【光功率】

在光纤测量中，光功率是最基本的测量参数，通常使用光功率计来测量绝对光功率或通过一段光纤的光功率相对损耗

光功率的单位是分贝毫瓦 dbm，dBm 是一个表示功率绝对值的值，可以认为是以 1mw 功率为基准的一个比值，计算公式为：

References：

• 机器学习之自适应增强(Adaboost)
• 机器篇——集成学习(四) 细说 AdaBoost 算法
• 手写adaboost的分类算法—SAMME算法

【AdaBoost 自适应提升算法】

AdaBoost 算法是自适应提升（Adaptive Boosting）算法的缩写，其是 Boosting 算法族的一种

References：

• 机器篇——集成学习(三) 细说 提升(Boosting) 算法
• 集成学习-Boosting,Bagging与Stacking
• 梯度提升（Gradient Boosting）算法
• 机器篇——集成学习(五) 细说 梯度提升(Gradient Boost)算法

【Boosting 工作机制】

Boosting 算法（提升算法）是将弱学习器提升为强学习器的一族算法，其基本工作机制是：

References：

• 【机器学习】Bagging算法
• 机器学习中的集成方法（2）—Bagging（装袋法）
• 机器篇——集成学习(一) 细说 Bagging 算法
• [机器学习基础复习] 随机森林(Random Forest)
• 机器篇——集成学习(二) 细说 随机森林(Rondoom Forest) 算法

【引入】

对于集成学习来说，要想得到泛化性能较好的集成，个体学习器应尽可能的相互独立，虽然无法在实际应用中做到，但可以设法令个体学习器尽可能的具有较大的差异

References：

• 【机器学习】西瓜书集成学习的误差-分歧分解公式推导
• 集成学习多样性的数学分析 —— 误差分歧分解

【误差-分歧分解】

单一样本

【结合的好处】

在产生了个体学习器后，需要考虑如何结合这些个体学习器，即结合策略

学习器的结合可能会从三方面带来好处：

References：

• 经典机器学习系列之【集成学习】
• 机器学习 | 基础通俗讲解集成学习算法！
• 集成学习三大法宝-bagging、boosting、stacking

【集成学习】

Kearns 和 Valiant 提出了强可学习和弱可学习的概念，即在概率近似正确（Probably Approximately Correct，PAC）学习框架中，一个概念如果存在一个多项式学习算法能够学习它，且正确率很高，那么就是强可学习（Strongly Learnable）的，一个概念如果存在一个多项式学习算法能够学习它，但正确率仅比随机猜测略好，那么就是弱可学习（Weakly Learnable）的

【外在损耗】

弯曲损耗

弯曲损耗发生在光缆的弯曲半径比光缆最小弯曲半径还要小的情况

【传输脉冲时延法】

在光纤中的光速 $V=\frac{c}{n}$，其中 $c=3\times 10^8m/s$ 为真空中光速，$n$ 为平均折射率

设光脉冲经长度为 $L$，经过平均折射率为 $n$ 的光纤传输后，其传输时延为 $D_t$，则长度