【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种信号眼图评估方法、装置、电子设备及存储介质。
技术介绍
1、在信号完整性领域中，眼图包含了信号在传输过程中所产生的大量信息，能全面且整体地体现信号的特征，是一种评判数字信号质量和系统性能优劣的常用方法。眼图张开的程度越大，误码率越低，意味着系统设计的可靠性就越高。传统的眼图评估方法往往基于专业技术人员的经验和知识，而深度学习技术以其自动特征提取能力和优异的性能表现为眼图的性能监测提供了一条高精度、智能化的途径。
2、目前，在光通信领域已有基于卷积神经网络(convolutional neural networks，cnn)模型进行眼图分析的方法，其通过训练卷积神经网络模型，并使用训练后的卷积神经网络模型对眼图进行特征提取，实现不同信号调制方式下的性能评估。
3、但是，现有的模型训练过程需要对全部训练样本进行标注，测试人员对样本进行人工标注的成本较高；其次，卷积神经网络模型对于信号连续变化的复杂性缺乏自适应性，无法准确地评估信号质量，特别是对于高速信号的眼图来说，所包含的噪声和失真都会对分类器的性能产生负面影响，致使误差率增加。
技术实现思路
1、本专利技术提供了一种信号眼图评估方法、装置、电子设备及存储介质，可以节省信号眼图评估模型训练过程消耗的时间成本和人力成本，提高信号眼图评估结果的鲁棒性和可靠性。
2、根据本专利技术的一方面，提供了一种信号眼图评估方法，所述方法包括：
3、获取多个信号眼图样本，
4、对所述初始训练集中每个样本对应的标签进行标注，并使用标注后的初始训练集对长短期记忆网络(long short term memory，lstm)模型进行初始训练；
5、根据lstm模型的训练结果，确定训练集中每个未标注样本的熵值，根据所述熵值选择部分未标注样本进行标注，并生成标注训练集；
6、使用标注训练集对lstm模型进行迭代训练，然后返回执行根据lstm模型的训练结果，确定训练集中每个未标注样本的熵值的操作，直至训练集对应的标注轮数满足预设阈值为止；
7、将训练完成的lstm模型作为信号眼图评估模型，并使用所述信号眼图评估模型对目标信号眼图进行评估。
8、可选的，使用标注后的初始训练集对lstm模型进行初始训练，包括：
9、在标注后的初始训练集中，依次获取每个信号眼图样本作为当前样本；
10、将所述当前样本对应的特征向量输入至lstm模型，然后通过所述lstm模型输出当前样本对应的预测结果；
11、使用交叉熵损失函数，确定所述预测结果与当前样本对应的真实标签之间的误差，并根据所述误差对lstm模型的参数进行更新；
12、判断是否完成对初始训练集中全部样本的处理；
13、若否，则返回执行在标注后的初始训练集中，依次获取每个信号眼图样本作为当前样本的操作，直至完成对初始训练集中全部样本的处理。
14、可选的，在将所述当前样本对应的特征向量输入至lstm模型之前，还包括：
15、将所述当前样本输入至预训练的cnn模型中；
16、通过所述cnn模型，对所述当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的特征向量。
17、可选的，通过所述cnn模型，对所述当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的特征向量，包括：
18、通过所述cnn模型中的多个卷积层，对所述当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的多张特征图；
19、通过所述cnn模型中的flatten层，对各所述特征图进行张量扁平化处理，得到每个特征图分别对应的特征向量。
20、可选的，获取多个信号眼图样本，根据所述多个信号眼图样本生成训练集，包括：
21、获取多个信号眼图样本，按照预设标准图像尺寸对各所述信号眼图样本进行调整，并将调整结果转换为灰度图像；
22、根据处理后的多个信号眼图样本，生成样本数据集，并按照预设权重比例对所述样本数据集进行划分，得到训练集和测试集。
23、可选的，根据lstm模型的训练结果，确定训练集中每个未标注样本的熵值，根据所述熵值选择部分未标注样本进行标注，包括：
24、根据lstm模型的训练结果，确定lstm模型针对每个未标注样本在不同类别标签下的预测概率；
25、根据所述预测概率，确定每个未标注样本的熵值，并选择熵值最高的未标注样本进行标注。
26、可选的，将训练完成的lstm模型作为信号眼图评估模型，包括：
27、使用所述测试集，对训练完成的lstm模型进行测试，并根据测试结果绘制lstm模型对应的混淆矩阵；
28、如果根据所述混淆矩阵，确定训练完成的lstm模型性能满足预设标准，则将所述训练完成的lstm模型作为信号眼图评估模型。
29、根据本专利技术的另一方面，提供了一种信号眼图评估装置，所述装置包括：
30、样本获取模块，用于获取多个信号眼图样本，根据所述多个信号眼图样本生成训练集，并按照预设比例在训练集中随机选择部分样本作为初始训练集；
31、初始训练模块，用于对所述初始训练集中每个样本对应的标签进行标注，并使用标注后的初始训练集对lstm模型进行初始训练；
32、主动学习模块，用于根据lstm模型的训练结果，确定训练集中每个未标注样本的熵值，根据所述熵值选择部分未标注样本进行标注，并生成标注训练集；
33、迭代训练模块，用于使用标注训练集对lstm模型进行迭代训练，然后返回执行根据lstm模型的训练结果，确定训练集中每个未标注样本的熵值的操作，直至训练集对应的标注轮数满足预设阈值为止；
34、眼图评估模块，用于将训练完成的lstm模型作为信号眼图评估模型，并使用所述信号眼图评估模型对目标信号眼图进行评估。
35、根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
36、至少一个处理器；以及
37、与所述至少一个处理器通信连接的存储器；其中，
38、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的信号眼图评估方法。
39、根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的信号眼图评估方法。
40、本专利技术实施例提供的技术方案，通过获取多个信号眼图样本，根据多个信号眼图样本生成训练集，并按照预设比例在训练集中随机选择部分样本作为初始训练集，对初始训练集中每个本文档来自技高网...
【技术保护点】
1.一种信号眼图评估方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，使用标注后的初始训练集对LSTM模型进行初始训练，包括：
3.根据权利要求2所述的方法，其特征在于，在将所述当前样本对应的特征向量输入至LSTM模型之前，还包括：
4.根据权利要求3所述的方法，其特征在于，通过所述CNN模型，对所述当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的特征向量，包括：
5.根据权利要求1所述的方法，其特征在于，获取多个信号眼图样本，根据所述多个信号眼图样本生成训练集，包括：
6.根据权利要求1所述的方法，其特征在于，根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值，根据所述熵值选择部分未标注样本进行标注，包括：
7.根据权利要求5所述的方法，其特征在于，将训练完成的LSTM模型作为信号眼图评估模型，包括：
8.一种信号眼图评估装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算
...【技术特征摘要】
1.一种信号眼图评估方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，使用标注后的初始训练集对lstm模型进行初始训练，包括：
3.根据权利要求2所述的方法，其特征在于，在将所述当前样本对应的特征向量输入至lstm模型之前，还包括：
4.根据权利要求3所述的方法，其特征在于，通过所述cnn模型，对所述当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的特征向量，包括：
5.根据权利要求1所述的方法，其特征在于，获取多个信号眼图样本，根据所述多个信号眼图样本生成训练集，包括：
【专利技术属性】
技术研发人员：王雪梅，侯绍铮，胡远明，秦晓宁，
申请(专利权)人：宁畅信息技术杭州有限公司，
类型：发明
国别省市：
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。