【技术实现步骤摘要】
本申请涉及电力设备智能运维，尤其涉及一种模型更新方法、装置、光缆智能运维系统和存储介质。
技术介绍
1、传统光缆巡检需要人力巡检，巡检速度慢、效率低、容易遗漏隐患点或故障点。随着物联网和边缘设备的广泛使用，通感算一体化正逐渐成为移动通信领域中新的感知-计算-学习分布式学习框架，在人工智能技术的推动下，基于通感算一体化的边缘智能将会是大势所趋。因此，渐渐出现了通过在边缘设备上配置神经网络模型对实时采集的运维数据进行异常识别的智能运维方案。但传统技术中边缘端的模型一经配置就保持不变，导致在本地数据出现变化时，模型的泛化能力不佳，从而影响模型异常识别的准确性和稳定性。
技术实现思路
1、本申请的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中边缘端的模型保持不变，导致模型的泛化能力不佳，从而影响模型异常识别的准确性和稳定性的技术缺陷。
2、第一方面，本申请提供了一种模型更新方法，应用于光缆智能运维系统中的边缘端，各边缘端均配置了数据特征映射模型和分类识别模型，数据特征映射模型用于将原始运维数据映射到目标特征空间，得到特征运维数据，分别识别模型用于根据特征运维数据进行异常检测，模型更新方法包括：
3、接收云端下发的更新模型参数；
4、根据更新模型参数更新本地的数据特征映射模型；
5、将新增的原始运维数据输入更新后的数据特征映射模型，得到新增的特征运维数据；
6、利用新增的特征运维数据更新本地的分类识别模型。
7、
8、获取特征运维数据的标准分类标签；
9、将特征运维数据输入本地的分类识别模型，得到预测分类标签；
10、根据预测分类标签、标准分类标签和第一损失函数，得到策略梯度值；
11、根据策略梯度值，得到参数更新值，并根据参数更新值对本地的分类识别模型进行更新。
12、在其中一个实施例中，根据预测分类标签、标准分类标签和第一损失函数，得到策略梯度值，包括：
13、根据预测分类标签、标准分类标签、第一损失函数和第一表达式，得到策略梯度值；第一表达式为：
14、
15、其中，g(t)代表当前时刻t的策略梯度值，代表分类识别模型在模型参数为θ(t)时根据第一损失函数l所计算出的梯度变化值，代表分类识别模型根据新增的特征运维数据ui所得到的预测分类标签，li代表特征运维数据ui对应的标准分类标签。
16、在其中一个实施例中，根据策略梯度值，得到参数更新值，包括：
17、将策略梯度值代入第二表达式，得到参数更新值；第二表达式为：
18、
19、其中，α(t)代表当前时刻t的参数更新值，η表示全局学习率，g(t)代表当前时刻t的策略梯度值，ε为用于防止除数为0的常数项。
20、第二方面，本申请提供了一种模型更新方法，应用于光缆智能运维系统中的云端，云端与多个边缘端通信连接，边缘端被配置为可执行上述任一实施例中的模型更新方法的步骤，应用于云端的模型更新方法包括：
21、获取各边缘端对应的第一损失函数和新增的原始运维数据；
22、基于最大似然法，利用各第一损失函数和新增的原始运维数据，得到更新模型参数；
23、将更新模型参数下发到各边缘端。
24、在其中一个实施例中，在各边缘端还未配置数据特征映射模型前，还包括：
25、获取包含多组训练数据的训练集，以及每组训练数据对应的标准分类标签；其中，每组训练数据中包括各边缘端对应的原始运维数据；
26、利用训练集、标准分类标签和目标函数对初始的数据特征映射模型进行训练，得到训练好的数据特征映射模型；其中，目标函数为：
27、
28、其中，xi代表一组训练数据中第i个边缘端对应的原始运维数据，i＝1，2，...n，n为大于2的正整数；ui代表当前的数据特征映射模型对xi处理所得到的特征运维数据；s为各边缘端对应的原始运维数据的共同特征空间；li代表xi对应的标准分类标签；代表将ui输入分类识别模型所得到的预测分类标签；
29、将训练好的数据特征映射模型配置到各边缘端。
30、第三方面，本申请提供了一种模型更新装置，应用于光缆智能运维系统中的边缘端，各边缘端均配置了数据特征映射模型和分类识别模型，数据特征映射模型用于将原始运维数据映射到目标特征空间，得到特征运维数据，分别识别模型用于根据特征运维数据进行异常检测，模型更新装置包括：
31、更新参数接收模块，用于接收云端下发的更新模型参数；
32、第一更新模块，用于根据更新模型参数更新本地的数据特征映射模型；
33、特征映射模块，用于将新增的原始运维数据输入更新后的数据特征映射模型，得到新增的特征运维数据；
34、第二更新模块，用于利用新增的特征运维数据更新本地的分类识别模型。
