机器学习在高速铁路光传送网的应用研究

发布时间：2025-05-27 22:38

　　高速铁路光传送网(OTN,Optical Transport Network)是高速铁路正常运行的保障。光传送网络故障的产生会导致业务的中断以及信息的丢失,不仅会影响列车的安全运行,也对用户造成经济损失。因此在网络发生故障时,高效的故障定位机制能够为故障的快速恢复提供条件,是网络安全运行的保障。此外,当前高速铁路信息业务量不断增大,业务的种类趋向多样化,为满足业务的需求,光传送网络的拓扑结构也越来越复杂。在这种发展趋势下,如何保证网络的良好的服务质量(Quality of Service,QoS)成为了最基本的问题之一,而光网络的拥塞控制则是实现优良的QoS机制的关键技术。本文将机器学习的算法应用于光网络的故障定位和网络的拥塞程度的预测中,主要研究内容如下:(1)提出了基于GRU(Gated Recurrent Unit)神经网络的故障定位的方法,主要解决光传送网络的单链路故障。该方法是利用神经网络对链路的历史故障数据进行训练,然后通过分析发生故障时链路的状态信息来实现对故障链路的定位。本文基于铁路骨干环链路搭建动态业务模型进行故障定位的仿真,仿真中对GRU的参数进行了优化,并在相同条件...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 引言
    1.1 研究背景与意义
        1.1.1 高速铁路光传送网络发展现状
        1.1.2 高速铁路光传送网络发展面对的关键问题
    1.2 国内外研究现状
        1.2.1 机器学习的发展
        1.2.2 机器学习在光传送网的研究现状
    1.3 机器学习在高速铁路光传送网的应用
        1.3.1 故障定位需求分析
        1.3.2 网络拥塞需求分析
    1.4 论文的研究内容与结构安排
2 机器学习的相关理论概述
    2.1 机器学习的基本介绍
    2.2 支持向量机
        2.2.1 线性支持向量机
        2.2.2 非线性支持向量机
    2.3 神经网络的介绍
        2.3.1 RNN神经网络模型
        2.3.2 LSTM神经网络模型
        2.3.3 GRU神经网络模型
    2.4 本章小结
3 光传送网络故障定位
    3.1 光传送网络故障分类
    3.2 搭建数据集合
        3.2.1 MTBF的韦伯分布
        3.2.2 生成数据集合
        3.2.3 采用GRU神经网络的可行性
    3.3 仿真数据
        3.3.1 铁路骨干网介绍
        3.3.2 搭建动态网络模型
    3.4 搭建GRU神经网络
        3.4.1 仿真过程及参数
        3.4.2 参数优化
        3.4.3 与LSTM的对比结果
    3.5 本章小结
4 光网络拥塞程度预测
    4.1 影响因素
    4.2 网络拥塞的预测方案
        4.2.1 相关参数
        4.2.2 数据集合
        4.2.3 采用SVM算法的可行性
    4.3 仿真实验
        4.3.1 仿真参数
        4.3.2 基于SVM的分类过程
    4.4 参数优化
    4.5 结果分析
    4.6 本章小结
5 结论
    5.1 全文总结
    5.2 研究展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集



本文编号：4047653