[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)的智能頻譜圖分析方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810228389.3
• 申請(qǐng)日: 2018-03-20
• 公開（公告）號(hào): CN108446631B
• 公開（公告）日: 2020-07-31
• 發(fā)明（設(shè)計(jì)）人: 王丹石;張民;辛宇;付美霞;李進(jìn)
• 申請(qǐng)（專利權(quán)）人: 北京郵電大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司 11002
• 代理人: 王文思

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)的智能頻譜圖分析方法，涉及光通信領(lǐng)域，所述的方法包括以下步驟：獲取所需分析的頻譜圖像集；頻譜圖像預(yù)處理；訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(CNN)模塊；所需頻譜圖像輸入到訓(xùn)練好的的CNN中進(jìn)行特征提取和性能分析；輸出結(jié)果。本發(fā)明提供了一種通過自動(dòng)檢測(cè)提取特征達(dá)到自學(xué)習(xí)和演進(jìn)的頻譜圖分析方法，解決了處理頻譜數(shù)據(jù)中數(shù)據(jù)維度過高或者不確定的而導(dǎo)致的模型結(jié)構(gòu)不具備通用性的問題。當(dāng)有新的識(shí)別目標(biāo)時(shí)，本發(fā)明可以自動(dòng)提取測(cè)量過程所需的特征，并且由于輸入的信息載體為圖像，因此模型的結(jié)構(gòu)確定，具備通用性。所提出的發(fā)明有潛力嵌入測(cè)試儀器實(shí)現(xiàn)智能化頻譜分析，或應(yīng)用于OPM模塊以確保網(wǎng)絡(luò)運(yùn)營(yíng)的魯棒性。

技術(shù)領(lǐng)域

本實(shí)用新型專利屬于光通信領(lǐng)域，具體涉及了一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)的智能頻譜圖分析方法。

背景技術(shù)

光學(xué)光譜測(cè)量是通信系統(tǒng)中光學(xué)信號(hào)的診斷和監(jiān)測(cè)最有用的工具之一，許多先進(jìn)的光學(xué)頻譜分析技術(shù)被應(yīng)用于頻譜儀上，實(shí)現(xiàn)了在光譜檢測(cè)上達(dá)到更高的分辨率和更寬的波長(zhǎng)范圍，在功率檢測(cè)上有更強(qiáng)的靈敏度和更大的動(dòng)態(tài)范圍，這些方案是基于硬件實(shí)現(xiàn)的不同技術(shù)，包括光纖布拉格光柵，相干檢測(cè)，基于布里淵光纖激光器的外差檢測(cè)，雙光譜儀，模擬布里淵散射，高頻自掃描激光器，布里淵動(dòng)態(tài)光柵，多邊形掃描儀，用于集成片上的雙環(huán)諧振器光譜分析儀，用于實(shí)時(shí)光譜分析儀的時(shí)間透鏡聚焦機(jī)制，這些技術(shù)主要集中在頻譜測(cè)量和數(shù)據(jù)收集，沒有考慮到數(shù)據(jù)的處理和計(jì)算，不存在對(duì)數(shù)據(jù)準(zhǔn)確的定性和定量分析。

目前頻譜儀上的商業(yè)數(shù)據(jù)處理模塊可以輸出很多頻譜參數(shù)，像中心波長(zhǎng)，，峰值電平，頻譜帶寬和光功率，甚至先進(jìn)的軟件模塊可以計(jì)算出光信號(hào)中最重要的性能參數(shù)-信噪比。但是在這些模塊中，每一種算法只可以計(jì)算一個(gè)參數(shù)，為了得到更多的參數(shù)，必須將多個(gè)算法集成，這就增大了系統(tǒng)的復(fù)雜性，降低了靈活度。此外，傳統(tǒng)的頻譜分析方法強(qiáng)烈依賴于專業(yè)的專業(yè)知識(shí)，使其只適合有經(jīng)驗(yàn)的工程師。而且，它們主要是基于統(tǒng)計(jì)的計(jì)算，這是一個(gè)相當(dāng)耗時(shí)的過程，不適用于實(shí)時(shí)系統(tǒng)。所以，頻譜分析模塊的前景是利用一種的算法來實(shí)現(xiàn)多種功能的計(jì)算，無需人工干預(yù)的智能化操作和消耗較少的時(shí)間達(dá)到即時(shí)處理。

受益于機(jī)器學(xué)習(xí)的蓬勃發(fā)展，機(jī)器學(xué)習(xí)提供了強(qiáng)大的工具來處理諸如自然語言處理，數(shù)據(jù)挖掘，語音識(shí)別和圖像識(shí)別等許多領(lǐng)域的問題，同時(shí)，機(jī)器學(xué)習(xí)在光通信中也有很廣泛的應(yīng)用，極大促進(jìn)了智能系統(tǒng)的發(fā)展，目前研究主要集中在使用不同的機(jī)器學(xué)習(xí)算法進(jìn)行光學(xué)性能監(jiān)測(cè)，光網(wǎng)絡(luò)的控制和管理，光信號(hào)的測(cè)量和分析方面，但是，在目前的研究中，從來沒有用機(jī)器學(xué)習(xí)的方法來研究或解決頻譜分析方面的問題。

機(jī)器學(xué)習(xí)有自我學(xué)習(xí)和演進(jìn)的能力，隨著未來需求和系統(tǒng)越來越復(fù)雜，識(shí)別新的場(chǎng)景例如彈性光網(wǎng)絡(luò)和OFDM系統(tǒng)就變得尤為重要，但由于目前的商業(yè)數(shù)據(jù)處理模塊是固定的，不能建立新的算法和模型來滿足新的需求。而機(jī)器學(xué)習(xí)只要有新的數(shù)據(jù)，就可以通過調(diào)整結(jié)構(gòu)和參數(shù)建立新的映射網(wǎng)絡(luò)，進(jìn)一步創(chuàng)造新的能力。

已有的機(jī)器學(xué)習(xí)模型可以直接處理原始的自然數(shù)據(jù)，但由于為了盡可能的還原信息，光譜采樣分辨率要盡可能的高，因此訓(xùn)練集中的原始數(shù)據(jù)的維度較高，導(dǎo)致建立的映射網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，提高了算法復(fù)雜度，實(shí)時(shí)處理速度也被降低。數(shù)據(jù)的維度的不確定也給映射網(wǎng)絡(luò)帶來了困擾，不同的數(shù)據(jù)維度需要不同結(jié)構(gòu)的映射網(wǎng)絡(luò)，模型不具備通用性，而圖像的信息維度固定，對(duì)圖像的處理可以建立通用的網(wǎng)絡(luò)結(jié)構(gòu)。

因此需要采用一種新型方法來建立模型，不僅具備自我學(xué)習(xí)和演進(jìn)的能力，可以從圖像中自動(dòng)檢測(cè)分析過程所需的特征進(jìn)一步訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)，具備代替人類工程師的人工智能，還需要建立的模型不受訓(xùn)練集數(shù)據(jù)維度的影響，能夠代替多種光性能檢測(cè)算法，具有高度的通用性和適應(yīng)性。