作者单位： 上海交通大学区域光纤通信网与新型光通信系统国家重点实验室;
关键词： 高速光传输 马赫-曾德调制器 光差分正交相移键控(ODQPSK)调制 调制方式 实现方式 偏振模色散 双驱动 容纳能力 光信噪比 调制格式
基金：国家自然科学资金(10778713)资助 国家863计划资助
分类号：TN92911
DOI：CNKI:SUN:GTXS02010-01-015
正文快照：
0引言近年来,光差分正交移相键控(ODQPSK)调制方式在高速光传输系统中得到广泛的关注和研究。相比于开关键控(OOK),差分相移键控(DPSK)等二进制调制格式,ODQPSK调制具有窄的频谱宽度和高的频谱利用率[1～3]。利用正交移相调制格式,采用两路50Gb/s的码元速率就可实现100Gb/s的硬件准备
ESP32开发板一套
1、一分钟上云体验
打开“支付宝”扫描下图二维码
在案例详情中，点击“立即体验”
是不是感觉挺神奇的，手摸一摸就能在手机上显示摸了哪几个引脚。
只需要以下几步
2、物联网平台开发
整个过程包含以下4个步骤：
1、开通公共实例
2、创建产品（设备模型）
3、定义产品功能（物模型）
4、创建设备及获取三元组
21、开通公共实例
对于第一次使用物联网平台的读者，需要开通实例以使用物联网平台的功能。这里可以使用免费的公共实例进行开发。在物联网平台中，左上角选择“华东2-上海”，点击“公共实例”，即可开通。开通后点击“公共实例”，即可进入控制台进行产品创建。
22、创建产品（设备模型）
进入公共实例控制台，点击“创建产品”按钮，即可进入新建产品页面。
进入新建产品页面，设定“产品名称”，这里我们命名为“nodemcu32S”，读者也可以根据自己的喜好来命名。在“所属品类”中，选择“自定义品类”。
产品的节点类型选择“直连设备”，数据格式选择“ICA标准数据格式”，检验类型和认证方式选择默认设定即可。开发者可根据自己的需求在“产品描述”页面添加针对此产品的描述。
对于ESP32等搭载Wi-Fi的设备而言，联网方式选择“Wi-Fi”。
点击“确认”按钮，即可完成产品创建。
点击“前往定义物模型”
23、定义产品功能（物模型）
开发者可以使用准备好的物模型文件来进行快速导入。点击左上角“快速导入”，选择物模型文件并上传，就能够生成案例对应的物模型。
生成后的效果如下：
定义好物模型后，需要发布物模型上线，并发布产品，以使变更生效。
产品及其物模型创建完成后就可以创建这个产品的设备了。
24、创建设备及获取三元组
点击左侧栏中“设备”，在筛选框中选择需要添加的产品，点击“添加设备”，这里我们命名为“test_device”，开发者可以根据自己的喜好来命名。
开发者也可以选择“批量添加”，一次性添加多个设备，并声称随机的DeviceName。
生成的设备如下：
点击前往“产看”按钮，就可以看到此设备的详细信息了。
点击左上角的“查看”按钮，就能看到设备的三元组信息了。
三元组是物联网设备与云端关联的唯一标识符，在设备端连到云端的时候会使用三元组信息和云端进行鉴权，鉴权通过之后云端会认为设备已激活并上线。
3、设备端开发
在进行下一步之前请确保ESP32开发环境已经搭建完毕。详情请参考“ESP32快速开始”的说明。
31、创建解决方案
如下图所示，打开VSCode之后再新建一个基于helloword的python工程，设定好工程名称（“test_demo”）及工作区路径之后，硬件类型选择ESP32，点击立即创建，创建一个Python轻应用的解决方案。
将脚本压缩包解压后，复制该文件夹下的所有文件，覆盖"test_demo"工程目录下，mainpy文件：
Python脚本的详细说明请参考脚本内嵌的文字注释。
修改路由器名称及密码
修改工程里mainpy中wifiSsid和WifiPassword的值为读者实际要链接的路由器名称及密码（请注意名称和密码都需要放在""符号中间）。
# Wi-Fi SSID和Password设置
wifiSsid = "请填写您的路由器名称"
wifiPassword = "请填写您的路由器密码"
修改完成后get_wifi_status函数中的wlanconnect(wifiSsid,wifipassword)语句就会连接读者自己设定的路由器。
修改设备端三元组
# 物联网平台相关的key和serect定义
ProductKey = 'ProductKey'
DeviceName = 'DeviceName'
DeviceSecret = 'DeviceSecret'
点击“部署运行”，等待程序运行。
32、物联网平台端设备信息查看
