CN110133382B - 基于神经网络的宽带微波瞬时频率测量优化方法和装置 - Google Patents
基于神经网络的宽带微波瞬时频率测量优化方法和装置 Download PDFInfo
- Publication number
- CN110133382B CN110133382B CN201910283198.1A CN201910283198A CN110133382B CN 110133382 B CN110133382 B CN 110133382B CN 201910283198 A CN201910283198 A CN 201910283198A CN 110133382 B CN110133382 B CN 110133382B
- Authority
- CN
- China
- Prior art keywords
- neural network
- instantaneous frequency
- module
- brillouin scattering
- broadband microwave
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 181
- 238000005259 measurement Methods 0.000 title claims abstract description 83
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000000694 effects Effects 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 14
- 239000000523 sample Substances 0.000 claims description 10
- 239000013307 optical fiber Substances 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 12
- 230000007547 defect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005086 pumping Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0878—Sensors; antennas; probes; detectors
- G01R29/0885—Sensors; antennas; probes; detectors using optical probes, e.g. electro-optical, luminescent, glow discharge, or optical interferometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于神经网络的宽带微波瞬时频率测量优化装置，包括：布里渊散射瞬时频率测量模块和神经网络模块。布里渊散射瞬时频率测量模块能够测得多组未知宽带微波信号的带噪瞬时频率，并将带噪瞬时频率输出至神经网络模块；神经网络模块对带噪瞬时频率进行处理形成训练集和应用集，训练集用于训练得到对带噪瞬时频率具有降噪效果的神经网络，训练后的神经网络对应用集进行优化，得到较为精确的瞬时频率即优化瞬时频率，以此来验证神经网络模块对布里渊散射瞬时频率测量模块优化的可行性。同时提供了一种优化方法。本发明利用神经网络对宽带微波瞬时频率测量模块进行优化可以获得未知宽带微波信号的优化瞬时频率。
Description
技术领域
本发明涉及布里渊散射宽带微波瞬时频率测量技术和神经网络技术领域，具体地，是一种基于神经网络的布里渊散射宽带微波瞬时频率测量优化方法和装置。
背景技术
随着信息技术的发展，当代，在通信，雷达，电子对抗等领域所使用的电磁信号具有高频段大带宽特性。由奈奎斯特定理可知，随着信号的频率越来越高，带宽越来越大，利用电子技术对信号进行处理的有效性和可行性会逐渐降低。而光具有超带宽，稳定性好，抗干扰等特点，利用微波光子技术对高频段大带宽信号进行分析具有明显的优势。而在信号的众多特性中，频率尤为关键，往往可以通过信号的频率来推断出该信号的其他重要信息，因此，利用微波光子特性实现宽带微波信号的精确频率测量具有重要意义。
