一种智能信息网络中的元智能模型及实现方法

本发明属于数据处理，尤其涉及一种智能信息网络中的元智能模型及实现方法。

背景技术：

1、智能信息网络是实现网络智能化的关键技术之一，主要目的为构建满足语音、数据、视频集成的要求，满足各种业务运用的要求，满足可靠、安全、高效、易扩充、易管理要求的网络。元智能最大的特征是提高网络的自主认知能力，即提高网络数据感知及分析处理能力。目前业界也有研究采用认知方法构建智能信息网络，并逐渐成为研究的主流方向，如以认知方法为核心的认知无线网络和认知网络、局部采用认知方法提高智能化水平的网络等。

技术实现思路

1、本发明的目的在于提供一种智能信息网络中的元智能模型实现方案，使网络具备自优化、自演进、自学习功能。

2、本发明第一方面提出一种智能信息网络中的元智能模型实现方法，所述方法构建的所述元智能模型包括多域感知模块、学习分析模块、网络知识模块和优化决策模块；其中：调用所述多域感知模块，用于感知网络内部和外部的多域环境，以获取多域特征参数，并对所述多域特征参数进行预处理；调用所述学习分析模块，用于采用机器学习的方式对经预处理的多域特征参数进行数据分析融合，从而经训练的多域环境预测学习模型，将所述多域特征信息和所述经训练的多域环境预测学习模型存储在所述网络知识模块中；调用所述网络知识模块，用于存储具有同一表征形式的网络多维多态数据信息，包括所述多域态势信息和所述经训练的多域环境预测学习模型；调用所述优化决策模块，用于从所述网络知识模块中匹配到与当前网络多域环境匹配的综合决策方案；其中，在所述网络知识模块中不存在所述与当前网络多域环境匹配的综合决策方案的情况下，对所述当前网络多域环境进行学习分析，调用所述网络知识模块中的所述经训练的多域环境预测学习模型，以从所述当前网络多域环境提取出的当前多域特征参数作为所述经训练的多域环境预测学习模型的输入，输出所述当前网络多域环境的多域态势预测信息，以生成所述生成综合决策方案。

3、根据本发明第一方面的方法，所述网络的通信节点按分级分布式部署，所述节点共分为x级，总数为y，第n级第i个通信节点的多域感知模块获取k时刻的多域特征参数n∈x,i∈y，其中：

4、

5、eak为外部环境域感知输入，nak为网络状态域感知输入，uak为用户行为域感知输入，ψe(eak)为电磁环境域感知方法，ψn(nak)为网络状态域感知方法，ψu(uak)为用户行为域感知方法，为信道质量干扰强度传输信号时延构成的外部环境域特征参数，为网络拓扑网络拥塞级别丢包率构成的网络状态域特征参数，为用户业务类型用户优先级用户位置构成的用户行为域特征参数，则有：

6、

7、根据本发明第一方面的方法，用于所述采用机器学习的方式对所述经预处理的多域特征参数进行数据分析融合，从而所述经训练的多域环境预测学习模型，具体包括：

8、从所述网络知识模块的未训练学习模型中选取与所述当前网络多域环境匹配的预测学习模型利用起始时刻至k时刻的所述多域特征参数进行训练，得到所述经训练的多域环境预测学习模型：

9、

10、根据本发明第一方面的方法，调用所述网络知识模块中的所述经训练的多域环境预测学习模型φp，以从所述当前网络多域环境提取出的当前多域特征参数作为所述经训练的多域环境预测学习模型的输入，输出k+1时刻的多域态势预测信息：

11、

12、利用所述多域态势预测信息生成综合决策方案：

13、

14、其中，cplann,i为生成的第n级第i个节点的综合决策方案，cplann,l为与第n级第i个节点不同的其他节点的综合决策方案，dn,i为网络综合需求，π为在线决策方法。

