出；[0045] 步骤2：定义一个设定时间间距的高斯过程，定义一个具备随机核的核函数，作为高斯过程的核函数；高斯过程是一种强大的统计工具，它可以用于建立输入和输出之间的关系模型。在这里，关键是定义一个具有随机核的核函数。核函数在高斯过程中用于衡量数据点之间的相似性，从而影响预测的精度。不同的核函数可以适应不同的数据特点。[0046] 步骤3：对历史性能数据和对应的性能输出进行数据畸变，得到畸变数据，将畸变数据作为训练数据对高斯过程进行训练，得到训练后的高斯过程；数据畸变可能包括在历史性能数据中引入随机噪声。这样做可以模拟来自多种不确定源（例如环境变化、测量误差等）的影响，从而使模型更具鲁棒性。可以随机调整历史数据点的位置，以模拟未来性能数据的不确定性。这有助于模型更好地处理未知条件下的性能预测。可以在历史数据中引入随机扰动，以考虑潜在的随机性因素对性能的影响。这有助于更全面地了解预测结果的不确定性。[0047] 步骤4：使用训练后的高斯过程对历史性能数据和性能输出进行性能预测，具体包括：将历史性能数据作为输入，输入到训练后的高斯过程中，得到第一结果，将第一结果重新作为输入，输入到训练后的高斯过程中，得到第二结果，以此类推，迭代执行设定的次数后，将得到多个结果，完成高斯回归分析，将每次得到的结果作为结果集合，计算结果集合的标准差与性能输出的标准差的差值与性能输出的标准差的比值，作为该历史性能数据和对应的性能输出所处的时刻在设定时间间距后的光模块的性能预测结果，该性能预测结果表征了预测性能与标准性能的比值，超过1，则代表预测性能超过标准性能，低于1，则代表预测性能低于标准性能，等于1，则代表预测性能等于标准性能。一旦训练好了高斯过程模型，就可以用它来进行性能预测。具体来说，历史性能数据被输入到训练好的高斯过程模型中。这个模型会生成一个结果集合，通常包括多个不同的预测值，这些值代表了模块的性能在不同条件下的可能性。接下来，计算结果集合的标准差与性能输出的标准差的差值与性能输出的标准差的比值。这个比值是预测性能与标准性能的比较。如果这个比值大于1，那么表示预测性能超过标准性能，低于1表示预测性能低于标准性能，等于1表示预测性能等于标准性能。[0048] 使用具备随机核的核函数，这意味着模型可以更好地捕捉历史性能数据中的复杂关系和不确定性。高斯过程回归来进行预测，这是一种非常灵活和强大的统计方法，可以适应各种不确定性和复杂性。[0049] 单模非气密光模块通常用于高要求的光通信应用，具有更高的性能要求和更敏感的环境特性。本发明采用基于高斯过程回归的方法，结合随机核函数和实时性能校正，能够更好地考虑这类光模块性能中的随机性、不确定性和环境影响，提高了性能预测的准确性和可靠性，为单模非气密光模块的性能优化和稳定性提供了有力支持。单模非气密光模块通常用于单模光纤传输，这意味着它们需要更高的精度和稳定性，以确保光信号的传输质量。相比多模光模块，单模光模块具有更窄的光束和更高的频率稳定性要求。光模块的性能往往受环境因素的影响，例如温度、湿度等。对于单模非气密光模块，由于其更高的性能要求，对环境条件的敏感性更为显著。因此，准确预测和实时校正性能在不同环境下的变化对于保持光模块的性能至关重要。单模非气密光模块通常用于高频率应用，例如长距离传输、高速数据通信等。在这些应用中，性能的微小波动都可能导致通信质量的下降，因此需要更高精度的性能预测和校正。[0050] 实施例2：在上一实施例的基础上，收集到的单模非气密光模块的历史性能数据表示为： ；其中， 是第 时刻的输入特征组合，为一个向量，；为第时刻的性能输出；为第时刻的环境温度；为第时刻的光功率；为第时刻的衰减；为第时刻的损耗；为第时刻的环境温度。