35、第四方面，本申请提供了一种模型更新装置，应用于光缆智能运维系统中的云端，云端与多个边缘端通信连接，边缘端内配置上述实施例中的模型更新装置，应用于云端的模型更新装置包括：
36、数据获取模块，用于获取各边缘端对应的第一损失函数和新增的原始运维数据；
37、参数拟合模块，用于基于最大似然法，利用各第一损失函数和新增的原始运维数据，得到更新模型参数；
38、参数下发模块，用于将更新模型参数下发到各边缘端。
39、第五方面，本申请提供了一种光缆智能运维系统，包括云端和与云端通信连接的多个边缘端；
40、边缘端配置了数据特征映射模型和分类识别模型，数据特征映射模型用于将原始运维数据映射到目标特征空间，得到特征运维数据，分别识别模型用于根据特征运维数据进行异常检测，边缘端还被配置为用于执行上述应用于边缘端的任一实施例中的模型更新方法的步骤；
41、云端被配置为用于执行上述应用于云端的任一实施例中的模型更新方法的步骤。
42、第六方面，本申请提供了一种存储介质，存储介质中存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例中的模型更新方法的步骤。
43、从以上技术方案可以看出，本申请实施例具有以下优点：
44、云端根据各边缘端采集的原始运维数据，训练优化数据特征映射模型的参数，使其在全部数据上拟合效果更好，然后将更新后的参数下发给各个边缘端。边缘端接收到参数后，加载新参数来更新自己本地的数据特征映射模型。随后，边缘端持续获取新增的原始运维数据，输入到更新后的映射模型中进行处理，输出特征表示形式的数据。最后，边缘端利用新增的特征数据，通过在线学习方式迭代地训练优化自己本地的分类识别模型，使其能够适应新增的数据，从而提升模型的识别效果。该方法使得数据特征本文档来自技高网...
【技术保护点】
1.一种模型更新方法，其特征在于，应用于光缆智能运维系统中的边缘端，各所述边缘端均配置了数据特征映射模型和分类识别模型，所述数据特征映射模型用于将原始运维数据映射到目标特征空间，得到特征运维数据，所述分别识别模型用于根据所述特征运维数据进行异常检测，所述模型更新方法包括：
2.根据权利要求1所述的模型更新方法，其特征在于，所述利用新增的所述特征运维数据更新本地的所述分类识别模型，包括：
3.根据权利要求2所述的模型更新方法，其特征在于，所述根据所述预测分类标签、所述标准分类标签和第一损失函数，得到策略梯度值，包括：
4.根据权利要求2所述的模型更新方法，其特征在于，所述根据所述策略梯度值，得到参数更新值，包括：
5.一种模型更新方法，其特征在于，应用于光缆智能运维系统中的云端，所述云端与多个边缘端通信连接，所述边缘端被配置为可执行权利要求1-4任一项所述的模型更新方法，应用于所述云端的所述模型更新方法包括：
6.根据权利要求5所述的模型更新方法，其特征在于，在各所述边缘端还未配置数据特征映射模型前，还包括：
8.一种模型更新装置，其特征在于，应用于光缆智能运维系统中的云端，所述云端与多个边缘端通信连接，所述边缘端内配置有权利要求7所述的模型更新装置，应用于所述云端的所述模型更新装置包括：
9.一种光缆智能运维系统，其特征在于，包括云端和与所述云端通信连接的多个边缘端；
10.一种存储介质，其特征在于，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1-6任一项所述的模型更新方法的步骤。
...【技术特征摘要】
1.一种模型更新方法，其特征在于，应用于光缆智能运维系统中的边缘端，各所述边缘端均配置了数据特征映射模型和分类识别模型，所述数据特征映射模型用于将原始运维数据映射到目标特征空间，得到特征运维数据，所述分别识别模型用于根据所述特征运维数据进行异常检测，所述模型更新方法包括：
2.根据权利要求1所述的模型更新方法，其特征在于，所述利用新增的所述特征运维数据更新本地的所述分类识别模型，包括：
3.根据权利要求2所述的模型更新方法，其特征在于，所述根据所述预测分类标签、所述标准分类标签和第一损失函数，得到策略梯度值，包括：
4.根据权利要求2所述的模型更新方法，其特征在于，所述根据所述策略梯度值，得到参数更新值，包括：
5.一种模型更新方法，其特征在于，应用于光缆智能运维系统中的云端，所述云端与多个边缘端通信连接，所述边缘端被配置为可执行权利要求1-4任一项所述的模型更新方法，应用于所述云端的所述模型更新方法包括：
【专利技术属性】
技术研发人员：李晓辉，蒋杰伟，
申请(专利权)人：广州杰鑫科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。