15、本发明第二方面提出一种智能信息网络中的元智能模型。所述元智能模型包括多域感知模块、学习分析模块、网络知识模块和优化决策模块；其中：所述多域感知模块被配置为：感知网络内部和外部的多域环境，以获取多域特征参数，并对所述多域特征参数进行预处理；所述学习分析模块被配置为：采用机器学习的方式对经预处理的多域特征参数进行数据分析融合，从而经训练的多域环境预测学习模型，将所述多域特征信息和所述经训练的多域环境预测学习模型存储在所述网络知识模块中；所述网络知识模块被配置为：存储具有同一表征形式的网络多维多态数据信息，包括所述多域态势信息和所述经训练的多域环境预测学习模型；所述优化决策模块被配置为：从所述网络知识模块中匹配到与当前网络多域环境匹配的综合决策方案；其中，在所述网络知识模块中不存在所述与当前网络多域环境匹配的综合决策方案的情况下，对所述当前网络多域环境进行学习分析，调用所述网络知识模块中的所述经训练的多域环境预测学习模型，以从所述当前网络多域环境提取出的当前多域特征参数作为所述经训练的多域环境预测学习模型的输入，输出所述当前网络多域环境的多域态势预测信息，以生成所述生成综合决策方案。

16、根据本发明第二方面的系统，所述网络的通信节点按分级分布式部署，所述节点共分为x级，总数为y，第n级第i个通信节点的多域感知模块获取k时刻的多域特征参数n∈x,i∈y，其中：

17、

18、eak为外部环境域感知输入，nak为网络状态域感知输入，uak为用户行为域感知输入，ψe(eak)为电磁环境域感知方法，ψn(nak)为网络状态域感知方法，ψu(uak)为用户行为域感知方法，为信道质量干扰强度传输信号时延构成的外部环境域特征参数，为网络拓扑网络拥塞级别丢包率构成的网络状态域特征参数，为用户业务类型用户优先级用户位置构成的用户行为域特征参数，则有：

19、

20、根据本发明第二方面的系统，用于所述采用机器学习的方式对所述经预处理的多域特征参数进行数据分析融合，从而所述经训练的多域环境预测学习模型，具体包括：

21、从所述网络知识模块的未训练学习模型中选取与所述当前网络多域环境匹配的预测学习模型利用起始时刻至k时刻的所述多域特征参数进行训练，得到所述经训练的多域环境预测学习模型：

22、

23、根据本发明第二方面的系统，调用所述网络知识模块中的所述经训练的多域环境预测学习模型φp，以从所述当前网络多域环境提取出的当前多域特征参数作为所述经训练的多域环境预测学习模型的输入，输出k+1时刻的多域态势预测信息：

24、

25、利用所述多域态势预测信息生成综合决策方案：

26、

27、其中，cplann,i为生成的第n级第i个节点的综合决策方案，cplann,l为与第n级第i个节点不同的其他节点的综合决策方案，dn,i为网络综合需求，π为在线决策方法。

28、本发明第三方面公开了一种电子设备。所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现本公开第一方面所述的一种智能信息网络中的元智能模型实现方法。

29、本发明第四方面公开了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本公开第一方面所述的一种智能信息网络中的元智能模型实现方法。

30、综上，本发明提出的技术方案与现有技术相比，其显著优点为：(1)具备全面的多域环境感知功能。模型中的多域感知模块可自主对电磁环境、网络自身状态、用户行为等网络内外部环境充分感知，获取网络多维度特征参数，为网络自适应环境变化提供坚实基础；(2)具备高效的学习分析功能。学习分析模块利用灵活的学习模型训练方式，通过环境匹配选择合适的已训练学习模型，实现高效的学习分析功能，为网络自适应环境提供技术支撑；(3)具备灵活的数据信息存储功能。网络知识模块可存储网络各类数据信息，各模块随时调用现有数据信息实现各自功能，为网络自适应环境提供知识储备；(4)具有完备的优化决策功能。结合实时和历史参数等数据，网络各节点选取最佳的优化方法生成决策方案，各节点之间的决策方案可通过广播等方式进行交互，最终融合出综合决策方案，为网络自适应环境提供智能决策。