论文部分内容阅读
随着高速铁路的发展,铁路网络不断扩大,光传送网络(Optical Transport Network,OTN)作为高速铁路地面基础设施的重要组成部分,其承载越来越多的保证列车安全运行的业务。OTN一旦产生故障将会导致大量业务丢失,因此研究高速铁路光传送网络故障预警及定位技术是十分必要的。根据光传送网络故障表现形式,将故障分为软故障及硬故障,针对不同类型的故障提出不同的技术进行处理。本文主要研究工作如下:(1)结合二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)与支持向量机(Support Vector Machine,SVM),提出了BPSO-SVM算法用于光传送网络性能监测,该算法的创新点有:第一、利用BPSO算法进行自适应特征选择,无需手动设置阈值选择特征,降低算法整体的计算复杂度。第二、BPSO-SVM算法可以对不同类型的性能参数同时进行监测且不需要信号调制格式等先验知识。仿真结果表明,BPSO-SVM算法相较于SVM算法,在调制格式识别(Modulation Format Identification,MFI)准确率上提升了5.0%,在OSNR及CD系数预测误差上分别降低了8.2%及14.6%。(2)针对BPSO算法存在的问题,提出基于特征方差信息的二进制粒子群优化(Binary Particle Swarm Optimization combined with Feature-based Variance Information,FVI-BPSO)算法,该算法的创新点有:第一、将特征方差信息编码至BPSO算法初始化及位置信息更新过程中提升了算法的收敛速度。第二、对惯性权重的更新方式进行改进,将寻优进展信息融入其中,平衡了算法全局及局部搜索能力。然后结合FVI-BPSO与SVM算法,提出了FVI-BPSO-SVM算法用于光传送网络性能监测。仿真结果表明,FVI-BPSO-SVM算法相较于SVM算法,在MFI准确率上提升了5.0%,在OSNR及CD系数预测误差上分别降低了7.9%及20.8%。(3)提出了基于异步幅度直方图(Asynchronous Amplitude Histograms,AAHs)劣化趋势的风险预警等级划分方法,并结合此方法与本文所提出的性能监测方法建立高速铁路光传送网络故障预警机制,完成性能参数的监测,主动预防由于性能参数的劣化而导致的软故障。仿真结果表明,BPSO-SVM、FVI-BPSO-SVM算法相较于SVM算法,在风险预警等级预测准确率上分别高出7.5%、8.0%,具有更好的预警效果。(4)提出了基于改进启发式监测器分配(Improved Monitor Location Searching,IMLS)算法的监测树方法用于高速铁路光传送网络单链路故障定位。该算法的改进方向有:第一、在选择节点进行监测信号传输时,若不存在节点度为2的节点,则优先选择节点度最大的节点进行监测信号转发。第二、在选择节点度最大的节点进行转发时,若该节点度大于2,则选择该节点拥有末端节点度最大的两条出链路进行监测信号转发。仿真结果表明,在p=0.15、p=0.18两种情形下,IMLS算法相较于启发式监测器分配(Monitor Location Searching,MLS)算法在网络所需监测器数量、网络所需监测器代价、单个链路所需监测器数量、单个链路所需监测器代价分别降低了(27.7%,33.2%)、(15.9%,20.0%)、(27.8%,32.7%)、(16.2%,19.4%),IMLS算法构造的监测树更加接近理论最优监测树。