The invention discloses a learning intelligent eye convolutional neural network based on depth analysis method, which relates to the field of optical communication technology, through building and performance analysis for training convolutional neural network module the eye diagram comprises the following steps: obtaining the training data set for eye eye; pretreatment; CNN training module will feature extraction; to analyze the eye analysis and pattern recognition performance after preprocessing the input training completed CNN module; output analysis. The invention of the convolutional neural network based on the depth of learning technology is applied to solve the eye diagram analysis, performance analysis of the traditional eye can not directly deal with raw data, the need for manual intervention, using CNN to achieve the intelligent and automatic analysis of the original image information of the eye, the eye can be used as an oscilloscope software processing module and simulation software the eye diagram analysis module, and then embedded into the test instrument of intelligent signal analysis and performance monitoring.
【技术实现步骤摘要】
基于卷积神经网络的深度学习智能眼图分析方法
本专利技术涉及光通信
,尤其涉及一种基于卷积神经网络的深度学习智能眼图分析方法。
技术介绍
机器学习(ML)技术提供了强大的工具来解决诸如自然语言处理,数据挖掘,语音识别和图像识别等许多领域的问题。同时,机器学习技术在光通信领域也得到了广泛的应用,很大程度上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(OPM)和非线性损伤补偿方面,所使用的机器学习算法包括期望最大值(EM),随机森林,反向传播人工神经网络(BP-ANN),K近邻(KNN)和支持向量机(SVM)等。然而,所有上述机器学习算法在特征提取的能力上都有其算法本身的限制。更具体地说,机器学习模型不能直接处理自然数据的原始形式,因此不得不在运用算法前需要相当多的领域专长和工程技能来设计特征提取器,将原始数据转换成合适的内部表示或特征向量,进而子系统才能检测出输入数据的模式。因此,希望可以开发出更先进的机器学习算法,不仅可以直接对原始数据进行处理,还可以自动检测所需的特征。最近,深度学习成为一个火热的研究课题,其目的是使得机器学习更接近人工智能(AI)的目标。深度学习可以被理解为具有多个非线性层的深度神经网络,其通过自学习过程从数据中学习特征,而不是由人类工程师来进行人工设计。深度学习中最著名的突破之一是GoogleDeepMind的电脑程序“AlphaGo”,他们首次在棋盘游戏中以自学习的能力击败了专业的选手。另外,作为目前的研究热点,深度学习在无人驾驶飞行器,医疗诊断,情绪分析等各种应用领域取得了重大进展。然而据我们 ...
【技术保护点】
一种基于卷积神经网络的深度学习智能眼图分析方法,其特征在于,将基于卷积神经网络的深度学习技术应用到眼图分析中,利用卷积神经网络对眼图进行多种性能分析,所述方法包括以下步骤:步骤一、获取所需分析的眼图训练数据集;步骤二、眼图图像预处理;步骤三、训练卷积神经网络(CNN)模块对眼图进行特征提取;步骤四、将所需分析眼图输入训练完成的CNN模块进行模式识别和性能分析;步骤五、输出分析结果。
【技术特征摘要】
1.一种基于卷积神经网络的深度学习智能眼图分析方法,其特征在于,将基于卷积神经网络的深度学习技术应用到眼图分析中,利用卷积神经网络对眼图进行多种性能分析,所述方法包括以下步骤:步骤一、获取所需分析的眼图训练数据集;步骤二、眼图图像预处理;步骤三、训练卷积神经网络(CNN)模块对眼图进行特征提取;步骤四、将所需分析眼图输入训练完成的CNN模块进行模式识别和性能分析;步骤五、输出分析结果。2.根据权利要求1所述的基于卷积神经网络的深度学习智能眼图分析方法,其特征在于,所述眼图中所需分析的多种性能为调制格式、光信噪比(OSNR)、色散(CD)、线性损伤和非线性损伤。3.根据权利要求1所述的基于卷积神经网络的深度学习智能眼图分析方法,其特征在于,所述眼图训练集获取步骤一中,采集眼图的各种性能不同指标情况下的训练数据集,其中,训练数据集中的每组数据由输入为眼图图像和输出为特定性能的特定指标信息对构成。4.根据权利要求1所述的基于卷积神经网络的深度学习智能眼图分析方法,其特征在于,所述眼图预处理步骤二中,将所述步骤一中获取的训练数据集中的彩色眼图图像转换为灰度图像,并将得到的眼图灰度图像进行下采样处理。5.根据权利要求1所述的基于卷积神经网络的深度学习智能眼图分析方法,其特征在于,所述训练CNN模块进行特征提取步骤三中,将所述步骤二中预处理后的眼图输入构建好的CNN模块中,基于所述训练数据进行训练过程后,所述CNN模块自动从眼图图像中提取特征,并构建特征与不同性能之间的关系。6.根据权利要求1所述的基于卷积神经网络的深度学习智能眼图分析方法,其特征在于,所述CNN模块模式识别和性能分析步骤四中,经预处理的所需分析的眼图输入所述训练完成的CNN模块中,CNN模块对输入的眼图进行模式识别,并通过其以往的学习经验对当前输入的眼图进行性能分析。7.根据权利要求1所述的基于卷积神经网络的深度学习智能眼图分析方法,其特征在于,所述输出分析结果步骤五中,由所述CNN模块输出的信息包含所需分...
【专利技术属性】
技术研发人员:王丹石,张民,李建强,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
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。