0 引　言

舰船内部设备之间的信息传输，以及舰船和外界之间的主要信息传输方式为光纤通信网络，该网络具备容量大、信息传输速度快、信息传输能耗小、抗干扰能力强等特性^[1]，能够提升舰船内部设备以及舰船与外界信息传输的可靠性。然而，目前舰船通信流量呈爆炸式趋势增长，容易导致网络拥塞^[2]，无法确保信息传输的稳定性，为此，需要研究舰船光纤通信流量预测方法，帮助通信管理人员提前了解网络负载情况，合理分配带宽资源，提升信息传输的可靠性^[3]。

柴宝宝等^[4]通过聚类处理通信流流量数据，提取包含类似模式的通信流流量数据，设计流量预测模型，并引入注意力机制，提升流量预测精度。聚类算法的效果很大程度上依赖于数据的分布特征。如果通信流流量数据的分布不符合聚类算法的假设，则会导致提取的包含类似模式的通信流流量数据存在偏差，进而影响流量预测模型的性能。姚迎乐等^[5]通过分析通信流量特性，选择通信流量的空间相关信特征，输入广义回归神经网络（Generalized Regression Neural Network，GRNN），建立通信流量预测模型。GRNN的预测性能对核函数的参数选择较为敏感。在训练过程中，如果参数选择不当，容易导致模型过拟合或欠拟合，影响预测的准确性和稳定性。夏明山等^[6]通过分析通信流量的变化特性，构造时域划分模型，提取包含类似模式的通信流量特征，作为反向传播（Back Propagation，BP）神经网络的输入，输出通信流量预测结果。构造时域划分模型需要人为确定划分的时间间隔和规则，具有一定的主观性。不同的划分方式会导致提取的通信流量特征存在差异，从而影响模型的预测性能。同时，BP神经网络采用梯度下降法进行训练，在训练过程中容易陷入局部最优解，导致模型无法达到全局最优。董洁等^[7]利用改进黏菌算法调整支持向量回归机（Support Vector Regression，SVR）的参数，通过相空间重构处理原始通信流量数据，作为参数调整后SVR的输入，输出通信流量预测结果。相空间重构需要选择合适的嵌入维数和时间延迟等参数，这些参数的选择对重构效果和后续的预测精度有重要影响。

舰船光纤通信流量易受海洋环境、航行任务等因素影响，表现出显著的复杂性和不确定性。PSO-RBFNN模型具有较强的适应性，能够通过不断调整自身参数，及时捕捉到通信流量的变化^[8]，确保该模型在复杂多变的环境下能够保持较好的预测性能。为此，研究基于PSO-RBFNN的舰船光纤通信流量预测方法，为优化光纤通信系统结构提供参考。

1 舰船光纤通信流量预测 1.1 舰船光纤通信网络结构

舰船光纤网络的工作模式为多系统（雷达、导航、动力等）协同工作模式，其结构为环形，可以实现有线或无线的信息传输功能。通过了解舰船光纤网络结构，不仅能为流量数据提供物理层面的解释，还能指导PSO-RBFNN模型的特征选择、参数优化和适应性设计，确保预测方法能够针对舰船通信特有的高实时性、容错性需求进行优化，提升舰船通信网络流量预测精度。舰船光纤通信网络结构如图1所示。光纤环网的抗干扰能力较强，信息传输的可靠性较优，信息传输速度较快，占用空间较小，可解决舰船通信空间受限，以及电磁环境复杂的问题。通过它连接雷达控制系统与电子海图导航系统等重要系统，确保数据在不同系统间高速、可靠传输，满足舰船在复杂海况下的协同控制需求。

1.2 舰船光纤通信流量特性分析

根据舰船光纤通信网络结构得到典型的舰船光纤通信流量，如图2所示。可知，由于舰船光纤通信网络结构中，雷达控制和动力控制等系统的工作周期不同，导致光纤环网中的通信流量呈现复杂的多周期叠加特性。这种周期性的叠加使得流量波形表现出明显的振荡模式。当舰船电力控制系统出现设备故障、动力控制系统面临复杂海况导致工况急剧变化等问题时，舰船光纤通信流量会形成很多突发数据，导致通信流量的突发性增长，使其出现显著的动态冲击性。光纤环网使得舰船通信流量在时间和空间上具有强相关性。RBFNN凭借其局部响应特性，能够精准捕捉流量中的多周期模式，有效分离不同业务系统的周期性流量成分；此外，其隐含层节点对突发流量具有快速适应性，可高效处理舰船光纤通信流量的动态冲击特性。通过PSO动态优化RBFNN参数，避免模型陷入局部最优，显著提升其对舰船光纤通信流量多周期叠加特性和时空相关性的建模能力。

通过分析舰船光纤通信流量特性可知，利用PSO-RBFNN，建立舰船光纤通信流量预测模型，能够在复杂多变的海洋环境中保持稳定的预测性能，提高预测精度。以动态冲击性、多周期叠加特性和时空相关性为PSO-RBFNN需要提取的流量特征。