基于布里渊散射的宽带微波瞬时频谱测量[X.Long,W.Zou,X.Li,G.Xin andJ.Chen,“Brillouin instantaneous frequency measurement with arbitrary responsefor potential real-time implementation,”Optics Letters,accepted(2019)]。利用受激布里渊散射增益谱具有窄带滤波特性，当泵浦光和反向传播的探测光两者频率差为光纤的布里渊频移时，布里渊增益最大这一特性，以及通过合理的设置泵浦信号的扫频形式，建立了频率与幅度之间一一对应关系，实现了对未知宽带微波信号的瞬时频率测量。但是，由于该系统中泵浦光和探测光的偏振状态不理想、相互作用不充分、受激布里渊散射作用的媒介(如光纤)存在损耗以及电光调制器、光电探测器非理想等因素的存在，光电探测器检测到的探测光的布里渊幅度增益信号存在很大噪声，导致经频率-幅度映射后得到的未知宽带微波信号的瞬时频率误差较大(100MHz左右)，即带噪瞬时频率。
神经网络是一种基于模仿生物大脑的结构和功能而构成的一种信息处理系统，具有强大的特征提取能力，广泛用于解决各类分类和回归问题。它能够通过对批量已存样本数据的学习，建立神经网络输入与期望输出之间的某种映射关系。在电子、微波光子等领域的系统中，由于搭建系统的硬件具有非理想性以及信道存在噪声等因素，系统输出与理论输出之间存在较大的偏差。神经网络能够建立系统输出与理论输出之间的某种函数映射关系，使得网络输出逼近理论输出，从而实现系统优化。例如，利用神经网络纠正光模数转换(PADC)中的非线性和通道失配的缺陷，实现对PADC系统的优化[S.Xu,X.Zou,B.Ma,J.Chen,L.Yu,W.Zou,“Analog-to-digital conversion revolutionized by deep learning,”arXiv,https://arxiv.org/abs/1810.08906,(2018)]。
如果直接将基于布里渊散射的宽带微波瞬时频率测量技术应用于通信，雷达，深空、深海探测等领域，来测量宽带微波信号的瞬时频率，那么该频率测量系统缺陷引起的大的频率偏差(100MHz左右)很有可能会影响依据频率信息做出的某些决策和判断的正确性，带来严重的后果。因此提高基于布里渊散射的宽带微波瞬时频率测量技术的测频精度很重要。但是由于该微波光子系统中存在的某些缺陷很难克服(例如光的偏振状态难以控制)，所以很难通过在硬件上改进该测量技术来得到未知宽带微波信号的较精确的瞬时频率。本发明采用神经网络技术对利用布里渊散射宽带微波瞬时频率测量技术测得的带噪瞬时频率进行处理，得到未知宽带微波信号的较精确的瞬时频率，即优化瞬时频率。
目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。
发明内容
本发明的目的在于针对现有技术的不足，提出一种基于神经网络的布里渊散射宽带微波瞬时频率测量优化方法和装置，利用神经网络具备建立系统输出与理论输出之间的映射关系这一强大能力，对基于布里渊散射效应的宽带微波瞬时频率测量系统进行优化。系统输出的带噪瞬时频率通过训练后的神经网络后，可以得到更为接近未知信号理论瞬时频率的优化瞬时频率，由此提高该系统的应用能力。
本发明是通过以下技术方案实现的。
根据本发明的一个方面，提供了一种基于神经网络的宽带微波瞬时频率测量优化装置，包括：布里渊散射瞬时频率测量模块和神经网络模块；其中：
所述布里渊散射瞬时频率测量模块用于测量未知宽带微波信号的带噪瞬时频率，并将带噪瞬时频率输出至神经网络模块；
所述神经网络模块对带噪瞬时频率进行处理形成训练集和应用集，其中，训练集用于训练得到对带噪瞬时频率具有降噪效果的神经网络，训练后的神经网络用于对应用集进行优化，得到较精确的优化瞬时频率，所述优化瞬时频率用于验证神经网络模块对该布里渊散射瞬时频率测量模块优化的可行性。
优选地，在所述布里渊散射瞬时频率测量模块中：
采用已知线性频率调制的宽带微波信号调制布里渊散射瞬时频率测量模块中的探测光，探测光和经过非线性频率扫描信号调制后的泵浦光在光纤中相互作用产生布里渊散射现象后得到测量瞬时频率所需的频率-幅度曲线；
将多组未知宽带微波信号作为布里渊散射瞬时频率测量模块中探测光的调制信号，通过布里渊散射作用后得到多组探测光的布里渊增益，结合频率-幅度曲线，得到多组未知宽带微波信号的带噪瞬时频率。
