CN108957125A - 基于机器学习的智能频谱图分析方法 - Google Patents
基于机器学习的智能频谱图分析方法 Download PDFInfo
- Publication number
- CN108957125A CN108957125A CN201810228526.3A CN201810228526A CN108957125A CN 108957125 A CN108957125 A CN 108957125A CN 201810228526 A CN201810228526 A CN 201810228526A CN 108957125 A CN108957125 A CN 108957125A
- Authority
- CN
- China
- Prior art keywords
- frequency spectrum
- data
- analysis
- machine learning
- analysis method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 61
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000010801 machine learning Methods 0.000 title claims abstract description 34
- 230000003287 optical effect Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 20
- 238000010183 spectrum analysis Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000004611 spectroscopical analysis Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000000149 penetrating effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 23
- 238000001514 detection method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 108010074864 Factor XI Proteins 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
Abstract
本发明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。
Description
技术领域
本实用新型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。
背景技术
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。
发明内容
本发明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，本发明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，本发明发现频谱图中的 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，本发明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。
本发明的有益效果在于：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，本发明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，本发明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示出了本发明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示出了本发明的一个实施例的训练数据集的数据类型示意图
图3示出了本发明的一个实施例的四种机器学习算法原理示意图
图4示出了本发明的一个实施例的支持向量机(SVM)算法性能的可视化
图5示出了本发明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示出了本发明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示出了本发明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，对本发明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发明，但不用来限制本发明的保护范围。
为达到上述目的，本发明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VPI Transmission Maker 9.0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度的光学混合接收器 对接收到光信号进行相干检测。调制器和接收机的带宽是均为30GHz，在通过 两个模数转换器(ADC)的同步采样后，两个信号所包含QPSK信号的同相(I)和正交(Q)数字信息被捕获。通过示波器观察QPSK的星座图，我们可以确认光 信号的质量是否令人满意，然后在相干接收机前捕获满意信号的光谱数据。将收 集的光谱数据发送到基于机器学习的智能频谱分析模块中进行频谱分析。
所述在训练映射网络步骤二中，基于所述仿真系统，传输信号的带宽、波长 和信噪比三个参数同时变化，应用机器学习算法对他们进行全面分析。不同的带 宽被设置为15GHz，25GHz，50GHz，和100GHz四种类型，选择这四个带宽的原 因是它们被ITU-T G.964标准定义为波分波多路复用(WDM)或更精细的WDM的 信道带宽。在不同的带宽下，中心波长以0.05nm和 信噪比(OSNR)以1.0dB的步长进行调谐，如图二所示。每组训练 数据有三个标签，分别代表4个带宽类别，5类OSNR和5类波长。在训练数据 集中，每组训练数据代表一个频谱，每组有20个光谱数据被收集，从而收集总 的训练数据是2000(20×4×5×5)。采集测试数据集时采用相同的数据规模。
所述的映射网络的结构由所采用的机器学习算法来决定，支持向量机(SVM) 在本发明中的测试效果最优，因此我们以支持向量机(SVM)为例，其原理示意 图如图三(d)所示，SVM作为一个二元分类器可以生成一个边界(称为超平面) 来分类两组数据。基于统计理论学习，SVM试图找到最合适的超平面，确保每个 类别最靠近超平面的数据尽可能远离超平面，即达到最大化两个类别，实现数据 的最佳分类效果。样本训练集{xk，yk}，k＝1,2,…20,xk和yk分别是频谱数据和 信号参数。SVM的目标就是构建如下分类器：
公式中的ak与b均为常实数且ak≥0,Φ(,)为核函数，选取不同形式的核函 数可以获得不同性质的SVM分类器，在核函数的帮助下，非线性数据可以从下层 映射，将三维特征空间映射到高维特征空间以便线性分离。核函数可以视为翻译 数据的包装或接口，把数据从复杂格式变为简单格式。分离超平面的构建如下：
对于线性不可分的情形，构造SVM模型时引入一个非负的松弛因子ξi，允 许一部分数据被错分，从而形成软分类边界，这能够有效实现最小分类错误率和 算法泛化能力之间的平衡，同时还可有效降低算法复杂度，防止数据过拟合的情 形，超平面的求解转换为如下的优化问题：
