基于机器学习的智能频谱图分析方法技术

本发明专利技术公开了一种基于机器学习的智能频谱图分析方法，涉及光通信技术领域，其中通过搭建映射网络对频谱数据进行性能分析：所述的方法包括以下步骤：获取所需分析的频谱数据：训练映射网络；所需分析的频谱图数据输入到训练好的的映射网络中进行性能分析；输出分析结果。本发明专利技术的目的在于提供一种可自学习和演进，不断适应新场景、新需求的的基于机器学习的智能频谱图分析方法，解决传统光学性能分析模块中一种算法只能识别一种参数，系统的复杂性高，适应度低的问题，此外，人工智能可以和经验丰富的人类工程师相媲美甚至达到超越，本发明专利技术可以代替人类观测到频谱图涵盖的更多参数信息和做出更准确的定量分析，实现对频谱图分析的人工智能化。

【技术实现步骤摘要】
基于机器学习的智能频谱图分析方法
本技术专利属于光通信领域，具体涉及了一种基于机器学习的智能频谱图分析方法。
技术介绍
光学光谱测量是通信系统中光学信号的诊断和监测最有用的工具之一，许多先进的光学频谱分析技术被应用于频谱仪上，实现了在光谱检测上达到更高的分辨率和更宽的波长范围，在功率检测上有更强的灵敏度和更大的动态范围，这些方案是基于硬件实现的不同技术，包括光纤布拉格光栅，相干检测，基于布里渊光纤激光器的外差检测，双光谱仪，模拟布里渊散射，高频自扫描激光器，布里渊动态光栅，多边形扫描仪，用于集成片上的双环谐振器光谱分析仪，用于实时光谱分析仪的时间透镜聚焦机制，这些技术主要集中在频谱测量和数据收集，没有考虑到数据的处理和计算，不存在对数据准确的定性和定量分析。目前频谱仪上的商业数据处理模块可以输出很多频谱参数，像中心波长，，峰值电平，频谱带宽和光功率，甚至先进的软件模块可以计算出光信号中最重要的性能参数-信噪比。但是在这些模块中，每一种算法只可以计算一个参数，为了得到更多的参数，必须将多个算法集成，这就增大了系统的复杂性，降低了灵活度。此外，传统的频谱分析方法强烈依赖于专业的专业知识，使其只适合有经验的工程师。而且，它们主要是基于统计的计算，这是一个相当耗时的过程，不适用于实时系统。所以，频谱分析模块的前景是利用一种的算法来实现多种功能的计算，无需人工干预的智能化操作和消耗较少的时间达到即时处理。受益于机器学习的蓬勃发展，机器学习提供了强大的工具来处理诸如自然语言处理，数据挖掘，语音识别和图像识别等许多领域的问题，同时，机器学习在光通信中也有很广泛的应用，极大促进了智能系统的发展，目前研究主要集中在使用不同的机器学习算法进行光学性能监测，光网络的控制和管理，光信号的测量和分析方面，但是，在目前的研究中，从来没有用机器学习的方法来研究或解决频谱分析方面的问题。机器学习有自我学习和演进的能力，随着未来需求和系统越来越复杂，识别新的场景例如弹性光网络和OFDM系统就变得尤为重要，但由于目前的商业数据处理模块是固定的，不能建立新的算法和模型来满足新的需求。而机器学习只要有新的数据，就可以通过调整结构和参数建立新的映射网络，进一步创造新的能力。在光通信领域，测量光信号质量是光通信中最重要的任务之一，频谱图作为一个信号在频域下的常见表达方式，具有通信分析方式中眼图和星座图不具备的光信号信息，通过对频谱图进行分析而得到光信号的参数信息显得尤为重要。现有的测量光通信质量的方案主要基于幅度直方图、延迟抽头散点图等，不能对原始数据进行处理，需要进行人为的干预。复杂的波分复用技术应用要求频谱分析模块可以智能化和自动化的提取传输信号频谱的相应特征，分析达到更高的精确度。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种可自学习和演进，不断适应新场景、新需求的的基于机器学习的智能频谱图分析方法，解决传统光学性能分析模块中一种算法只能识别一种参数，系统的复杂性高，适应度低的问题。当有新的识别目标时，本专利技术可以根据数据和训练增加新的识别能力，此外，人工智能可以和经验丰富的人类工程师相媲美甚至达到超越，本专利技术发现频谱图中的信息与光学性能的隐蔽的映射关系，根据统计特性建立映射网络，代替人类观测到频谱图涵盖的更多参数信息和做出更准确的定量分析，实现对频谱图分析的人工智能化。为达到上述目的，本专利技术公开了一种基于机器学习的智能频谱图分析方法，所述的方法包括以下步骤：步骤一、获取所需分析的频谱数据；步骤二：训练映射网络；步骤三：所需分析的频谱图输入到训练好的的智能频谱分析模块中进行特征提取和性能分析；步骤四：输出分析结果。优选地，所述的频谱数据训练集的获取步骤一中，其获取方法包括：通过频域测量模块将信号生成所需分析的不同情况下的频谱的数据。其中，频谱训练集的每组数据包括不同情况下的频谱的数据及其相应所需分析性能的不同指标参数优选地，所述的频谱处理步骤二中，将所述的步骤一中所述的频域数据训练集输入到建立好的映射结构中，通过多次迭代，映射网络自动从频谱数据中学习所需分析的多种性能特征。优选地，所述的频谱数据的特征提取和性能分析步骤三中，将所需分析的频谱的数据输入所述训练好的映射网络中，通过其以往的学习经验对当前输入的频谱数据进行特定的性能分析。优选地，所述的频谱数据的特征提取和性能分析步骤四中，由所述的映射网络输出的信息包含所需分析的多种性能，可以从输出信息中得到不同性能的分析结果。优选地，所述的训练集和测试集均是数据组成的矩阵。优选地，所述的映射网络可由多种机器学习算法，包括决策树、人工神经网络(ANN)、K近邻算法(KNN)和支持向量机(SVM)等算法来建立。优选地，所述的从频谱数据提取的性能信息为调制格式(MF)、中心波长，带宽和光信噪比(OSNR)。优选地，提出的方法将作为光谱仪，光性能检测器(OPM)等可以将信号从时域转换为频域得到光谱数据的设备的频谱分析模块，进而嵌入到测试仪器中进行智能信号分析和光学性能监测。本专利技术的有益效果在于：解决传统光学性能分析模块中一种算法只能识别一种参数，系统的复杂性高，适应度低的问题，提供一种可自学习和演进，不断适应新场景、新需求的的基于机器学习的智能频谱图分析方法，当有新的识别目标时，本专利技术可以根据数据和训练增加新的识别能力，此外，人工智能可以和经验丰富的人类工程师相媲美甚至达到超越，本专利技术发现频谱图中的信息与光学性能的隐蔽的映射关系，根据统计特性建立映射网络，代替人类观测到频谱图涵盖的更多参数信息和做出更准确的定量分析，实现对频谱图分析的人工智能化。附图说明：图1示出了本专利技术的一个实施例的产生训练集和测试集的的数据的仿真系统结构图图2示出了本专利技术的一个实施例的训练数据集的数据类型示意图图3示出了本专利技术的一个实施例的四种机器学习算法原理示意图图4示出了本专利技术的一个实施例的支持向量机(SVM)算法性能的可视化图5示出了本专利技术的一个实施例的四种机器学习算法构建的模型对频谱参数的识别精度图6示出了本专利技术的一个实施例的四种机器学习算法构建的模型对频谱参数的测试时间图7示出了本专利技术智能频谱图分析方法的结构化流程图具体实施案例：下面结合附图和实施案例，对本专利技术的具体实施方式做进一步的详细描述，一下实施例用来说明本专利技术，但不用来限制本专利技术的保护范围。为达到上述目的，本专利技术公开了一种基于机器学习的智能频谱图分析方法，所述的方法包括以下步骤：步骤一、获取所需分析的频谱数据；步骤二：训练映射网络；步骤三：所需分析的频谱图输入到训练好的的智能频谱分析模块中进行特征提取和性能分析；步骤四：输出分析结果。所获取所需频谱训练数据步骤一中，产生训练集和测试集的数据的仿真系统结构图如图一所示，我们设置基于VPITransmissionMaker9.0建立基本的仿真系统，由伪随机二进制序列生成速率为20Gbps的四相移键控(QPSK)信号,该调制方式均是基于相干检测方式，传递的信息反映在信号的相位上。仿真系统的光信号的信噪比可以通过由高斯白噪声源，掺铒光纤放大器(EDFA)，可变光衰减器(VOA)和线性偏振滤波器组成的信噪比设置模块进行调整。在接受机处，为了确保信号质量，2个平衡的光电探测器(BPD)组成的90度的本文档来自技高网...