[0051] 这种数据表示方式允许考虑多个输入特征和环境因素对光模块性能的影响。通过收集大量这样的数据点，并使用高斯过程回归模型进行训练，可以建立一个复杂的模型，用于预测光模块的性能在不同输入条件下的表现。这个模型可以在未来的应用中用于性能预测和优化，从而提高光模块的可靠性和效率。[0052] 实施例3：在上一实施例的基础上，步骤2中定义的设定时间间距的高斯过程的表达式为：[0053] ；[0054] 其中， 表示高斯过程； 是高斯过程的均值函数； 是高斯过程的核函数；为设定时间间隔；为输入；为输入为 时，对应的结果；表示 服从高斯过程。[0055] 高斯过程是一种连续性随机过程，它假设在输入空间中的任何两个点之间都存在一个连续的随机函数。这意味着对于相邻的时间点，可以使用高斯过程来描述它们之间的关系。时间间隔用于量化数据点之间的时间相关性。在许多实际应用中，观测数据通常不是随机地分布在时间轴上，而是按照一定的时间间隔采集的。高斯过程允许在建立模型时考虑这种时间相关性，从而更好地理解数据的动态特性。高斯过程常用于时间序列建模，其中时间间隔用于描述连续时间内的数据点。通过将时间间隔纳入模型，可以更好地捕捉数据之间的时序关系，例如季节性、趋势和周期性。在高斯过程中，核函数通常会考虑时间间隔，以衡量不同时刻之间的数据点之间的相似性。这允许模型在预测时考虑数据点之间的时间相关性，从而更准确地估计未来的数值或性能。时间间隔还可以用于建立不确定性模型。高斯过程不仅可以用于点估计，还可以提供对预测的不确定性估计。时间间隔的考虑可以帮助量化未来预测的置信度，并生成置信区间。[0056] 高斯过程可以用来建立性能模型，这个模型可以捕捉输入特征（例如温度、光功率、衰减等）与光模块性能输出之间的复杂关系。这意味着可以预测在不同操作条件下光模块的性能表现。高斯过程不仅提供了预测的期望值，还提供了置信区间或方差的信息。这允许了解性能预测的可信度，有助于决策制定和风险管理。基于高斯过程的性能模型可以用于优化光模块的操作参数，以达到特定的性能目标。它还可以用于决策支持，例如在不同设计选择之间进行权衡，以满足性能和成本等要求。[0057] 高斯过程是一种非参数模型，它不需要对模型的具体形式进行假设，因此适用于各种类型的数据和问题。在单模非气密光模块的性能预测中，通常存在复杂的输入特征和性能输出之间的关系，这些关系可能不容易用传统的数学公式来建模。高斯过程可以灵活地适应这种复杂性。高斯过程提供了对预测的不确定性估计，这在性能预测中非常有用。由于光模块性能受多种因素影响，包括环境温度、光功率、衰减等，这些因素的变化会导致性能的不确定性。高斯过程不仅可以给出性能的点估计，还可以提供关于性能范围的信息，这对于决策制定和风险管理至关重要。在一些情况下，单模非气密光模块的性能数据可能受限，不足以支持传统统计方法或机器学习方法。高斯过程在小样本数据上表现出色，它可以有效地利用有限的数据点来建立性能模型，并提供合理的预测。高斯过程模型的核函数可以适应不同类型的数据关系。这意味着可以根据问题的特点选择适当的核函数，以更好地捕捉输入特征与性能输出之间的关系。这种灵活性在单模非气密光模块的性能预测中尤为重要，因为不同模块可能具有不同的特性。高斯过程能够有效地利用历史性能数据，以建立对性能的预测模型。这对于光模块的长期监测和性能维护非常重要，因为它可以基于历史数据进行实时性能预测和故障检测。[0058] 实施例4：在上一实施例的基础上，核函数 使用如下公式进行表示：；[0059] 其中，是方差，是长度尺度； 为随机函数，其表达式为：[0060] ；[0061] 为输入 的均值函数， 为输入 的方差； 表示 在给定 的条件下服从正态分布 。