通常不求解以上公式，而是求解下面的对偶形式
通过组装多个支持向量机，分类问题可以被有效地解决。训练数据集对SVM 进行训练，由训练数据生成多个超平面，根据不同的OSNR，波长和带宽值来识 别频谱图的特征和区分不同的频谱，进一步来对不同的光谱进行分类。
所述在把待测试的频谱数据输入到训练过的映射网络步骤三中，输出每组测 试数据的标签并验证结果，实验结果在三个混淆矩阵中展现，如图四所示，混淆 矩阵是一个布局的表格，可以可视化算法的性能。矩阵的每一列表示实例中的一 个目标类，而每一行代表一个实例预测类，即SVM的输出类。在图1四(a)中， 由于可变带宽和波长的干扰，发生了微小的错误。0.3％和0.1％的信噪比值为34db分别被误分为33dB和35dB。在图四(b)中，所有频谱的带宽均被识别正 确，即100％的准确度。而在波长分析中图四(c)中，0.45％的带宽为λ2的频 谱被误认为带宽为λ3，0.15％带宽为λ4的频谱被错误分类为带宽为λ5，考虑到可变带宽和高分辨率的步骤(0.05纳米)。本算法的错误数据较少，整体的 准确度大于99.1％，可以在实际应用中具备合理的精度范围。并且，支持向量 机还可以通过扩大训练数据规模来优化算法参数，进一步来提高频谱分析模块的 性能。所以，如上所示，提出的发明可以作为光谱仪，光性能检测器(OPM)等 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。
为证明不同机器学习算法的在本发明中的优劣性，我们还采用了别的机器学 习算法来构建训练映射网络，在此应用控制变量法，逐一改变波长、OSNR和带 宽三种性能参数，分别用决策树、人工神经网络(ANN)、K近邻算法(KNN)和 支持向量机(SVM)四种机器学习算法测量了性能参数，得出了三种性能参数分 别在四种机器算法下的识别精度。
如图五所示，SVM实现了最优结果，SVM实现了对波长，信噪比，带宽最优 的识别精度。由于光谱数据的有效性，K近邻算法(KNN)也达到了令人满意的 精度。决策树很容易实现，但只能实现低精度。令人意外的是，人工神经网络的 表现不佳，尤其是对OSNR的评估准确性较差，根据理论分析，这主要是因为光 谱数据有一个非常高的维度(4096)，在输入层需要4096个神经元，大量的神经 元导致了极其复杂的网络结构，因此在给定的训练期内，人工神经网络显得不完 全适应对频谱的智能分析这种新的应用场景。
除了准确性，光谱分析仪还对处理速度有严格的要求。因此，我们计算每个 算法的测试时间，基于普通的桌面计算机(Intel Core i7-7700CPU，3.6GHz 和16.0GB RAM)。只要训练完成，模型就不需要再训练了，因此，与训练时间 相比，测试时间是衡量模型是否可以实时分析的关键因素。测试结果如图六所示， 所有的测试时间都小于0.8s。SVM在波长、OSNR和带宽估计上的测试时间最少(小 于0.34秒)，这是实时处理的可接受的速度，并且这种速度还可以通过使用高性 能计算机进一步提高。而KNN是最耗时的算法，它的特点是遍历计算，因此所需 的测试时间较长。综上所述，考虑到识别性能和处理速度，SVM显然是波长、信 噪比和带宽分析的最好选择。
本发明的结构化流程图如图七所示，我们相信所提出的发明有潜力嵌入测试 仪器实现智能化频谱分析，或应用于OPM模块以确保网络运营的鲁棒性。提出的 方案作为光谱仪，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 性能监测是可行的。
Claims (9)
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据进行特定的性能分析。
5.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。
6.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，所述的训练集和测试集均是数据组成的矩阵。
7.根据权利要求3所述的基于机器学习的智能频谱图分析方法，其特征在于所述的映射网络的建立可由机器学习算法，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。
8.根据权利要求4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)。
9.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，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810228526.3A CN108957125A (zh) | 2018-03-20 | 2018-03-20 | 基于机器学习的智能频谱图分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810228526.3A CN108957125A (zh) | 2018-03-20 | 2018-03-20 | 基于机器学习的智能频谱图分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108957125A true CN108957125A (zh) | 2018-12-07 |
Family
ID=64495284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810228526.3A Pending CN108957125A (zh) | 2018-03-20 | 2018-03-20 | 基于机器学习的智能频谱图分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108957125A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110492932A (zh) * | 2019-09-23 | 2019-11-22 | 武汉邮电科学研究院有限公司 | 一种光信噪比测量方法及系统 |
| CN110532901A (zh) * | 2019-08-12 | 2019-12-03 | 北京邮电大学 | 基于多目标检测的深度学习智能光谱分析方法及系统 |
| CN113177929A (zh) * | 2021-05-18 | 2021-07-27 | 中国石油大学(华东) | 一种基于全卷积网络的海面溢油检测方法及其系统和应用 |
| CN113534454A (zh) * | 2021-07-12 | 2021-10-22 | 北京邮电大学 | 一种多芯光纤信道损伤均衡方法及系统 |
| CN113658611A (zh) * | 2021-08-11 | 2021-11-16 | 华南农业大学 | 一种基于cnn的粤剧流派分类和识别方法 |
| CN115173936A (zh) * | 2022-06-30 | 2022-10-11 | 烽火通信科技股份有限公司 | 一种光模块识别标记方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004051889A2 (en) * | 2002-11-29 | 2004-06-17 | Measurement Microsystems A-Z Inc. | Flash optical performance monitor |
| CN103281120A (zh) * | 2013-05-30 | 2013-09-04 | 华中科技大学 | 一种光信号调制格式识别方法及系统 |