再次前往物联网平台的设备信息页面，若设备运行正确，此时应该可以看到设备名右侧的状态由“未激活”变为“在线”。选中“实时刷新”，可以看到数据实时从设备上报到物联网平台，设备上云成功。来自： Feature Selection: A Data Perspective
目的：
相对于算法本身的改进，特征工程往往对效果有更直接的提升。特征工程以降维为手段，重点解决以下问题：
1 过拟合；
2 随着特征增加，稀疏性呈指数爆炸。由于大多数算法假设数据特征独立同分布，稀疏性会干扰最终结果；
3 PAC Learning Theory：我们对实际问题的假设在多大程度上背离目标方程;
实际应用中，针对具体问题，我们通常能找到最佳特征数：
1 特征提取：将数据从原始的高位空间投向低维，得到的新特征通常没有物理意义；
11 线性投影：PCA，ICA，LDA等；
12 非线性投影：ISOMAP，LLE等；
2 特征筛选：基于相关性和冗余性，从原始特征择优；
从y值考虑，特征工程可分为有监督，无监督和半监督3类；从x考虑，特征工程可分为wraper，filter，embedder 3类。本文从数据角度，对特征工程做如下分类：
1 Similarity based methods：基于相似性的方法通过保持原始数据相关性的能力评估特征的重要性。好特征不能导致数值大小的随机性，同时好特征可以令邻近的数据数值接近，邻近由相关矩阵定义。假设相关矩阵在实数空间内，为了找到相关性最高的特征，需要最大化效用矩阵，通常需要用最小二乘法得到其最大值。
优点：1 特征得分计算简单，2 选出的的特征可直接用于后续学习任务；
缺点：没有有效解决特征冗余；
11 Laplacian Score [He et al, 2005]
111 首先：这种方法搭建X的对角矩阵（构建多样性）和拉普拉斯矩阵（构建相似性）， 不考虑Y；
112 好的特征需要同时保证X的相似性特征（越小越好）和特征的多样性（越大越好）；
113 拉普拉斯得分越小越好；
12 Spectral Feature Selection [Zhao and Liu, 2007]
121 相似矩阵的特征向量代表了X的分布；
122 特征的相似性由特征向量的内积衡量，特征值对X在该特征上的赋值由下图灰度表示，邻近的数据赋值相近；
123 谱特征得分越大越好；
13 Fisher Score [Duda et al, 2001]
131 这种方法考虑Y，构建类内和类间拉普拉斯矩阵，该矩阵每个元素越大，对应的x越相似；
132 好特征使不同类的数据相远，使同类数据相近；
133 费舍得分越大越好
14 Trace Ratio Criteria [Nie et al, 2008]
141 费舍得分单独地衡量每个特征，可能陷入局部最优
142 迹比准则还衡量特征子集；
143 迹比得分越大越好，所得特征没有物理意义；
2 Information Theoretical based Methods：使用启发式筛选方法挑特征，以总体最优为目标。找到最好的特征子集是NP-难的问题，通常基于熵，冗余性和信息增益，使用前向和后向搜索找特征。
优点：1 兼顾相关性和冗余性，2 选出的的特征可直接用于后续学习任务；
缺点：1 大部分方法只能用于监督学习，2 只能处理离散数据；
21 Information Gain [Lewis, 1992]
211 信息增益仅通过衡量基于Y的X的相关性来衡量特征重要性；
212 仅考虑单个特征，且不考虑特征间的互信息；
213 信息增益越大越好；
22 Mutual Information Feature Selection [Battiti, 1994]
221 信息增益仅考虑单个特征和Y的相关性；
222 互信息还考虑特征间的信息冗余；
223 互信息越大越好；
23 Minimum Redundancy Maximum Relevance [Peng et al, 2005]
231 直观上，MRMR基于相似矩阵，动态减小信息冗余对特征集的影响；
232 同时，增强特征子集对Y的相关性的影响；
233 MRMR得分越大越好，所得特征没有物理意义；
244 Conditional Infomax Feature Extraction [Lin and Tang, 2006]
241 类内相关性越大于总体类间相关性，相关特征越有用；
242 相关特征不一定冗余；
243 条件信息得分越大越好，所得特征没有物理意义；
3 Sparse Learning based Methods：上述方法不一定适用于某一具体任务。稀疏学习方法通常用于嵌入。该方法通常使用损失项和惩罚项，有极强的理论支撑，适用数据的类型较为广泛，且使用灵活。
优点：1 数据利用充分，2 直观，可解释性好；
缺点：1 泛化性弱，2 非平滑最优，计算量大；
31 Lasso [Tibshirani, 1996]
311 该方法基于特征权重的l1正则化项；
312 该方法通过补偿最小二乘法的损失确定得分大小；
313 Lasso得分越大越好；
32 Multi-Cluster Feature Selection (MCFS) [Cai et al, 2011]
321 该方法寻找X内部聚类的向量，检测其聚类结构；
322 对每个类计算lasso，并组合类的特征系数；
323 MCFS得分越大越好；
333 Nonnegative Unsupervised Feature Selection (NDFS) [Li et al, 2012]
331 该方法同时执行聚类和特征选择；
332 类的权重矩阵由RBF核构造，之后将该矩阵嵌入特征选择；
333 NDFS得分越大越好；
4 Statistical based Methods：基于一系列统计检测，通常用于特征筛选，不考虑冗余性，在离散数据上效果较好。
优点：1 直观，2 选出的特征可直接用于后续学习任务；
缺点：1 没解决特征冗余，2 数据需要离散化，3 在高维空间计算量大；
41 T-Score [Davis and Sampson, 1986]
411 用于二分类；
412 检测特征对样本间均值是否显著；
413 T得分越高越好；
42 Chi-Square Score [Liu and Setiono, 1995]
421 检测特征对Y的独立性；
422 不考虑类间关系；
423 卡方得分越高越好；
5 FS with Structured Features：常见的数据结构有时序，图，群，树等。流行的方法是最小化因结构正则化而受到惩罚的拟合误差
优点：1 提高学习效率，2 提高可解释性；
缺点：1 需要统一的标注规则，2 需要计算非凸优化，计算量大；
51 Group Structure – Group Lasso [Yuan and Lin, 2006]
511 该数据结构常用于脑功能，基因组的编码；
512 需要全选或全不选某个群；
513 以群的损失和惩罚为依据；
52 Sparse Group Lasso [Friedman et al, 2010]
521 用于挑选有代表性的群；
522 同时基于群和特征构建得分；
523 SGL得分越高越好；
53 Granger Causality Score [Granger, 2003]
531 用于计量时序数据，检测过去信息对现在的最小二乘方差；
532 检测前提是通过平稳检测和协整检测；
533 因果性得分越高越好；
54 Tree-Guided Group Lasso [Liu and Ye, 2010]
541 树状结构用于人脸识别，基因表达，部分词向量的编码；
542 子叶节点是单独特征，内部节点是群特征，
543 基于权重检测和每个子树的相关性；
55 Graph Lasso [Ye and Liu, 2012]
551 图结构用于同义反义词，基因的相互制约等场景的编码；
552 如果两个节点特征被连接，则这两个特征可能会被同时选择；
553 节点权重需要加惩罚项；
56 Graph-Guided Fused Lasso (GFLasso) [Kim and Xing, 2009]
561 Graph Lasso假设连接的特征具有相近特征系数，但是该系数可能为负；
562 GFL显示地构造正相关和负相关，两个相关项基于特征矩阵动态调整；
563 GFL得分越高越好；
6 Feature Selection with Heterogeneous Data：传统特征分析单一来源数据，这些数据通常满足独立同分布假设。异构数据来源广泛，比如互联网，物联网，天文观测，基因测序，人际网络等。该方法主要应对如何为关联信息建模，如何融合异构信息，如何在标签缺失的问题。
优点：适应多中来源数据；
缺点：不同来源的数据可能有噪声，甚至相互矛盾；
61 Feature Selection on Networks (FSNet) [Gu and Han, 2011]
611 使用线性分类器分别捕捉X和Y的关系；
612 使用Graph lasso建立不同来源X之间的关系；
613 以FSNet为目标方程获得权重矩阵；
62 Linked Feature Selection (LinkedFS) [Tang and Liu, 2012]
621 以社交网络行为：转发，共同关注，共同被关注，和关注来编码数据；
622 基于统制社交理论，假设这些行为的人具有相同兴趣；
623 以链接强度矩阵构建特征得分，越高越好；
633 Personalized Feature Selection [Li et al, 2017]