[0062] 具体的，核函数（ ）是高斯过程中的关键组成部分，用于衡量输入 和 之间的相似性。这个核函数的具体形式是基于指数核函数的扩展，引入了随机函数 和 ，以考虑输入的随机性。核函数的基本原理是，输入特征之间的相似性与它们的距离以及随机性有关。随机函数 是一个随机变量，其均值和方差由 和 给出。这表示随机函数在不同的输入条件下具有不同的均值和方差，反映了输入的随机性。这个随机性可以用来模拟输入特征的不确定性。这个公式的主要作用之一是考虑输入特征的随机性。在单模非气密光模块性能预测中，输入特征可能受到各种不确定性因素的影响，如环境变化、噪声等。引入随机函数 和 允许模型在不同输入条件下模拟输入的随机性，从而更准确地描述性能的变化。这个公式增加了核函数的灵活性，使得核函数可以适应更多类型的数据关系。核函数的形式允许在建模过程中充分考虑输入特征之间的随机性和相关性。这使得模型可以更好地适应不同的应用场景和数据特点。引入随机性之后，模型不仅可以提供点估计的性能预测，还可以提供关于性能预测的不确定性估计。这对于决策制定和风险管理非常有用，因为它允许了解性能预测的可信度和置信区间。[0063] 实施例5：在上一实施例的基础上，步骤3中对历史性能数据和对应的性能输出进行数据畸变，得到畸变数据的方法包括：[0064] 使用拉格朗日插值法 定义畸 变函数，使用如下公式进行表 示：；[0065] 其中，是拉格朗日插值多项式的阶数， 是随机生成的拉格朗日多项式系数，和 均是随机选择的拉格朗日插值点；当 为历史性能数据时， 为畸变的历史性能数据；当 为历史性能数据对应的性能输出时， 为畸变的性能输出；畸变的性能输出和畸变的历史性能数据共同组成畸变数据。[0066] 具体的，拉格朗日插值法是一种用于估计在给定一组离散数据点 的情况下，通过一个多项式函数来逼近数据的方法。它基于以下原理：给定一组数据点，可以通过一个多项式函数 来拟合这些点，使得 ，其中 是输入值，是对应的输出值。[0067] 首先，选择拉格朗日插值多项式的阶数 ，这决定了多项式的复杂度。更高阶的插值多项式可以更好地逼近复杂的数据。为了引入随机性，生成一组拉格朗日多项式系数，这些系数是随机的，并且会影响插值多项式的形状。这些系数是用来构建插值多项式的权重。随机选择一组拉格朗日插值点 和 ，这些点在输入空间中的位置是随机的，不同的选择会导致不同的插值结果。这些点是用来确定多项式的节点。使用上述生成的系数 、插值点 和 ，计算畸变的历史性能数据 和畸变的性能输出 。具体计算使用了拉格朗日插值公式。这个过程会为每个输入值 计算出对应的畸变数据。畸变的历史性能数据和畸变的性能输出组合在一起构成畸变数据集，该数据集用于训练高斯过程回归模型。[0068] 这个方法的主要作用之一是引入额外的随机性和不确定性。通过随机生成系数和插值点，使得历史性能数据和性能输出都受到随机性的影响，增加了模型的不确定性。这种畸变方法有助于增强模型的鲁棒性，使其能够更好地处理复杂的数据和不确定性情况。这在性能预测和不确定性建模中非常有用。通过随机选择插值点和系数，可以探索不同的数据分布和关系，从而更全面地了解历史性能数据和性能输出之间的潜在关系。[0069] 实施例6：在上一实施例的基础上，将畸变数据作为训练数据对高斯过程进行训练，得到训练后的高斯过程的方法包括：[0070] 采用如下公式，使用最大化边缘似然来确定核函数的参数，以完成高斯过程的训练：[0071] ；[0072] 其中，是核矩阵，元素为 ；为畸变的历史性能数据；为畸变的性能输出。[0073] 具体的，核矩阵 用于表示输入数据点之间的相似性，其中 ，和 是输入数据点， 是核函数的值。核函数的参数包括方差 和长度尺度，这些参数需要在训练过程中确定。