50 Gbit/s-EPON中基于预测的多波长带宽分配算法

来源 :光通信研究 | 被引量 : 0次 | 上传用户:petitlxr
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
根据IEEE 802.3ca新标准中对50 Gbit/s-以太网无源光网络(EPON)上行链路的说明,网络上行链路中需要对多波长进行动态带宽分配。文章采用长短时记忆神经网络对网络流量进行预测,旨在提高带宽分配的效率;同时,考虑到网络中不同类型业务对网络时延和带宽要求的差别,分别对不同优先级的业务采取不同的分配方案。仿真实验表明,基于神经网络预测的方法可以有效降低网络的延迟;对不同业务采取不同分配方案时,高优先级业务的延迟降低,并且随着网络负载的提高,延迟变化幅度较小。文章所提算法满足了高优先级业务的需求,
其他文献
针对热轧生产流程实际工况,系统研究了热轧、卷取阶段的三次氧化铁皮演变规律,旨在不增加生产成本的前提下,通过调整热轧生产工艺控制氧化铁皮结构,利用热轧后生成的氧化铁皮作为防护屏障,提高钢材耐蚀性能.结果表明,在不同轧制温度下,三次氧化铁皮结构从外到里分别为Fe2O3、Fe3O4和FeO,由于FeO中的阳离子空位密度大,导致其比例最大,并且随着轧制温度增加,氧化铁皮中的FeO层厚度逐渐增厚,并且其比例也逐渐增加.通过模拟连续冷却试验发现氧化铁皮结构转变关系呈现出“C”曲线的形式.在450~550℃温度范围内卷
针对热轧带钢头部厚度精度较低的问题,提出了一种基于深度学习的热轧带钢头部厚度的命中预测方法.在精轧过程中,带钢头部张力较小,且通常温度较低;同时轧机工艺参数复杂,精准设定存在困难,轧制带钢头部经常会出现厚度不合格的现象.利用深度神经网络的非线性拟合能力,设计带钢头部厚度预测模型,给轧机的参数设定提供参考、提高头部厚度命中率、减少钢材浪费.深度神经网络(DNN)包含输入层、隐藏层、输出层,使用TensorFlow开源机器学习框架设计预测模型并用程序实现.调整神经网络各参数,通过研究它们对模型性能的影响,优化