论文部分内容阅读
[摘 要]21世纪我国互联网及计算机技术得到了迅猛发展，利用云计算环境进行光纤网络通信，其数据交互规模大，光纤节点之间受码间干扰等因素的影响，易导致光纤网络故障，通过对这些故障数据的并行挖掘，可以提高光纤通信故障数据的诊断性能。基于此，文章提出一种基于功率谱密度估计的云计算环境下的海量光纤通信中的故障数据挖掘方法。对故障数据进行时域和频域分析，在时频域中进行功率谱密度特征提取，实现对云计算环境下的海量光纤通信中的故障数据的经验模态分解和故障特征聚类，从而提高故障数据的定位挖掘能力。
[关键词]光纤通信；故障数据；挖掘算法
中图分类号：R513 文献标识码：A 文章编号：1009-914X（2017）29-0154-02
数据挖掘是计算机技术自然发展的结果，其本质是通过对数据信息流的相關信息特征的提取及压缩，从海量数据中挖掘出有效的针对性特征，实现对数据的特征分析和解向量求取。如今，对云计算环境下的海量光纤通信的故障数据挖掘方法主要可以分为基于时域分析的故障数据挖掘法、频域分析的故障数据挖掘法、统计分析的故障数据挖掘法、信息论分析的故障数据挖掘算法、模式识别方法以及人工智能方法等，结合非线性时间序列分析和信号检测算法，实现故障数据挖掘和故障特征提取，达到光纤网络故障数据挖掘和故障诊断的目的，取得了一定的研究成果。
1 海量光纤通信信道模型的構建
为了实现对云计算环境下的海量光纤通信数据的准确挖掘，需构建通信信道模型，在光纤网络通信信道中进行故障数据采集和特征提取。光纤通信信道是一个扩展信道，采用多输入多输出的MI-MO多径信道传播模式，光纤通信信道存在两个方面的主要特征：一是光纤通信信道为带宽受限信道，光纤通信信道对较高频率的信号具有较大的吸收系数；二是光纤通信信道受距离的约束，具有多径传播特性，容易受到电磁场干扰，导致故障产生。
在光纤通信中，信道的多径结构取决于光纤通信网络节点的信道传播损失和衰减。假设光纤节点由N=2P个阵元组成，光纤通信节点阵元分布的径向距离为d，光纤通信网络中通信数据接收模型为：
其中，si（t）为光纤通信节点的第i个相位时间压缩特征分布，xm（t）为云计算分布式网格阵元m接收到的光纤通信数据时间序列，由此构建光纤通信的信道的冲激模型：
上式中，θi（t）表示光纤通信信源在信道中的相位偏移，通信数据的扩展时间窗口的宽度为T，在光纤通信网络的第i个阵元中，多径信道中对故障数据的扩展损失均衡矩阵表示为：
其中，P为光纤通信信道的带宽，I为光纤通信网络节点的阵元个数，由于光纤通信网络具有多径传播及空变特性，通过构建光纤通信信道均衡模型，得到在云计算环境下，海量光纤通信数据传输的信道模型表达为：
其中，an（t）是第n条路径上光纤通信的码间干扰，τn（t）为第n条多径通信信道的传输时延。通过上述设计，构建了云计算环境下的海量光纤通信的信道模型，利用光纤网络多径信道的均衡性能来实现时间压缩和空间聚焦，为云计算环境下海量光纤通信故障数据的挖掘提供模型基础。
2 海量光纤通信故障数据的信号模型构建
通过在信道模型建立的基础上，对通信故障数据的信号模型进行构建，云计算环境下海量光纤通信状态识别和故障诊断的第一步是信号的检测采集，采用信号处理算法实现对云计算环境下海量光纤通信状态进行识别。而本文对云计算环境下海量光纤通信故障数据的信号采集采取非线性时间序列分析法，从而构建海量光纤通信故障数据的信号模型为：
其中：，
式中，a（t）和θ（t）分别是云计算环境下的海量光纤通信传输的原始数据的包络和故障数据在通信节点中的相位信息，因a（t）和θ（t）都是云计算环境下的海量光纤通信噪声信号的时间序列函数，由此，采用非线性时间序列分析方法，得到云计算环境下的海量光纤通信的不稳定信息的信号解析表达式为z（t），它是x（t）与1/t的卷积，进一步在光纤通信多径信道中进行光纤通信的码间干扰抑制，得到故障数据的输出特征响应模型为：