使用前面实施例中得到的畸变数据，构建畸变的历史性能数据 和畸变的性能输出 。包含历史性能数据点的输入特征，包含对应的性能输出。为了完成高斯过程的训练，需要确定核函数的参数 和长度尺度。这些参数的确定是通过最大化边缘似然来完成的。边缘似然（MarginalLikelihood）表示为 ，其中 是性能输出，是历史性能数据。边缘似然的最大化目标是使得模型对训练数据的拟合最好。[0074] 具体的边缘似然表达式中包括三项：第一项： ，反映了模型对训练数据的拟合程度，需要最小化这一项，以减小预测误差。[0075] 第二项： ，表示核矩阵的行列式的对数，用于惩罚模型的复杂度，以防止过拟合。[0076] 第三项： ，是一个常数项。[0077] 使用边缘似然最大化的方法来优化核函数参数，通常可以使用数值优化方法（如梯度下降、牛顿法等）来找到最优的 和值，以使边缘似然达到最大值。一旦确定了最优的核函数参数，就得到了训练后的高斯过程模型。这个模型可以用于性能预测、不确定性估计等应用。这个方法的核心原理是通过最大化边缘似然来确定核函数的参数，以确保模型能够最好地拟合训练数据。优化核函数的参数是为了找到最能捕捉数据特点的核函数形式。这些参数的确定是通过考虑数据的拟合度和模型的复杂度来实现的。训练后的高斯过程模型可以用于对历史性能数据和性能输出之间的关系进行建模，进而用于性能预测和不确定性估计。这个方法使用最大化边缘似然的原理来确定核函数的参数，以完成高斯过程的训练，从而建立了一个能够对历史性能数据和性能输出之间的关系进行建模的高斯过程模型。这个模型在性能预测和不确定性建模中具有广泛的应用。[0078] 实施例7：在上一实施例的基础上，训练后的高斯过程使用如下公式进行表示：[0079] ；[0080] 其中，为训练后的高斯过程的输入的历史性能数据；为训练后的高斯过程的输入的均值；为训练后的高斯过程的方差；为 对应的性能输出； 为训练后的高斯过程的结果； 表示历史性能数据服从训练后的高斯过程； 表示在历史性能数据服从训练后的高斯过程的条件下，对训练后的高斯过程的输入的历史性能数据 进行预测得到的输出 ； 是参数分别为 和 的训练后的高斯过程的核函数； 是参数分别为 和 的高斯过程的核函数。[0081] 在上一个实施例中，已经训练了一个高斯过程回归模型，确定了核函数的参数和。这个训练后的模型可以用于对新的输入数据进行预测。现在，有一个新的输入数据点，想要预测其对应的性能输出。预测性能输出的均值是由训练后的高斯过程模型计算得到的，其中 是输入数据和训练数据 之间的核函数值， 是核矩阵的逆，是对应的性能输出。 是预测性能输出的方差。它表示了对性能输出的不确定性。它的计算包括两部分：是输入数据和 之间的核函数值。 是预测的均值和训练数据之间的核函数值的乘积。它用于表示不确定性的来源。[0082] 实施例8：在上一实施例的基础上，所述方法还包括：步骤5：使用传输损耗对性能预测结果进行结果校正，具体包括：收集单模非气密光模块的光源功率 、传输距离 和接收功率 ；初始化卡尔曼滤波器的状态估计向量 和协方差矩阵 ；其中：；定义状态转移模型，描述光信号传输损耗的变化为： ；其中，是传输损耗系数；为第个时刻的状态估计，表征了在第个时刻的光信号传输损耗；[0083] 定义过程噪声协方差矩阵 为： ；其中， 是光源功率的噪声方差， 是传输损耗的噪声方差；定义观测模型，将状态估计映射到观测： ；定义观测噪声协方差 ：； ；其中， 是接收功率的噪声方差计算卡尔曼增益矩阵 ，使用观测来更新状态估计，更新协方差矩阵；得到时刻的传输损耗，将该传输损耗除以标准传输损耗得到损耗比，将损耗比乘以性能预测结果，完成结果校正。[0084] 这个实施例中的方法基于卡尔曼滤波原理，用于校正光信号传输过程中的性能预测结果。