| CN105515650A (zh) * | 2015-11-24 | 2016-04-20 | 华中科技大学 | 基于光谱特征的光信号调制格式识别方法 |
| CN105874727A (zh) * | 2014-03-13 | 2016-08-17 | 华为技术有限公司 | 一种检测光信噪比的方法及装置 |
| CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
| CN107342810A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能眼图分析方法 |
-
2018
- 2018-03-20 CN CN201810228526.3A patent/CN108957125A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004051889A2 (en) * | 2002-11-29 | 2004-06-17 | Measurement Microsystems A-Z Inc. | Flash optical performance monitor |
| CN103281120A (zh) * | 2013-05-30 | 2013-09-04 | 华中科技大学 | 一种光信号调制格式识别方法及系统 |
| CN105874727A (zh) * | 2014-03-13 | 2016-08-17 | 华为技术有限公司 | 一种检测光信噪比的方法及装置 |
| CN105515650A (zh) * | 2015-11-24 | 2016-04-20 | 华中科技大学 | 基于光谱特征的光信号调制格式识别方法 |
| CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
| CN107342810A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能眼图分析方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532901A (zh) * | 2019-08-12 | 2019-12-03 | 北京邮电大学 | 基于多目标检测的深度学习智能光谱分析方法及系统 |
| CN110492932A (zh) * | 2019-09-23 | 2019-11-22 | 武汉邮电科学研究院有限公司 | 一种光信噪比测量方法及系统 |
| CN113177929A (zh) * | 2021-05-18 | 2021-07-27 | 中国石油大学(华东) | 一种基于全卷积网络的海面溢油检测方法及其系统和应用 |
| CN113177929B (zh) * | 2021-05-18 | 2022-08-09 | 中国石油大学(华东) | 一种基于全卷积网络的海面溢油检测方法及其系统和应用 |
| CN113534454A (zh) * | 2021-07-12 | 2021-10-22 | 北京邮电大学 | 一种多芯光纤信道损伤均衡方法及系统 |
| CN113658611A (zh) * | 2021-08-11 | 2021-11-16 | 华南农业大学 | 一种基于cnn的粤剧流派分类和识别方法 |
| CN115173936A (zh) * | 2022-06-30 | 2022-10-11 | 烽火通信科技股份有限公司 | 一种光模块识别标记方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108957125A (zh) | 基于机器学习的智能频谱图分析方法 | |
| CN108446631A (zh) | 基于卷积神经网络的深度学习的智能频谱图分析方法 | |
| CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和系统 | |
| Fan et al. | Joint optical performance monitoring and modulation format/bit-rate identification by CNN-based multi-task learning | |
| CN106815643B (zh) | 基于随机森林迁移学习的红外光谱模型传递方法 | |
| CN107342962A (zh) | 基于卷积神经网络的深度学习智能星座图分析方法 | |
| CN109446812A (zh) | 一种嵌入式系统固件安全分析方法及系统 | |
| CN107342810A (zh) | 基于卷积神经网络的深度学习智能眼图分析方法 | |
| CN110532901A (zh) | 基于多目标检测的深度学习智能光谱分析方法及系统 | |
| Murakami et al. | Leveraging SN Ia spectroscopic similarity to improve the measurement of H 0 | |
| CN110321940A (zh) | 飞行器遥测数据特征提取与分级分类方法及装置 | |
| CN113869162A (zh) | 一种基于人工智能的违章识别方法及系统 | |
| CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
| CN109187443B (zh) | 基于多波长透射光谱的水体细菌微生物准确识别方法 | |
| CN107132266A (zh) | 一种基于随机森林的水质分类方法及系统 | |
| CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
| CN110441254A (zh) | 一种用于识别塑料的近红外光频梳光谱仪 | |
| Mrozek | Simultaneous monitoring of chromatic dispersion and optical signal to noise ratio in optical network using asynchronous delay tap sampling and convolutional neural network (deep learning) | |
| CN112862077A (zh) | 多模光纤结合深度学习网络替代传统光谱仪的系统及方法 | |
| Chen et al. | Underwater acoustic target classification with joint learning framework and data augmentation | |
| CN108051425B (zh) | 一种拉曼光谱信噪比评估方法 | |
| León et al. | Small-layered Feed-Forward and Convolutional neural networks for efficient P wave earthquake detection | |
| CN111881030B (zh) | 基于可理解特征变异的智能交通数据测试样本生成方法 | |
| Dumont et al. | Deep learning on real geophysical data: A case study for distributed acoustic sensing research | |
| CN108519157B (zh) | 一种用于光源检测的同色异谱光谱生成和评价方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |