基于卷积神经网络的深度学习智能星座图分析方法技术

本发明专利技术公开了一种基于卷积神经网络的深度学习智能星座图分析方法，涉及光通信技术领域，其中通过搭建并训练卷积神经网络模块对星座图进行性能分析，包括以下步骤：获取星座图训练数据集；对星座图进行预处理；训练CNN模块进行特征提取；将所需分析的星座图经预处理后输入训练完成的CNN模块进行模式识别和性能分析；输出分析结果。本发明专利技术将基于卷积神经网络的深度学习技术应用到星座图分析中，解决了传统星座图性能分析中无法直接处理原始数据、需进行人工干预的问题，利用CNN实现了星座图原始图像信息分析的智能化和自动化，可以作为示波器的星座图软件处理模块及仿真软件的星座图分析模块，进而嵌入到测试仪器中进行智能信号分析和性能监测。

Deep learning intelligent constellation analysis method based on convolutional neural network

The invention discloses a method of intelligent learning constellation convolutional neural network based depth map, which relates to the field of optical communication technology, through building and training convolutional neural network module of the constellation performance analysis, including the following steps: obtaining the constellation constellation of the training data set; preprocessing; training CNN module features extraction; will be required to sign through pretreatment of the analysis of the input training completed CNN module analysis and pattern recognition performance; output analysis. The invention of the convolutional neural network based on the depth of learning technology is applied to the analysis of constellation, solve the traditional analysis of constellation performance can not directly processing the original data, the need for manual intervention, use CNN to realize the analysis of constellation original image information automation and intelligence, can be used as oscilloscope constellation software processing module and simulation software of constellation 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星座图分析方法
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星座图分析方法。
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。然而据我们所知，在光通信系统领域却几乎没有基于深度学习的研究工作。同时，在光通信领域中，测量光信号质量是光通信中最重要的任务之一。一般来说，在强度调制直接检测(IM-DD)系统中，眼图作为常用的分析对象，其定性地反映了所有损伤对信号质量的影响，特别是对于开关键控(OOK)和脉冲幅度调制(PAM)。然而近年来，随着相干光通信系统和先进的调制格式如M进制相移键控(PSK)和正交幅度调制(QAM)不断的发展，由于眼图缺少相位信息，使用它来进行性能分析不再能得到很好的效果。而星座图可以同时显示幅度和相位信息，并且能够全面度量PSK和QAM信号的多种性能。通过对星座图的观察，可以从中识别调制格式、估计光信噪比(OSNR)、计算误差矢量幅度(EVM)，并且可以对各种损伤进行分析。然而，传统的星座图分析方法在很大程度上取决于很高的专业知识，仅适用于经验丰富的工程师。同时，手动操作只能做定性估计，难以获得准确的结果。此外，传统的统计方法需要获取每个星座点的信息，这意味着需要收集所有的同相分量和正交分量的数据，过程耗时，不适用于实时测试系统。因此，预期的星座图分析方法仍然希望能够采用更先进的技术来进行智能分析，无需人工干预，做到精确测量，无需数据统计即时处理，真正实现性能分析的智能化和自动化。
技术实现思路
本专利技术的目的在于将深度学习技术应用到光通信领域，提供一种智能、可靠的基于卷积神经网络的深度学习智能星座图分析方法，解决传统星座图性能分析中无法直接处理原始数据、需进行人工干预的弊端，实现了对星座图原始图像进行性能分析的智能化和自动化。为达到上述目的，本专利技术公开了一种基于卷积神经网络的深度学习智能星座图分析方法，将基于卷积神经网络的深度学习技术应用到星座图分析中，利用卷积神经网络对星座图进行多种性能分析，所述方法包括以下步骤：步骤一、获取所需分析的星座图训练数据集；步骤二、星座图图像预处理；步骤三、训练卷积神经网络(CNN)模块对星座图进行特征提取；步骤四、将所需分析星座图输入训练完成的CNN模块进行模式识别和性能分析；步骤五、输出分析结果。优选地，所述星座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。