优选地，所述神经网络模块包括神经网络数据集产生模块、神经网络训练模块和神经网络应用模块；其中：
所述神经网络数据集产生模块用于接收带噪瞬时频率，并形成训练集和应用集；
所述神经网络训练模块用于接收训练集，并利用训练集训练得到对带噪瞬时频率具有降噪效果的神经网络；
所述神经网络应用模块将训练后的神经网络作为神经网络模型，利用神经网络模型对应用集中的未知宽带微波信号的带噪瞬时频率进行优化，得到较精确的优化瞬时频率，进而验证神经网络模块对布里渊散射瞬时频率测量模块优化的可行性。
优选地，所述神经网络为卷积神经网络或全连接神经网络。
根据本发明的另一个方面，提供了一种基于神经网络的宽带微波瞬时频率测量优化方法，包括：
布里渊散射瞬时频率测量模块用于测量未知宽带微波信号的带噪瞬时频率，并将带噪瞬时频率输出至神经网络模块；神经网络模块对带噪瞬时频率进行处理形成训练集和应用集；
利用训练集训练得到对带噪瞬时频率具有降噪效果的神经网络；
利用训练后的神经网络对应用集中的未知宽带微波信号的带噪瞬时频率进行优化，得到较精确的优化瞬时频率，所述优化瞬时频率用于验证神经网络模块对布里渊散射瞬时频率测量模块优化的可行性。
优选地，采用已知线性频率调制的宽带微波信号调制布里渊散射瞬时频率测量模块中的探测光，探测光和经过非线性频率扫描信号调制后的泵浦光在光纤中相互作用产生布里渊散射现象后得到测量瞬时频率所需的频率-幅度曲线；
将多组未知宽带微波信号作为布里渊散射瞬时频率测量模块中探测光的调制信号，通过布里渊散射作用后得到多组探测光的布里渊增益，结合频率-幅度曲线，得到多组未知宽带微波信号的带噪瞬时频率。
优选地，所述神经网络模块包括神经网络数据集产生模块、神经网络训练模块和神经网络应用模块；其中：
所述神经网络数据集产生模块接收带噪瞬时频率，并形成训练集和应用集；
所述神经网络训练模块接收训练集，并利用训练集训练得到对带噪瞬时频率具有降噪效果的神经网络；
所述神经网络应用模块将训练后的神经网络作为神经网络模型，利用神经网络模型对应用集中的未知宽带微波信号的带噪瞬时频率进行优化，得到较精确的优化瞬时频率，进而验证神经网络模块对该布里渊散射瞬时频率测量模块优化的可行性。
优选地，所述神经网络为卷积神经网络或全连接神经网络。
与现有技术相比，本发明具有如下有益效果：
本发明不需要通过优化硬件来克服布里渊散射瞬时频率测量模块的缺陷进而提高布里渊散射宽带微波瞬时频率测量技术的测频精度，只需要利用神经网络技术，利用神经网络具有强大特征提取能力，能逼近任意复杂函数这一特点，通过软件算法降低模块缺陷给瞬时频率测量带来的误差，得到误差较小的瞬时频率(本发明实施例中应用集优化后的瞬时频率误差均能够小于45MHz)。
本发明所提供的基于神经网络的宽带微波瞬时频率测量优化装置及方法，其神经网络数据集产生模块对多组未知信号的带噪瞬时频率进行处理，得到神经网络模块的训练集和应用集，将训练集输入神经网络训练模块后得到神经网络模型，该训练后的神经网络模型用于神经网络应用模块，使神经网络应用模块具有对带噪瞬时频率降噪的能力，从而，使得未知宽带微波信号的带噪瞬时频率输入神经网路应用模块后的网络输出为接近于该信号的理论瞬时频率的优化瞬时频率。因而神经网络模块优化了布里渊散射瞬时频率测量模块，提高了该模块的应用能力。
本发明所提供的基于神经网络的宽带微波瞬时频率测量优化装置及方法，利用神经网络技术对布里渊散射宽带微波瞬时频率测量技术进行优化进而获得未知的宽带微波信号的较精确的瞬时频率。本发明为在通信，雷达，深空、深海探测等领域，测得宽带微波信号的较精确的瞬时频率提供了一种可行的方法。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明基于神经网络的布里渊散射宽带微波瞬时频率测量优化装置实施例的框图。
图2为本发明基于神经网络的布里渊散射宽带微波瞬时频率测量优化装置中的布里渊散射瞬时频率测量模块实施例简略框图。
图3为本发明基于神经网络的布里渊散射宽带微波瞬时频率测量优化装置中的神经网络模块实施例框图。
