[發明專利]一種抗模式耦合少模信號復雜格式解析方法及裝置

有效

• 申請號: 202110863514.X
• 申請日: 2021-07-29
• 公開（公告）號: CN113626960B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 朱筱嶸;劉博;毛雅亞;朱旭;李明燁;雷思亮
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06F30/18
• 分類號: G06F30/18;G06F30/27;G06K9/62;G06N3/04;G06N3/08;H04L27/00;H04B10/60;G06F111/02
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 孫永生

1.一種抗模式耦合少模信號復雜格式解析方法，其特征在于，包括以下步驟：

采集源域和目標域的數據樣本并對收集的數據進行數據增強，得到不同調制格式信號的星座圖，再對收集到的所有星座圖進行歸一化處理，獲取訓練數據；

獲取源域的網絡模型，并根據所述訓練數據，對所述網絡模型進行訓練，獲得訓練好的網絡模型；

獲取接收信號的目標域的數據并進行數據增強，提取所述訓練好的網絡模型，并針對少模固有的鏈路損傷微調訓練好的網絡模型，獲得目標網絡模型，通過所述目標網絡模型得到接收信號的調制格式；

所述源域為波分復用技術，所述目標域為模分復用技術；所述源域的數據來源于波分復用系統的不同調制格式信號，所述目標域的數據由基于單芯四模光纖的模分復用系統得到；

所述網絡模型為卷積神經網絡；

對網絡模型進行訓練的方法包括以下步驟：

通過網絡迭代進行領域對抗訓練，使源域和目標域的數據在特征空間上分布一致；

所述領域對抗訓練是指對網絡模型中的領域分類器和特征提取器兩者訓練學習；所述領域分類器用于分辨出數據來自目標域還是源域，所述特征提取器用于提取原始數據的特征且同時欺騙領域分類器數據來自哪個域；

所述領域對抗訓練的方法包括以下步驟：

通過領域分類器分辨出不同的數據來自源域還是目標域以提高領域分類器的性能；

在性能提升的領域分類器的情況下，對抗訓練特征提取器的特征提取能力；

對于提升特征提取能力后的特征提取器，將其與領域分類器進一步對抗訓練，以最終達到收斂。

2.根據權利要求1所述的抗模式耦合少模信號復雜格式解析方法，其特征在于，網絡訓練部分整體采用端到端的網絡架構進行模型訓練，超參數的選擇如下：

1)學習率:初始學習率設置為0.001，每訓練10輪減小20%；

2)優化器:使用Adam優化器；

3)其他:批處理大小設置為64，總共訓練1000輪。

3.根據權利要求1所述的抗模式耦合少模信號復雜格式解析方法，其特征在于，所述領域分類器包括3個全連接層和1個Sigmoid激活層，輸出當前輸入數據屬于源域與目標域的分類概率值。

4.根據權利要求1所述的抗模式耦合少模信號復雜格式解析方法，其特征在于，所述網絡模型采用簡化版的殘差網絡結構，包括1個普通卷積層，3個殘差連接層，2個轉錄塊和2個注意力層。

5.根據權利要求4所述的抗模式耦合少模信號復雜格式解析方法，其特征在于，所述普通卷積層對初始的輸入數據進行壓縮處理，使用的卷積核大小為5，步長為2；

所述殘差連接層的卷積核的大小設置為3，采用ReLu作為激活函數，通過Stride實現數據的降維；

注意力層采用多頭注意力機制。

6.根據權利要求5所述的抗模式耦合少模信號復雜格式解析方法，其特征在于，所述轉錄塊包括批標準化層、ReLu激活層、卷積層和池化層；所述卷積層選取大小為1的卷積核以減少特征維度，且每個轉錄塊之后接上一個Dropout層，其drop_rate設置為0.2。