一种调制格式及光信噪比监测方法及装置制造方法及图纸

技术编号:20049488 阅读:30 留言:0更新日期:2019-01-09 05:41
本申请实施例提供了一种调制格式及光信噪比监测方法及装置,涉及光电子技术领域,所述方法包括:获取待监测信号;通过预设的恒模算法,确定所述待监测信号的信号幅度图;将所述信号幅度图输入至基于多任务学习的神经网络中,其中,所述基于多任务学习的神经网络包括第一输出层和第二输出层;根据所述第一输出层的输出结果,确定所述待监测信号的调制格式,根据所述第二输出层的输出结果,确定所述待监测信号的光信噪比。采用本申请,能够提高调制格式以及光信噪比的检测准确率。

【技术实现步骤摘要】
一种调制格式及光信噪比监测方法及装置
本申请涉及光电子
,特别是涉及一种调制格式及光信噪比监测方法及装置。
技术介绍
在光通信网络中,光通信信号的调制格式和光信噪比,对网络资源的分配以及网络信道的选择具有重要的影响,因此,有必要实时监测光通信信号的调制格式以及光信噪比。现有技术中,监测调制格式以及光信噪比的方法的处理过程为:电子设备获取待监测信号后,通过常模算法对待监测信号进行均衡处理,得到待监测信号的信号幅度柱状图;然后,电子设备将信号幅度柱状图输入至预设的监测神经网络中,再根据监测神经网络输出层的输出结果,确定待监测信号的调制格式以及光信噪比。其中,监测神经网络为基于单任务学习的神经网络,基于单任务学习的神经网络由一个输入层、一个共享隐藏层、一个特性隐藏层、以及一个输出层组成,各神经网络层的层连接方式均为全连接。待监测信号包括电子设备将接收到的光通信信号转换为电信号后,再进行预处理得到的信号。预处理包括消除直流偏置和重采样。然而,基于单任务学习的神经网络进行调制格式以及光信噪比的监测,存在检测准确率低的问题。申请内容本申请实施例的目的在于提供一种调制格式及光信噪比监测方法及装置,以提高调制格式及光信噪比的检测准确率。具体技术方案如下:第一方面,提供了一种调制格式及光信噪比监测方法,所述方法包括:获取待监测信号;通过预设的恒模算法,确定所述待监测信号的信号幅度图;将所述信号幅度图输入至基于多任务学习的神经网络中,其中,所述基于多任务学习的神经网络包括第一输出层和第二输出层;根据所述第一输出层的输出结果,确定所述待监测信号的调制格式,根据所述第二输出层的输出结果,确定所述待监测信号的光信噪比。可选的,所述基于多任务学习的神经网络还包括输入层、共享隐藏层、第一特性隐藏层、以及第二特性隐藏层,所述第一特性隐藏层用于检测调制格式、所述第二特性隐藏层用于检测光信噪比;所述第一特性隐藏层与所述第一输出层单独连接;所述第二特性隐藏层与所述第二输出层单独连接。可选的,所述方法还包括:获取预先存储的训练样本集,其中,所述训练样本集包括多个信号幅度图样本,以及每个信号幅度图样本对应的光信噪比样本和调制格式样本;基于所述训练样本集,对预先存储的初始神经网络进行训练,得到基于多任务学习的神经网络。可选的,所述基于所述训练样本集,对预先存储的初始神经网络进行训练,得到基于多任务学习的神经网络包括:针对每个信号幅度图样本,将该信号幅度图样本输入给所述初始神经网络,得到初始光信噪比和初始调制格式;计算所述初始光信噪与所述光信噪比样本的第一均方误差、以及所述初始调制格式与所述调制格式样本的第二均方误差;将所述第一均方误差和所述第二均方误差输入至预设的反向传播算法中,计算所述初始神经网络的权重系数;基于所述权重系数和所述初始神经网络,构建基于多任务学习的神经网络。第二方面,提供了一种调制格式及光信噪比监测装置,所述装置包括:第一获取模块,用于获取待监测信号;第一确定模块,用于通过预设的恒模算法,确定所述待监测信号的信号幅度图;输入模块,用于将所述信号幅度图输入至基于多任务学习的神经网络中,其中,所述基于多任务学习的神经网络包括第一输出层和第二输出层;第二确定模块,用于根据所述第一输出层的输出结果,确定所述待监测信号的调制格式,根据所述第二输出层的输出结果,确定所述待监测信号的光信噪比。可选的,所述基于多任务学习的神经网络还包括输入层、共享隐藏层、第一特性隐藏层、以及第二特性隐藏层,所述第一特性隐藏层用于检测调制格式、所述第二特性隐藏层用于检测光信噪比;所述第一特性隐藏层与所述第一输出层单独连接;所述第二特性隐藏层与所述第二输出层单独连接。可选的,所述装置还包括:第二获取模块,用于获取预先存储的训练样本集,其中,所述训练样本集包括多个信号幅度图样本,以及每个信号幅度图样本对应的光信噪比样本和调制格式样本;训练模块,用于基于所述训练样本集,对预先存储的初始神经网络进行训练,得到基于多任务学习的神经网络。可选的,所述训练模块包括:输入子模块,用于针对每个信号幅度图样本,将该信号幅度图样本输入给所述初始神经网络,得到初始光信噪比和初始调制格式;第一计算子模块,用于计算所述初始光信噪与所述光信噪比样本的第一均方误差、以及所述初始调制格式与所述调制格式样本的第二均方误差;第二计算子模块,用于将所述第一均方误差和所述第二均方误差输入至预设的反向传播算法中,计算所述初始神经网络的权重系数;构建子模块,用于基于所述权重系数和所述初始神经网络,构建基于多任务学习的神经网络。第三方面,提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现任一第一方面所述的方法步骤。第四方面,提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现任一第一方面所述的方法步骤。本申请实施例提供了一种调制格式及光信噪比监测方法及装置,获取待监测信号后,通过预设的恒模算法,确定待监测信号的信号幅度图;然后,将信号幅度图输入至预设的基于多任务学习的神经网络中,根据预设的第一输出层的输出结果,确定待监测信号的调制格式,根据预设的第二输出层的输出结果,确定待监测信号的光信噪比。由于基于多任务学习的神经网络包含了两个输出层,在对信号幅度图进行计算时,通过两个输出层分别输出光信噪比和调制格式,因此,能够提高调制格式及光信噪比的检测准确率。当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。图1为本申请实施例提供的一种直调直检系统的结构示意图;图2为本申请实施例提供的一种调制格式及光信噪比监测方法的方法流程图;图3a为本申请实施例提供的一种基于多任务学习的神经网络的结构示意图;图3b为本申请实施例提供的一种基于多任务学习的神经网络的结构示意图;图4为本申请实施例提供的一种调制格式及光信噪比监测方法的方法流程图;图5为本申请实施例提供的一种调制格式及光信噪比监测装置的结构示意图;图6为本申请实施例提供的一种电子设备的结构示意图。具体实施方式下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。本申请实施例提供了一种调制格式及光信噪比监测方法,该方法可以应用于电子设备,电子设备可以是具有计算功能的电子设备,比如个人电脑、服务器,电子设备可以通过本申请提供的调制格式及光信噪比监测方法,在光通信网络中,实现调制格式和光信噪比的监测。在一种可行的实施方式中,电子设备可以在基于强度调制直接检测的短距离光本文档来自技高网...