1.3 基于RBFNN的舰船光纤通信流量预测模型

以舰船光纤通信流量特性分析结果，文中选择RBFNN，建立舰船光纤通信流量预测模型。在建立舰船光纤通信流量预测模型时，首先，以时间序列$ x $前$ N $个时刻的舰船光纤通信流量数据为滑动窗口，并将其映射为$ M $个值，代表在该窗口之后的$ M $个时刻的预测值。然后，把舰船光纤通信流量数据分割成$ K $个长度是$ N + M $的、有一定重叠的数据段，每一个数据段可以看作一个样本，即获取$ K = L - \left( {N + M} \right) + 1 $个样本。此时，就可以将每个样本的前$ N $个值$ {x_N} $作为RBFNN的输入，后$ M $个值为预测输出的舰船光纤通信流量$ {y_m} $，其中，舰船光纤通信流量时间序列长度是$ L $。RBFNN采用多输入单输出的径向基函数网络，建立舰船光纤通信流量预测模型，公式为：

$ y = {w_0} + \sum\limits_{j = 1}^m {{w_j}} {x_N}{y_m}。$

(1)

式中：$ {w_0} $为初始权值；$ x $为历史舰船光纤通信流量数据；$ m $为隐含层节点数，在舰船光纤通信流量预测中，需要根据流量数据的复杂程度来确定$ m $的取值；$ {w_j} $为第$ j $个节点的权值。

由于舰船光纤通信网流量数据复杂多变，通常需要较多的节点数来保证预测精度；舰船光纤通信流量的动态冲击性、多周期叠加特性和时空相关特征提取结果是$ {g_j}(x) $，计算公式为：

$ {g}_{j}(x)=\psi \left(\frac{\Vert x-{z}_{j}\Vert }{y\times {\sigma }_{j}}\right) 。$

(2)

式中：$ \psi ( \cdot ) $为Gaussian函数；$ \Vert x-{z}_{j}\Vert $为欧几里得范数；$ {z_j} $为RBF的中心，代表舰船光纤通信流量样本数据中具有代表性的点，来源于舰船光纤通信网络结构中各系统产生的流量数据，用于刻画舰船光纤通信流量的动态冲击性与时空相关性等特征；$ {\sigma _j} $为RBF半径。

1.4 基于PSO-RBFNN的光纤通信流量预测模型优化

各系统通过不同接入端与光纤环网相连，导致舰船光纤通信流量具有动态冲击性、多周期叠加特性和时空相关性，会降低RBFNN舰船光纤通信流量预测模型的预测精度。为此，利用PSO算法不断调整RBFNN的参数，及时捕捉到舰船光纤通信流量的变化，确保该模型在复杂多变的环境下能够保持较好的预测性能。设在一个$ D $维RBFNN舰船光纤通信流量预测模型参数搜索空间内，包含$ \eta $个粒子组成一个群体。第$ i $个粒子的位置和速度分别是$ {\chi _i} = ({\chi _{i1}},{\chi _{i2}}, \cdots ,{\chi _{iD}}) $、$ {v_i} = ({v_{i1}},{v_{i2}}, \cdots ,{v_{iD}}) $，局部极值是$ {p_i} = ({p_{i1}},{p_{i2}}, \cdots ,{p_{iD}}) $，全局极值是$ q = ({q_1},{q_2}, \cdots ,{q_D}) $，$ {\chi _i} $代表RBFNN舰船光纤通信流量预测模型中一组待优化的参数组合（$ {z_j} $、$ {\sigma _j} $和$ {w_j} $），一个合适的粒子位置（即参数组合）能够使RBFNN模型更好地捕捉舰船光纤通信流量的动态冲击性、多周期叠加特性和时空相关性等特征，从而提高预测的准确性。通过$ {v_i} $决定粒子位置（即模型参数）的更新方向和幅度。RBFNN舰船光纤通信流量预测模型参数寻优时$ {\chi _i} $与$ {v_i} $的更新公式为：

$ {\chi _i} = {\chi _{id}}(t) \times {g_j}(x)，$

(3)

$ {v_i} = \omega + {c_1}{r_1}({p_{id}} - {\chi _i}) + {c_2}{r_2}({g_d} - {\chi _i})。$

(4)

式中：$ {\chi _{id}}(t) $为种群规模；$ \omega $为惯性权值；$ {c_1} $、$ {c_2} $为加速度因子；$ {r_1} $、$ {r_2} $为随机数；$ {p_{id}} $为适应度；$ {g_d} $为粒子编码结构。

利用PSO算法优化RBFNN舰船光纤通信流量预测模型参数的具体步骤如下：

步骤1　采集舰船光纤通信流量数据，涵盖雷达控制系统、电力控制系统、动力控制系统等舰船相关信息。

步骤2　通过剪枝策略，去掉舰船光纤通信流量数据样本间相关性很小的节点，确定隐含层节点个数，加快预测效率。

步骤3　确定粒子编码结构，将化RBFNN舰船光纤通信流量预测模型参数的$ {z_j} $、$ {\sigma _j} $和$ {w_j} $作为粒子参数编码，初始化粒子种群。