图4为本发明的实验结果，子图中的图例“实验测得”代表布里渊散射宽带微波瞬时频率测量模块测得的未知宽带微波信号的带噪瞬时频率，“理论”代表该未知信号的理论瞬时频率，“网络训练”代表经过神经网络优化后的优化瞬时频率；其中：(a)为应用集中线性调频信号优化效果最好的一组数据；(b)应用集中线性调频信号优化效果最差的一组数据；(c)为应用集中Costas调频信号优化效果最好的一组数据；(d)为应用集中Costas调频信号优化效果最差的一组数据；(e)为应用集中线性调频信号平均优化效果；(f)为应用集Costas调频信号平均优化效果。
具体实施方式
下面结合附图给出本发明基于神经网络的布里渊散射宽带微波瞬时频率测量系统的优化方法和装置的一个具体实施例。本实施例以本发明的技术方案为前提进行实施，给出了详细的实施方式和过程，但本发明的保护范围不应限于下述的实施例。
本发明实施例提供了一种基于神经网络的宽带微波瞬时频率测量优化装置，包括布里渊散射瞬时频率测量模块1和神经网络模块2。其中神经网络模块2包括神经网络数据集产生模块3、神经网络训练模块4和神经网络应用模块5。
其中：
所述的布里渊散射瞬时频率测量模块1用于测量未知宽带微波信号的带噪瞬时频率。将带噪瞬时频率输入所述的神经网络模块2的神经网络数据集产生模块3，形成所述的神经网络模块2的训练集和应用集，训练集输入所述的神经网络模块2的神经网络训练模块4，得到对带噪瞬时频率具有一定降噪效果的神经网络。将该训练后的神经网络作为所述的神经网络模块2的神经网络应用模块5中的神经网络模型，使神经网络模块2的神经网络应用模块5能够对未知信号的带噪瞬时频率优化，得到其较精确的优化瞬时频率，以此来验证神经网络模块对布里渊散射瞬时频率测量模块优化的可行性。
进一步地，所述的神经网络为卷积神经网络或全连接神经网络。
基于以上基于神经网络的宽带微波瞬时频率测量优化装置，本实施例同时提供了一种基于神经网络的宽带微波瞬时频率测量优化方法，包括：
通过布里渊散射瞬时频率测量模块测得多组未知宽带微波信号的带噪瞬时频率，并将带噪瞬时频率输出至神经网络模块；
神经网络模块对带噪瞬时频率进行处理形成训练集和应用集；
利用训练集训练得到对带噪瞬时频率具有降噪效果的神经网络；
利用训练后的神经网络对应用集中的未知宽带微波信号的带噪瞬时频率进行优化，得到较精确的优化瞬时频率，验证神经网络模块对布里渊散射瞬时频率测量模块优化的可行性。
下面结合附图对本发明上述实施例进一步详细描述。
图1为本发明基于神经网络的布里渊散射宽带微波瞬时频率测量优化装置(简称基于神经网络的宽带微波瞬时频率测量优化装置)实施例框图。由图可见，基于神经网络的布里渊散射宽带微波瞬时频率测量优化装置的基本构成包括布里渊散射瞬时频率测量模块1和神经网络模块2。其中神经网络模块2包括神经网络数据集产生模块3、神经网络训练模块4和神经网络应用模块5。
用已知宽带线性调频微波信号调制所述的布里渊散射瞬时频率测量模块1中的探测光，探测光和被非线性频率扫描信号调制后的泵浦光在光纤中相互作用产生布里渊散射现象，得到该系统测量瞬时频率所需的幅度-频率(ACF)参考曲线。再将多组未知宽带微波信号(本实施例中采用线性频率调制和Costas频率调制雷达信号)作为所述的布里渊散射瞬时频率测量模块1中探测光的调制信号，经多次实验，由布里渊散射作用后得到多组探测光的布里渊增益，然后结合已知的ACF，得到该多组未知宽带微波信号的带噪瞬时频率。将这些带噪瞬时频率输入所述的神经网络模块2的神经网络数据集产生模块3，形成所述的神经网络模块2的训练集和应用集。训练集输入所述的神经网络模块2的神经网络训练模块4，得到对带噪瞬时频率具有一定降噪效果的神经网络。将该训练后的神经网络作为所述的神经网络模块2的神经网络应用模块5的神经网络模型。将应用集输入所述的神经网络模块2的神经网络应用模块5，得到较精确的优化瞬时频率，以此来验证神经网络对布里渊散射瞬时频率测量系统优化的可行性。
本发明实施的工作原理如图2和图3所示。所述的布里渊散射瞬时频率测量模块1的装置如图2所示(布里渊散射瞬时频率测量模块的原理以及系统架构参见[X.Long,W.Zou,X.Li,G.Xin and J.Chen,“Brillouin instantaneous frequency measurementwith arbitrary response for potential real-time implementation,”OpticsLetters,accepted(2019)])。受激布里渊散射增益谱具有窄带滤波特性，当泵浦光和反向传播的探测光两者频率差为光纤的布里渊频移时，布里渊增益最大。将泵浦信号设置成非线性频率扫描形式，不同频率的信号的持续时间不同，积累的能量不同，由此可以建立起频率与幅度之间一一对应的关系，得到测量瞬时频率所需的ACF参考曲线。将未知宽带微波信号与泵浦信号发生布里渊散射现象后获得的布里渊增益和已测得的ACF进行比对，可以得到该宽带微波信号的瞬时频率。所述的神经网络模块2的实施框图如图3所示。所述的神经网络模块2的神经网络数据集产生模块3对所述的布里渊散射瞬时频率测量模块1测得的未知信号的带噪瞬时频率归一化处理以及随机划分得到所述的神经网络模块2的训练集和应用集(在应用过程中期望优化的未知宽带微波信号的带噪瞬时频率)。训练集作为所述的神经网络模块2的神经网络训练模块4的输入，在神经网络训练模块4中，训练时，相应的未知宽带微波信号的理论瞬时频率被作为神经网络的参考数据，所述的神经网络训练模块4中的神经网络通过选用合适的优化算法调整网络参数，能够降低网络输出与参考数据(也即理论瞬时频率)之间的误差。在这一过程中，神经网络自动提取到带噪瞬时频率中代表理论瞬时频率的关键特征，忽略其中的噪声，从而使得网络输出逼近理论瞬时频率。经所述的神经网络训练模块4训练后得到具有一定降噪功能的神经网络，训练后的神经网络相当于建立了布里渊散射瞬时频率测量系统测得的带噪瞬时频率与理论瞬时频率之间的一个函数映射。将该训练后的网络作为所述神经网络应用模块5中的神经网络模型。当应用集输入所述的神经网络模块2的神经网络应用模块5后，神经网络模型就会提取应用集带噪瞬时频率中的主要特征，忽略大部分噪声，输出逼近理论瞬时频率的较精确的优化瞬时频率，以此证明神经网络模块能优化布里渊散射瞬时频率测量模块，提高布里渊散射宽带微波瞬时频率测量系统的应用能力。
本发明上述实施例所提供的基于神经网络的宽带微波瞬时频率测量优化方法和装置可广泛用于通信，雷达，深空、深海探测等领域，实现对宽带微波信号的精确频率测量。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (6)
1.一种基于神经网络的宽带微波瞬时频率测量优化装置，其特征在于，包括：布里渊散射瞬时频率测量模块(1)和神经网络模块(2)；其中：
所述布里渊散射瞬时频率测量模块(1)用于测量未知宽带微波信号的带噪瞬时频率，并将带噪瞬时频率输出至神经网络模块(2)；
所述神经网络模块(2)对带噪瞬时频率进行处理形成训练集和应用集，其中，训练集用于训练得到对带噪瞬时频率具有降噪效果的神经网络，训练后的神经网络用于对应用集进行优化，得到精确的优化瞬时频率，所述优化瞬时频率用于验证神经网络模块对所述布里渊散射瞬时频率测量模块优化的可行性；
所述神经网络模块(2)包括神经网络数据集产生模块(3)、神经网络训练模块(4)和神经网络应用模块(5)；其中：
所述神经网络数据集产生模块(3)用于接收带噪瞬时频率，并形成训练集和应用集；
所述神经网络训练模块(4)用于接收训练集，并利用训练集训练得到对带噪瞬时频率具有降噪功能的神经网络；
所述神经网络应用模块(5)将训练后的神经网络作为神经网络模型，利用神经网络模型对应用集中的未知宽带微波信号的带噪瞬时频率进行优化，得到精确的优化瞬时频率，进而验证神经网络模块对布里渊散射瞬时频率测量模块优化的可行性。
2.根据权利要求1所述的基于神经网络的宽带微波瞬时频率测量优化装置，其特征在于，在所述布里渊散射瞬时频率测量模块(1)中：
采用已知线性频率调制的宽带微波信号调制布里渊散射瞬时频率测量模块(1)中的探测光，探测光和经过非线性频率扫描信号调制后的泵浦光在光纤中相互作用产生布里渊散射现象，得到测量瞬时频率所需的频率-幅度曲线；
将多组未知宽带微波信号作为布里渊散射瞬时频率测量模块(1)中探测光的调制信号，通过布里渊散射作用后得到多组探测光的布里渊增益，结合频率-幅度曲线，得到多组未知宽带微波信号的带噪瞬时频率。
3.根据权利要求1至2中任一项所述的基于神经网络的宽带微波瞬时频率测量优化装置，其特征在于，所述神经网络为卷积神经网络或全连接神经网络。
4.一种基于神经网络的宽带微波瞬时频率测量优化方法，其特征在于，包括：
通过布里渊散射瞬时频率测量模块(1)测量未知宽带微波信号的带噪瞬时频率，并将带噪瞬时频率输出至神经网络模块(2)；
神经网络模块(2)对带噪瞬时频率进行处理形成训练集和应用集；
利用训练集训练得到对带噪瞬时频率具有降噪效果的神经网络；