卡尔曼滤波是一种用于状态估计的数学技术，其主要思想是在存在不确定性的情况下，通过融合系统模型和实际观测，持续更新对系统状态的估计，以获得更准确的状态估计和预测。[0085] 具体来说，首先定义了初始状态估计和协方差矩阵，初始状态估计包含了光源功率和初始传输损耗的估计，协方差矩阵表示了对这些估计的不确定性。然后，通过状态转移模型描述了光信号传输损耗随时间的变化，其中传输损耗系数 表示了信号衰减的速率。同时，过程噪声协方差矩阵用于建模状态转移过程中的噪声和不确定性。[0086] 观测模型定义了如何将状态估计映射到实际观测值，通常是线性的。观测噪声协方差表示了观测的不确定性。接下来，通过卡尔曼滤波算法，根据观测和状态转移模型，计算卡尔曼增益矩阵，用于更新状态估计和协方差矩阵。这一过程不断迭代，以便在每个时刻都获得更准确的状态估计。[0087] 最终，利用卡尔曼滤波得到的状态估计，计算传输损耗。将传输损耗除以标准传输损耗以获得损耗比，然后将损耗比乘以性能预测结果，以完成结果校正。这个过程考虑了光信号传输过程中的不确定性和变化，使得性能预测更加准确和可靠。[0088] 在这个方法中，首先定义了状态估计 和状态转移模型，描述了光信号传输损耗的变化。然后，使用卡尔曼滤波来估计状态 的变化。这是一种常用于跟踪系统状态的方法，可以有效地处理测量噪声和状态不确定性。[0089] 表示在第个时刻的状态估计，其中包括光源功率和传输损耗。状态转移模型描述了状态 如何从前一个时刻演化到当前时刻。在这个模型中，是传输损耗系数，是时间间隔。过程噪声协方差矩阵 表示了状态演化过程中的不确定性，包括光源功率和传输损耗的不确定性。观测模型将状态估计 映射到观测，即预测的性能输出。观测模型用于计算预测的性能输出 。[0090] 观测模型中的 表示从状态 中提取光源功率。观测噪声协方差 表示了观测的不确定性，即性能输出的测量噪声。卡尔曼滤波的关键是计算卡尔曼增益 ，它用于将观测数据与状态估计相结合，以获得更准确的状态估计。卡尔曼滤波通过状态更新和协方差更新来改善状态估计的精度。状态估计会根据观测数据进行调整，以更好地反映实际情况。通过卡尔曼滤波，我们获得了时刻的传输损耗。将传输损耗除以标准传输损耗得到损耗比，然后将损耗比乘以性能预测结果，以完成结果校正。这样做的目的是考虑了传输损耗对性能的影响，从而更准确地校正性能预测结果。这个方法利用卡尔曼滤波来校正性能预测结果，考虑了光信号传输损耗对性能的影响。卡尔曼滤波可以有效地处理测量噪声和状态不确定性，提高了性能预测的准确性。通过将传输损耗考虑在内，可以更准确地校正性能预测结果，从而提供更可靠的性能估计。这个方法综合考虑了光源功率、传输损耗、观测噪声等多个因素，使性能预测更全面和准确。[0091] 实施例9：在上一实施例的基础上，卡尔曼增益使用如下公式计算得到：；为第时刻的光源功率。[0092] 具体的，在前一个实施例中，已经定义了观测模型，将状态估计 映射到观测，即预测的性能输出 。观测模型中的 表示从状态 中提取光源功率。观测噪声协方差 表示了观测的不确定性，即性能输出的测量噪声。在这个实施例中，表示第时刻的光源功率。它是一个协方差矩阵，用于描述光源功率的不确定性。[0093] 卡尔曼增益的计算公式涉及了状态估计协方差矩阵 、观测模型和观测噪声协方差 。具体计算步骤如下：将状态估计协方差矩阵 的第一列提取出来，即 。计算中间矩阵 。将中间矩阵 与观测噪声协方差 相加。将中间结果取逆，得到逆矩阵。最终，将逆矩阵与前面的结果相乘，得到卡尔曼增益 。卡尔曼增益 的计算是卡尔曼滤波中的关键步骤之一。它表示了如何将观测数据与状态估计相结合，以获得更准确的状态估计。