631 以社交网络行为的不同来构造特征，关注不同兴趣和相同内同的不同含义‘苹果降价了’；
632 通过鼓励群内特征竞争，抑制群间特征竞争来抑制过拟合；
633 目标方程考虑节点连接的方向，组内群内权重和群间权重；
64 Linked Unsupervised Feature Selection (LUFS) [Tang and Liu, 2012]
641 通过节点链接的权重，应对标注和特征定义不明的场景；
642 通过社交维度的散布矩阵，最大化组内相似性同时最小化组间相似性，相似性由RBF核定义；
643 目标：最小化Y的松弛谱同时对X各阶施加正则化项；
65 Robust Unsupervised on Networks (NetFS) [Li et al, 2016]
651 LUFS对网络构建和特征选择分开处理，NetFS将网络构建嵌入到特征选择中，对噪声链接有更好的鲁棒性；
652 构建潜在表达矩阵，对网络构建和特征选择形成互补；
653 使用Kmeans回溯NetFS和LUFS，前者对干扰的鲁棒性更好；
66 Feature Selection in Signed Networks (SignedFS) [Cheng et al, 2017]
661 上述方法分析了社交网络里正向的用户互动，SignedFS独立地添加负向互动到目标函数中，基于三个假设：1 正向互动的用户具有更高相似性，2 朋友的朋友是朋友，3 敌人的敌人是朋友。
662 同时嵌入正负项的潜在表示到特征选择中；
663 最终得到的特征在T检验下表现良好；
7 Multi-Source and Multi-View Feature Selection：前者选择不同的特征F，后者选择不同的X；
优点：不同来源数据互补，显著提升后续训练任务；
缺点：非凸优化计算量大，且涉及高位空间矩阵；
71 Multi-Source Feature Selection [Zhao and Liu, 2008]
711 基于不同来源的地理信息数据的邻接矩阵，构建总体样本；
722 对独立的数据源构建协方差矩阵来获得相关性；
733 可以通过协方差矩阵的对角矩阵对特征排序，也可以直接用PCA来提取该矩阵的特征；
72 Multi-View Unsupervised Feature Selection (MVFS) [Tang et al, 2013]
721 MVFS兼顾聚类结构，相似性和相关性：
722 对每个view考察其特征权重，同时考察该特征权重矩阵内部的稀疏性；
733 最后使用谱聚类寻找无效标签；
73 Multi-View Clustering and Feature Learning [Wang et al, 2013]
731 每个view的贡献需要区别对待，比如不同摄像头同一时间的数据；
732 同时对view内和view间的稀疏性以实现上述目标；
733 在该任务的稀疏矩阵的惩罚项上，l1比l2效果好；
8 Feature Selection with Streaming Data Instances and Features：主要挑战是数据流的大小和特征数量都未知，对实时性要求高，且难以批处理。特征流选择分两步：1 是否使用新特征，2 是否放弃老特征。
81 Grafting [Perkins and Theiler, 2003]
811 加入新特征时加入新的惩罚项，当loss的下降超过特征矩阵的权重时，目标方程减小，此时加入新特征；
812 如果新特征被加入，通过更新所有权重的共轭梯度下降来更新模型；
813 此时如果有些特征的权重被归零，删掉；
822 Unsupervised Streaming Feature Selection (USFS) [Li et al, 2015]
821 通过关联信息解决标注的缺失；
822 通过在线的特征子集的变化来确定新特征是否被加入；
823 得到的特征通常比较稳定；
83 Online Feature Selection (OFS) [Wang et al, 2014]
831 OFS基于线性分类器，每个特征的数据量设限不超过阈值；
832 如果新数据的特征预测错误，则执行特征权重的梯度下降，
833 在惩罚项下寻找已有的总体的新特征；
84 Feature Selection on Data Streams (FSDS) [Huang et al, 2015]
841 基于matrix sketching [Liberty 2013]获得低阶的特征矩阵；
842 权重更新使用MCFS
843 如果新的X正交，使用l2替换l1；
总结：
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）