[發明專利]基于卷積神經網絡的深度學習智能眼圖分析方法

有效

• 申請號: 201710534126.0
• 申請日: 2017-07-03
• 公開（公告）號: CN107342810B
• 公開（公告）日: 2019-11-19
• 發明（設計）人: 王丹石;張民;李建強;李進
• 申請（專利權）人: 北京郵電大學
• 主分類號: H04B10/079
• 分類號: H04B10/079;G06K9/62
• 代理公司: 11002 北京路浩知識產權代理有限公司
• 代理人: 王慶龍<國際申請>=<國際公布>=<進入

本發明公開了一種基于卷積神經網絡的深度學習智能眼圖分析方法，涉及光通信技術領域，其中通過搭建并訓練卷積神經網絡模塊對眼圖進行性能分析，包括以下步驟：獲取眼圖訓練數據集；對眼圖進行預處理；訓練CNN模塊進行特征提取；將所需分析的眼圖經預處理后輸入訓練完成的CNN模塊進行模式識別和性能分析；輸出分析結果。本發明將基于卷積神經網絡的深度學習技術應用到眼圖分析中，解決了傳統眼圖性能分析中無法直接處理原始數據、需進行人工干預的問題，利用CNN實現了眼圖原始圖像信息分析的智能化和自動化，可以作為示波器的眼圖軟件處理模塊及仿真軟件的眼圖分析模塊，進而嵌入到測試儀器中進行智能信號分析和性能監測。

技術領域

本發明涉及光通信技術領域，尤其涉及一種基于卷積神經網絡的深度學習智能眼圖分析方法。

背景技術

機器學習(ML)技術提供了強大的工具來解決諸如自然語言處理，數據挖掘，語音識別和圖像識別等許多領域的問題。同時，機器學習技術在光通信領域也得到了廣泛的應用，很大程度上促進了智能系統的發展。目前研究主要集中在使用不同的機器學習算法進行光學性能監測(OPM)和非線性損傷補償方面，所使用的機器學習算法包括期望最大值(EM)，隨機森林，反向傳播人工神經網絡(BP-ANN)，K近鄰(KNN)和支持向量機(SVM)等。然而，所有上述機器學習算法在特征提取的能力上都有其算法本身的限制。更具體地說，機器學習模型不能直接處理自然數據的原始形式，因此不得不在運用算法前需要相當多的領域專長和工程技能來設計特征提取器，將原始數據轉換成合適的內部表示或特征向量，進而子系統才能檢測出輸入數據的模式。因此，希望可以開發出更先進的機器學習算法，不僅可以直接對原始數據進行處理，還可以自動檢測所需的特征。

最近，深度學習成為一個火熱的研究課題，其目的是使得機器學習更接近人工智能(AI)的目標。深度學習可以被理解為具有多個非線性層的深度神經網絡，其通過自學習過程從數據中學習特征，而不是由人類工程師來進行人工設計。深度學習中最著名的突破之一是Google DeepMind的電腦程序“AlphaGo”，他們首次在棋盤游戲中以自學習的能力擊敗了專業的選手。另外，作為目前的研究熱點，深度學習在無人駕駛飛行器，醫療診斷，情緒分析等各種應用領域取得了重大進展。然而據我們所知，在光通信系統領域卻幾乎沒有基于深度學習的研究工作。

同時，在光通信領域中，目前的調制格式識別和OSNR、CD、線性損傷、非線性損傷等性能指標的估計技術不能直接對原始數據進行處理，而必須人為地提取相應的特征，需要大量的人工干預。因此希望能夠利用眼圖采用更加先進的技術來進行各種性能的智能分析，無需人工干預，做到精確測量，無需數據統計即時處理，實現利用眼圖進行性能分析的智能化和自動化。

發明內容

本發明的目的在于將深度學習技術應用到光通信領域，提供一種智能、可靠的基于卷積神經網絡的深度學習智能眼圖分析方法，解決傳統眼圖性能分析中無法直接處理原始圖像數據、需進行人工干預的弊端，實現了對眼圖原始圖像進行性能分析的智能化和自動化。

為達到上述目的，本發明公開了一種基于卷積神經網絡的深度學習智能眼圖分析方法，將基于卷積神經網絡的深度學習技術應用到眼圖分析中，利用卷積神經網絡對眼圖進行多種性能分析，所述方法包括以下步驟：步驟一、獲取所需分析的眼圖訓練數據集；步驟二、眼圖圖像預處理；步驟三、訓練卷積神經網絡(CNN)模塊對眼圖進行特征提取；步驟四、將所需分析眼圖輸入訓練完成的CNN模塊進行模式識別和性能分析；步驟五、輸出分析結果。

優選地，所述眼圖中所需分析的多種性能為調制格式、光信噪比(OSNR)、色散(CD)、線性損傷和非線性損傷。

優選地，所述眼圖訓練集獲取步驟一中，采集眼圖的各種性能不同指標情況下的訓練數據集，其中，訓練數據集中的每組數據由輸入為眼圖圖像和輸出為特定性能的特定指標信息對構成。

優選地，所述眼圖預處理步驟二中，將所述步驟一中獲取的訓練數據集中的彩色眼圖圖像轉換為灰度圖像，并將得到的眼圖灰度圖像進行下采樣處理。