公式中使用了观测噪声协方差 和状态估计协方差矩阵 ，以权衡观测和状态估计的不确定性。通过这种方式，卡尔曼增益可以更好地反映观测的可信度和状态估计的可信度。[0094] 实施例10：在上一实施例的基础上，采用如下公式，使用观测来更新状态估计：[0095] ；[0096] 其中， 为更新后的状态估计；使用如下公式，更新协方差矩阵：[0097] ；[0098] 其中，为单位矩阵； 为更新后的协方差矩阵。[0099] 具体的，本发明的原理基于高斯过程回归方法，旨在提供一种精确预测和校正单模非气密光模块性能的创新技术。该技术的核心概念是利用高斯过程建立一个性能预测模型，同时考虑了历史性能数据、随机核函数、数据畸变、卡尔曼滤波和传输损耗等多个要素。下面将详细解释这些要素及其在本发明中的应用。[0100] 首先，本发明收集了单模非气密光模块的历史性能数据和相应的性能输出。这些数据可能包括环境温度、光功率、衰减、损耗等多个输入特征，以及相应的性能输出。这些数据是建立性能预测模型的基。糜谘盗泛脱橹つＰ。[0101] 其次，为了建立性能预测模型，本发明引入了高斯过程，这是一种强大的统计工具，可用于建模随机过程。高斯过程的核心是核函数，而在本发明中，我们引入了具备随机性质的核函数。这个随机核函数的选择对于性能预测的准确性至关重要，它能够捕捉性能数据中的随机性和不确定性。[0102] 接下来，本发明通过数据畸变的方式引入了更多的随机性。数据畸变是一种处理方法，通过增加随机性，使数据更具多样性，从而提高模型的鲁棒性和泛化能力。在这个步骤中，历史性能数据被畸变，形成了畸变数据，这些数据将用于训练高斯过程模型。[0103] 高斯过程回归模型的训练过程包括对畸变数据的建：头治。通过将历史性能数据作为输入，输入到训练后的高斯过程中，可以得到预测结果。这个过程可以迭代执行多次，以获取多个结果，最终形成高斯回归分析。通过比较这些结果的标准差与性能输出的标准差的比值，可以得到历史性能数据在一定时间间距后的光模块性能预测结果。这个结果表征了预测性能与标准性能的比值，用于判断预测性能是否超过、低于或等于标准性能。[0104] 在这个过程中，高斯过程的核函数、随机性质以及数据畸变的引入使得性能预测模型更具创造性。与传统的性能预测方法相比，本发明能够更好地捕捉历史性能数据中的随机性和不确定性，从而提供更准确的性能预测结果。[0105] 此外，本发明还引入了卡尔曼滤波技术，用于校正性能预测结果。卡尔曼滤波是一种用于状态估计和数据融合的优秀方法，可以在考虑观测数据的同时，动态地更新状态估计和状态估计协方差矩阵。在本发明中，卡尔曼滤波技术用于考虑光信号传输损耗对性能的影响。传输损耗是光信号在传输过程中丢失的功率，它可以显著影响性能预测的准确性。卡尔曼滤波技术允许将传输损耗考虑在内，通过动态地更新状态估计和协方差矩阵，更准确地校正性能预测结果，提高了预测的可靠性和准确性。[0106] 总之，本发明的原理在于综合运用高斯过程回归、随机核函数、数据畸变、卡尔曼滤波和传输损耗等多个关键技术要素，以实现单模非气密光模块性能的准确预测和校正。这些技术的协同作用使得本发明在光模块性能预测领域具有重大创新性，能够更好地应对光模块性能的随机性和不确定性，为光通信领域的性能优化提供了强有力的工具。[0107] 以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解为其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

专利地区：四川

专利申请日期：2024-03-11

专利公开日期：2024-06-25

专利公告号：CN117874712B