步骤4　通过计算适应度，比较其适应度与其经历最好位置的适应度，如果更好，更新p_i。

步骤5　对比分析各粒子的适应度与q_d的适应度，如果更好，更新q_d。

步骤6　通过式(3)～式(4)更新$ {\chi _i} $与$ {v_i} $，逐步逼近最优的RBFNN舰船光纤通信流量预测模型参数组合。

步骤7　反复操作步骤4～步骤6，满足精度要求为止。

步骤8　通过解码最佳粒子的位置，得到RBFNN舰船光纤通信流量预测模型的最优参数，并进行网络训练，以实现对舰船光纤通信流量的准确预测。

2 结果分析

利用本文方法对某个舰船光纤通信网络进行光纤通信网络流量预测，帮助通信管理人员提前了解网络负载情况，提升信息传输的可靠性。利用本文方法对图2的典型舰船光纤通信流量进行特征提取，特征提取结果如图3所示。可知，在舰船光纤通信流量中，突发性增长（如设备故障或复杂海况导致的工况变化）表现为幅值突然升高的尖峰，图3中能清晰看到这些尖峰被有效捕捉，表明RBFNN的局部响应特性能够快速适应突发流量，且PSO优化后的参数进一步提升了动态冲击性特征的提取精度。舰船光纤通信流量由雷达控制、动力控制等系统的工作周期叠加而成。图3中显示出不同周期性波形，表明RBFNN成功分离了各系统的周期成分。通过PSO优化后能够更准确地定位各周期的代表性数据点，完成多周期叠加特性特征提取。由于舰船各系统通过光纤环网协同工作，流量在时间和空间上具有强相关性。图3中体现出流量数据的时空关联模式（如某些特征在特定时间间隔内重复出现）。RBFNN的隐含层节点通过欧几里得范数计算输入与中心的距离，从而量化时空相关性，完成时空相关性特征提取。

利用本文方法对该舰船光纤通信网络的通信流量进行预测，预测结果如图4所示。

图4(a)的实际舰船光纤通信流量数据呈现多周期叠加特性（雷达、动力等系统周期不同）和动态冲击性（突发流量尖峰）。流量波动幅度较大，表明舰船通信受任务调度、环境变化等因素影响显著。

图4(b)为RBFNN的舰船光纤通信流量预测结果，RBFNN能够捕捉流量的周期性趋势，大部分预测曲线整体趋势与实际数据基本吻合。但对突发流量（动态冲击）的响应滞后，预测曲线在尖峰处存在明显平滑现象（峰值被低估）。部分周期成分（如高频波动）未被完全拟合，说明传统RBFNN的固定参数难以适应复杂流量变化。

图4(c)为基于PSO-RBFNN的舰船光纤通信流量预测结果，PSO算法调整RBFNN的参数，使其能更精准地拟合多周期叠加和突发流量。相比RBFNN，PSO-RBFNN的预测曲线在突发流量处更接近真实值，表明优化后的模型对动态冲击性具有更强的适应性。高频波动部分的预测误差显著降低，说明PSO优化后的RBFNN能更好地分离不同系统的周期特征。

通过均等系数衡量本文方法的舰船光纤通信流量预测精度，该系数代表预测值和实际值之间的拟合度，其值与预测精度具有正相关关系，当均等系数大于0.9时，则舰船光纤通信流量预测精度较高，分析结果如图5所示。可知，在不同舰船航行环境下，随着数据缺失量的增加，本文方法舰船光纤通信流量预测的均等系数均呈下降趋势，表明数据缺失会降低预测精度。但即使在20%数据缺失时，3种环境下的均等系数均仍高于0.9（平静海域的最小均等系数约为0.93，中等风浪海域的最小均等系数约为0.92，恶劣海况海域的最小均等系数约为0.91），说明PSO-RBFNN模型具有较强容错能力。

3 结　语

舰船内部设备需要高速、可靠的信息传输，而光纤通信网络作为主要传输方式，其流量特性复杂多变。通过应用PSO-RBFNN预测方法，能够提前捕捉通信流量的变化趋势，为通信管理人员提供网络负载情况的准确评估，从而合理分配带宽资源，避免网络拥塞，确保舰船内部设备间信息传输的实时性和可靠性。应用效果表明，基于PSO-RBFNN的舰船光纤通信流量预测方法展现了卓越的性能。在不同舰船航行环境下（平静海域、中等风浪海域、恶劣海况海域），该方法流量预测的均等系数均高于0.90，显示出高精度的预测能力。具体而言，该方法能够精准捕捉舰船光纤通信流量中的动态冲击性特征，有效分离多周期叠加特性，并量化分析时空相关性，从而显著提升预测准确性。即使在数据缺失的情况下，PSO-RBFNN模型仍能保持较高的预测精度，这得益于PSO的全局优化机制能够通过历史数据的时空相关性补偿缺失信息。综上所述，该方法为优化舰船光纤通信系统结构、提升信息传输可靠性提供了有力支持。