优选地，所述星座图训练集获取步骤一中，采集星座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星座图图像和输出为特定性能的特定指标信息对构成。优选地，所述星座图预处理步骤二中，将所述步骤一中获取的训练数据集中的彩色星座图图像转换为灰度图像，并将得到的星座图灰度图像进行下采样处理。优选地，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星座图输入构建好的CNN模块中，基于所述训练数据进行训练过程后，所述CNN模块自动从星座图图像中提取特征，并构建特征与不同性能之间的关系。优选地，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星座图输入所述训练完成的CNN模块中，CNN模块对输入的星座图进行模式识别，并通过其以往的学习经验对当前输入的星座图进行性能分析。优选地，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析的各种性能，可从输出信息中得到不同性能的分析结果。优选地，所述CNN模块的结构主要包括：一个输入层、n个卷积层(C1、C2、…、Cn)、n个池化层(P1、P2、…、Pn)、m个全连接层(F1、F2、…、Fm)、一个输出层，其中，所述输入层的输入为经过预处理的星座图图像，输入层与卷积层C1相连接；所述卷积层C1含有k1个大小为a1×a1的卷积核，所述输入层图像经过卷积层C1得到k1个特征图，进而将得到的特征图传送至池化层P1；所述池化层P1以b1×b1的采样大小对所述卷积层C1生成的特征图进行池化，得到相应的k1个采样后的特征图，再将得到的特征图传送至下一个卷积层C2；所述n个卷积层和池化层对的顺次连接，进而不断提取图像深层次的抽样特征，最后一个池化层Pn与全连接层F1相连接，其中，卷积层Ci含有ki个大小为ai×ai的卷积核，池化层Pj的采样大小为bj×bj，Ci表示第i个卷积层，Pj表示第j个池化层；所述全连接层F1为所述最后一个池化层Pn所得的所有kn个特征图的像素点映射而成的一维层，每个像素代表所述全连接层F1的一个神经元节点，F1层的所有神经元节点与下一个全连接层F2的神经元节点进行全连接；经m个全连接层顺次连接，最后一个全连接层Fm与所述输出层进行全连接；所述输出层输出所需分析的星座图不同性能的节点信息。优选地，所述输出层输出的节点信息为L位的二进制比特序列，其中，所述N个不同的性能分别以L1、L2、…、LN位二进制比特信息来表示，Li位用于表示第i个性能的Li种不同的指标信息，其中L＝L1+L2+…+LN。优选地，基于CNN的星座图处理算法将作为示波器的星座图软件处理模块或仿真软件的星座图分析模块，进而嵌入到测试仪器中进行智能信号分析和性能监测。本专利技术的有益效果在于：本专利技术解决了传统星座图分析的弊端，将基于卷积神经网络的深度学习技术应用到星座图分析中，利用卷积神经网络对星座图进行多种性能分析，应用本专利技术可以对星座图原始图像数据进行直接处理，无需由人工干预来进行特征提取，实现星座图性能分析的智能化和自动化，进而可以作为示波器的星座图软件处理模块或仿真软件的星座图分析模块，嵌入到测试仪器中进行智能信号分析和性能监测。附图说明图1示出了本专利技术基于卷积神经网络的深度学习智能星座图分析方法的流程图；图2示出了本专利技术一个实施例的基于卷积神经网络的深本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的深度学习智能星座图分析方法，其特征在于，将基于卷积神经网络的深度学习技术应用到星座图分析中，利用卷积神经网络对星座图进行多种性能分析，所述方法包括以下步骤：步骤一、获取所需分析的星座图训练数据集；步骤二、星座图图像预处理；步骤三、训练卷积神经网络(CNN)模块对星座图进行特征提取；步骤四、将所需分析星座图输入训练完成的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星座图分析方法，其特征在于，将基于卷积神经网络的深度学习技术应用到星座图分析中，利用卷积神经网络对星座图进行多种性能分析，所述方法包括以下步骤：步骤一、获取所需分析的星座图训练数据集；步骤二、星座图图像预处理；步骤三、训练卷积神经网络(CNN)模块对星座图进行特征提取；步骤四、将所需分析星座图输入训练完成的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星座图分析方法，其特征在于，所述星座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星座图分析方法，其特征在于，所述星座图训练集获取步骤一中，采集星座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星座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星座图分析方法，其特征在于，所述星座图预处理步骤二中，将所述步骤一中获取的训练数据集中的彩色星座图图像转换为灰度图像，并将得到的星座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星座图分析方法，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星座图输入构建好的CNN模块中，基于所述训练数据进行训练过程后，所述CNN模块自动从星座图图像中提取特征，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星座图分析方法，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星座图输入所述训练完成的CNN模块中，CNN模块对输入的星座图进行模式识别，并通过其以往的学习经验对当前输入的星座图进行性能分析。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星座图分析方法，其特征在于，所述输出分析结果步骤五中，由所述CNN模块输...

【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