其中，f为云计算环境下光纤通信故障数据的采集频率，τ为故障数据在信道中传输的时间延迟，把光纤网络节点发送的通信信号在时域和频域中进行时频分解和扩展聚焦，得到光纤通信信号的时频分量，通过构建云计算环境下光纤通信传输窗函数，进行故障数据的频谱图分析，得到一个能反映云计算环境下的海量光纤通信故障数据的非平稳信号特征，采用时频联合分布函数进行特征分析，得到云计算环境下光纤通信故障数据的时频联合分布函数WTf（a，τ）：
其中，x（t）是光纤通信故障数据可调窗口平方可积函数，ψ（.）是光纤通信故障数据挖掘的基函数，两个参数a和τ有关，采用一个1×N的时间窗口进行特征压缩，不断改变中心频率，通过在时间轴上连续滑动窗口进行非线性特征加权，使用窄带时域窗，得到云计算环境下的海量光纤通信中的故障数据信号x（t）的短时傅立叶变换为：
在上式中，x（τ）为光纤通信故障数据采样的时间序列，f为频域特征，t为特征压缩的尺度，通过短时傅立叶变换和能量密度谱处理，实现对云计算环境下的海量光纤通信的故障数据的信号模型构建和非线性时间序列分析。
3 光纤通信故障数据挖掘算法改进设计及实现
3.1 数据时频分析
由于云计算环境下的海量通信故障数据的提取采用正态相关状态特征提取方法，随着故障数据的耦合性增强，正态相关状态特征不能完全反应云计算环境下的海量光纤通信的工况信息，数据挖掘精度不高。因此，本文提出一种基于功率谱密度估计的云计算环境下的海量光纤通信中的故障数据挖掘方法，在上述构建故障数据的非线性时间序列分析模型，对故障数据进行时域和频域分析，在时频域中进行功率谱密度特征提取，采用时频分析方法建立一组相对稳定的云计算环境下的海量光纤通信的故障数据信号分析模型，进行海量光纤通信故障数据的时频分析，给出海量光纤通信数据的标量时间序列为x（t），t=0，1，…，n-1，短时信号的基函数可以描述为： 采用时频特征分解方法进行光纤通信故障数据的横向和竖向两个梯度方向分解，求得云计算光纤通信故障数据挖掘的最大梯度差：
其中，m，n分别是光纤通信故障数据挖掘的向量量化自相关系数，光纤通信故障数据的关联指向性特征为：
其中，Cov（X，Y）表示采样的两组光纤通信故障数据的自相关函数，D（X）和D（y）分别表示能量均值，当光纤网络节点发送一个极窄的脉冲信号，发射信号沿各个路径到达接收机的载频分量为：y（k）=a（k）h（k）+n（k）其中，n（k）为噪声分量，h（k）为第i条光纤通信信道传输路径的时延，由此得到光纤通信故障数据的时频分布特征为：
其中，ζ（n）为数据集宽频带，Φk为故障数据信息去干扰处理后相位信息，ωk为光纤通信故障数据的递归特征。假设云计算环境下的海量光纤通信数据传输通信信道为连续系统，云计算环境下的海量光纤通信故障数据的频域模型表示为：xn=x（t0+nΔt）=h[z（t0+nΔt）]+ωn式中，h（.）为云计算环境下的海量光纤通信故障数据时间窗口函数，ωn为测量误差。故障数据信息库数据集X={x1，x2，…，xn}，n是光纤通信故障数据集X的数目，通过上述对光纤通信故障数据的时频分析，为进行故障数据挖掘提供准确的数据基础。
3.2 故障数据的经验模态分解和故障特征聚类
通过对海量光纤通信故障数据的时频分析，在时频域中进行功率谱密度特征提取，得到功率谱密度特征提取结果为：
其中，K表示功率谱密度匹配特征系数，x（τ）表示光纤通信中的故障数据在时频域内的双曲调频幅度，得到故障数据功率谱密度特征提取的传递函数：
其中，相应的海量光纤通信故障数据的幅值频率参数为a，带宽参数为r，在云计算环境下，进行故障数据的经验模态分解，光纤网络中频调制信号的频率响应表示：
其中，ck为均衡调制载波，通过经验模态分解结果，结合模糊C均值聚类算法，实现对云计算环境下的海量光纤通信故障特征聚类。
通过本文对光纤通信故障數据挖掘算法改进设计，提高了在云计算环境下的海量光纤通信故障数据挖掘的精确度，能有效实现对光纤通信网络的故障诊断分析，具有较好的应用前景。
参考文献
[1] 梁生，刘腾飞，盛新志，等.基于空間域差分的φ-OT-DR光纤分布式扰动传感器定位方法研究[J].红外与激光工程，2016，45（6）.