【技术保护点】
1.一种基于机器学习的智能频谱图分析方法，其特征在于，所述的方法包括以下步骤：步骤一、获取所需分析的频谱数据；步骤二：训练映射网络；步骤三：所需分析的频谱图数据输入到训练好的的映射网络中进行特征提取和性能分析；步骤四：输出分析结果。

【技术特征摘要】
1.一种基于机器学习的智能频谱图分析方法，其特征在于，所述的方法包括以下步骤：步骤一、获取所需分析的频谱数据；步骤二：训练映射网络；步骤三：所需分析的频谱图数据输入到训练好的的映射网络中进行特征提取和性能分析；步骤四：输出分析结果。2.根据权利要求1所述的基于机器学习的智能频谱图分析方法，其特征在于，所述的频谱数据训练集的获取步骤一中，其获取方法包括：通过频域测量模块将信号生成所需分析的不同情况下的频谱的数据。频谱训练集的每组数据包括不同情况下的频谱的数据及其相应所需分析性能的不同指标参数3.根据权利要求1所述的基于机器学习的智能频谱图分析方法，其特征在于，所述的频谱处理步骤二中，将所述的步骤一中所述的频域数据训练集输入到建立好的映射结构中，通过多次迭代，映射网络自动从频谱数据中学习所需分析的多种性能特征。4.根据权利要求1所述的基于机器学习的智能频谱图分析方法，其特征在于，所述的频谱数据的特征提取和性能分析步骤三中，将所需分析的测试集的数据输入所述训练好的映射网络中，通过其以往的学习经验对当前输入的频谱数...

【专利技术属性】
技术研发人员：王丹石，张民，辛宇，付美霞，李进，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11