【技术保护点】
1.一种调制格式及光信噪比监测方法,其特征在于,所述方法包括:获取待监测信号;通过预设的恒模算法,确定所述待监测信号的信号幅度图;将所述信号幅度图输入至基于多任务学习的神经网络中,其中,所述基于多任务学习的神经网络包括第一输出层和第二输出层;根据所述第一输出层的输出结果,确定所述待监测信号的调制格式,根据所述第二输出层的输出结果,确定所述待监测信号的光信噪比。

【技术特征摘要】
1.一种调制格式及光信噪比监测方法,其特征在于,所述方法包括:获取待监测信号;通过预设的恒模算法,确定所述待监测信号的信号幅度图;将所述信号幅度图输入至基于多任务学习的神经网络中,其中,所述基于多任务学习的神经网络包括第一输出层和第二输出层;根据所述第一输出层的输出结果,确定所述待监测信号的调制格式,根据所述第二输出层的输出结果,确定所述待监测信号的光信噪比。2.根据权利要求1所述的方法,其特征在于,所述基于多任务学习的神经网络还包括输入层、共享隐藏层、第一特性隐藏层、以及第二特性隐藏层,所述第一特性隐藏层用于检测调制格式、所述第二特性隐藏层用于检测光信噪比;所述第一特性隐藏层与所述第一输出层单独连接;所述第二特性隐藏层与所述第二输出层单独连接。3.根据权利要求1所述的方法,其特征在于,所述方法还包括:获取预先存储的训练样本集,其中,所述训练样本集包括多个信号幅度图样本,以及每个信号幅度图样本对应的光信噪比样本和调制格式样本;基于所述训练样本集,对预先存储的初始神经网络进行训练,得到基于多任务学习的神经网络。4.根据权利要求3所述的方法,其特征在于,所述基于所述训练样本集,对预先存储的初始神经网络进行训练,得到基于多任务学习的神经网络包括:针对每个信号幅度图样本,将该信号幅度图样本输入给所述初始神经网络,得到初始光信噪比和初始调制格式;计算所述初始光信噪与所述光信噪比样本的第一均方误差、以及所述初始调制格式与所述调制格式样本的第二均方误差;将所述第一均方误差和所述第二均方误差输入至预设的反向传播算法中,计算所述初始神经网络的权重系数;基于所述权重系数和所述初始神经网络,构建基于多任务学习的神经网络。5.一种调制格式及光信噪比监测装置,其特征在于,所述装置包括:第一获取模块,用于获取待监测信号;第一确定模块,用于通过预设的恒模算法,确定所述待监测信号的信号幅度图;输入模块,用于将所述信号幅度图输入至基于多任务学习的神经网络中,其中,所述基...

【专利技术属性】
技术研发人员:于振明万智泉尹飞飞周月戴键张天徐坤
申请(专利权)人:北京邮电大学
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1