[2] 朱梦芳，邵理阳，张志勇，等.基于二阶Loyt-Sagnac干涉仪的灵敏度增强温度传感器[J].光子学报，2016，45（6）.
[关键词]光纤通信；故障数据；挖掘算法
中图分类号：R513 文献标识码：A 文章编号：1009-914X（2017）29-0154-02
数据挖掘是计算机技术自然发展的结果，其本质是通过对数据信息流的相關信息特征的提取及压缩，从海量数据中挖掘出有效的针对性特征，实现对数据的特征分析和解向量求取。如今，对云计算环境下的海量光纤通信的故障数据挖掘方法主要可以分为基于时域分析的故障数据挖掘法、频域分析的故障数据挖掘法、统计分析的故障数据挖掘法、信息论分析的故障数据挖掘算法、模式识别方法以及人工智能方法等，结合非线性时间序列分析和信号检测算法，实现故障数据挖掘和故障特征提取，达到光纤网络故障数据挖掘和故障诊断的目的，取得了一定的研究成果。
1 海量光纤通信信道模型的構建
为了实现对云计算环境下的海量光纤通信数据的准确挖掘，需构建通信信道模型，在光纤网络通信信道中进行故障数据采集和特征提取。光纤通信信道是一个扩展信道，采用多输入多输出的MI-MO多径信道传播模式，光纤通信信道存在两个方面的主要特征：一是光纤通信信道为带宽受限信道，光纤通信信道对较高频率的信号具有较大的吸收系数；二是光纤通信信道受距离的约束，具有多径传播特性，容易受到电磁场干扰，导致故障产生。
在光纤通信中，信道的多径结构取决于光纤通信网络节点的信道传播损失和衰减。假设光纤节点由N=2P个阵元组成，光纤通信节点阵元分布的径向距离为d，光纤通信网络中通信数据接收模型为：
其中，si（t）为光纤通信节点的第i个相位时间压缩特征分布，xm（t）为云计算分布式网格阵元m接收到的光纤通信数据时间序列，由此构建光纤通信的信道的冲激模型：
上式中，θi（t）表示光纤通信信源在信道中的相位偏移，通信数据的扩展时间窗口的宽度为T，在光纤通信网络的第i个阵元中，多径信道中对故障数据的扩展损失均衡矩阵表示为：
其中，P为光纤通信信道的带宽，I为光纤通信网络节点的阵元个数，由于光纤通信网络具有多径传播及空变特性，通过构建光纤通信信道均衡模型，得到在云计算环境下，海量光纤通信数据传输的信道模型表达为：
其中，an（t）是第n条路径上光纤通信的码间干扰，τn（t）为第n条多径通信信道的传输时延。通过上述设计，构建了云计算环境下的海量光纤通信的信道模型，利用光纤网络多径信道的均衡性能来实现时间压缩和空间聚焦，为云计算环境下海量光纤通信故障数据的挖掘提供模型基础。
2 海量光纤通信故障数据的信号模型构建
通过在信道模型建立的基础上，对通信故障数据的信号模型进行构建，云计算环境下海量光纤通信状态识别和故障诊断的第一步是信号的检测采集，采用信号处理算法实现对云计算环境下海量光纤通信状态进行识别。而本文对云计算环境下海量光纤通信故障数据的信号采集采取非线性时间序列分析法，从而构建海量光纤通信故障数据的信号模型为：
其中：，
式中，a（t）和θ（t）分别是云计算环境下的海量光纤通信传输的原始数据的包络和故障数据在通信节点中的相位信息，因a（t）和θ（t）都是云计算环境下的海量光纤通信噪声信号的时间序列函数，由此，采用非线性时间序列分析方法，得到云计算环境下的海量光纤通信的不稳定信息的信号解析表达式为z（t），它是x（t）与1/t的卷积，进一步在光纤通信多径信道中进行光纤通信的码间干扰抑制，得到故障数据的输出特征响应模型为：
其中，f为云计算环境下光纤通信故障数据的采集频率，τ为故障数据在信道中传输的时间延迟，把光纤网络节点发送的通信信号在时域和频域中进行时频分解和扩展聚焦，得到光纤通信信号的时频分量，通过构建云计算环境下光纤通信传输窗函数，进行故障数据的频谱图分析，得到一个能反映云计算环境下的海量光纤通信故障数据的非平稳信号特征，采用时频联合分布函数进行特征分析，得到云计算环境下光纤通信故障数据的时频联合分布函数WTf（a，τ）：
其中，x（t）是光纤通信故障数据可调窗口平方可积函数，ψ（.）是光纤通信故障数据挖掘的基函数，两个参数a和τ有关，采用一个1×N的时间窗口进行特征压缩，不断改变中心频率，通过在时间轴上连续滑动窗口进行非线性特征加权，使用窄带时域窗，得到云计算环境下的海量光纤通信中的故障数据信号x（t）的短时傅立叶变换为：
在上式中，x（τ）为光纤通信故障数据采样的时间序列，f为频域特征，t为特征压缩的尺度，通过短时傅立叶变换和能量密度谱处理，实现对云计算环境下的海量光纤通信的故障数据的信号模型构建和非线性时间序列分析。
3 光纤通信故障数据挖掘算法改进设计及实现
3.1 数据时频分析
由于云计算环境下的海量通信故障数据的提取采用正态相关状态特征提取方法，随着故障数据的耦合性增强，正态相关状态特征不能完全反应云计算环境下的海量光纤通信的工况信息，数据挖掘精度不高。因此，本文提出一种基于功率谱密度估计的云计算环境下的海量光纤通信中的故障数据挖掘方法，在上述构建故障数据的非线性时间序列分析模型，对故障数据进行时域和频域分析，在时频域中进行功率谱密度特征提取，采用时频分析方法建立一组相对稳定的云计算环境下的海量光纤通信的故障数据信号分析模型，进行海量光纤通信故障数据的时频分析，给出海量光纤通信数据的标量时间序列为x（t），t=0，1，…，n-1，短时信号的基函数可以描述为： 采用时频特征分解方法进行光纤通信故障数据的横向和竖向两个梯度方向分解，求得云计算光纤通信故障数据挖掘的最大梯度差：
其中，m，n分别是光纤通信故障数据挖掘的向量量化自相关系数，光纤通信故障数据的关联指向性特征为：
其中，Cov（X，Y）表示采样的两组光纤通信故障数据的自相关函数，D（X）和D（y）分别表示能量均值，当光纤网络节点发送一个极窄的脉冲信号，发射信号沿各个路径到达接收机的载频分量为：y（k）=a（k）h（k）+n（k）其中，n（k）为噪声分量，h（k）为第i条光纤通信信道传输路径的时延，由此得到光纤通信故障数据的时频分布特征为：
其中，ζ（n）为数据集宽频带，Φk为故障数据信息去干扰处理后相位信息，ωk为光纤通信故障数据的递归特征。假设云计算环境下的海量光纤通信数据传输通信信道为连续系统，云计算环境下的海量光纤通信故障数据的频域模型表示为：xn=x（t0+nΔt）=h[z（t0+nΔt）]+ωn式中，h（.）为云计算环境下的海量光纤通信故障数据时间窗口函数，ωn为测量误差。故障数据信息库数据集X={x1，x2，…，xn}，n是光纤通信故障数据集X的数目，通过上述对光纤通信故障数据的时频分析，为进行故障数据挖掘提供准确的数据基础。
3.2 故障数据的经验模态分解和故障特征聚类
通过对海量光纤通信故障数据的时频分析，在时频域中进行功率谱密度特征提取，得到功率谱密度特征提取结果为：
其中，K表示功率谱密度匹配特征系数，x（τ）表示光纤通信中的故障数据在时频域内的双曲调频幅度，得到故障数据功率谱密度特征提取的传递函数：
其中，相应的海量光纤通信故障数据的幅值频率参数为a，带宽参数为r，在云计算环境下，进行故障数据的经验模态分解，光纤网络中频调制信号的频率响应表示：
其中，ck为均衡调制载波，通过经验模态分解结果，结合模糊C均值聚类算法，实现对云计算环境下的海量光纤通信故障特征聚类。
通过本文对光纤通信故障數据挖掘算法改进设计，提高了在云计算环境下的海量光纤通信故障数据挖掘的精确度，能有效实现对光纤通信网络的故障诊断分析，具有较好的应用前景。
参考文献
[1] 梁生，刘腾飞，盛新志，等.基于空間域差分的φ-OT-DR光纤分布式扰动传感器定位方法研究[J].红外与激光工程，2016，45（6）.
[2] 朱梦芳，邵理阳，张志勇，等.基于二阶Loyt-Sagnac干涉仪的灵敏度增强温度传感器[J].光子学报，2016，45（6）.