利用训练后的神经网络对应用集中的未知宽带微波信号的带噪瞬时频率进行优化，得到精确的优化瞬时频率，所述优化瞬时频率用于验证神经网络模块对布里渊散射瞬时频率测量模块优化的可行性；
所述神经网络模块(2)包括神经网络数据集产生模块(3)、神经网络训练模块(4)和神经网络应用模块(5)；其中：
所述神经网络数据集产生模块(3)接收带噪瞬时频率，并形成训练集和应用集；
所述神经网络训练模块(4)接收训练集，并利用训练集训练得到对带噪瞬时频率具有降噪功能的神经网络；
所述神经网络应用模块(5)将训练后的神经网络作为神经网络模型，利用神经网络模型对应用集中的未知宽带微波信号的带噪瞬时频率进行优化，得到精确的优化瞬时频率，进而验证神经网络模块对布里渊散射瞬时频率测量模块优化的可行性。
5.根据权利要求4所述的基于神经网络的宽带微波瞬时频率测量优化方法，其特征在于，采用已知线性频率调制的宽带微波信号调制布里渊散射瞬时频率测量模块(1)中的探测光，探测光和经过非线性频率扫描信号调制后的泵浦光在光纤中相互作用产生布里渊散射现象，得到测量瞬时频率所需的频率-幅度曲线；
将多组未知宽带微波信号作为布里渊散射瞬时频率测量模块(1)中探测光的调制信号，通过布里渊散射作用后得到多组探测光的布里渊增益，结合频率-幅度曲线，得到多组未知宽带微波信号的带噪瞬时频率。
6.根据权利要求4至5中任一项所述的基于神经网络的宽带微波瞬时频率测量优化方法，其特征在于，所述神经网络为卷积神经网络或全连接神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910283198.1A CN110133382B (zh) | 2019-04-10 | 2019-04-10 | 基于神经网络的宽带微波瞬时频率测量优化方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910283198.1A CN110133382B (zh) | 2019-04-10 | 2019-04-10 | 基于神经网络的宽带微波瞬时频率测量优化方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110133382A CN110133382A (zh) | 2019-08-16 |
| CN110133382B true CN110133382B (zh) | 2021-07-27 |
Family
ID=67569421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910283198.1A Active CN110133382B (zh) | 2019-04-10 | 2019-04-10 | 基于神经网络的宽带微波瞬时频率测量优化方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110133382B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116299190A (zh) * | 2023-02-03 | 2023-06-23 | 哈尔滨工程大学 | 基于神经网络的雷达信号频率快速检测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7679732B2 (en) * | 2005-12-01 | 2010-03-16 | The University Of Tokyo | Optical-fiber-characteristic measuring apparatus and optical-fiber-characteristic measuring method |
| CN102075258A (zh) * | 2011-01-18 | 2011-05-25 | 汉鼎信息科技股份有限公司 | 利用光载波布里渊处理的频响均衡装置 |
| CN103439011A (zh) * | 2013-08-26 | 2013-12-11 | 吉林大学 | 一种超宽频率范围的多频微波信号的光子瞬时频率测量装置 |
| 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 |
| CN106840223A (zh) * | 2017-01-16 | 2017-06-13 | 上海交通大学 | 基于布里渊散射的宽带微波瞬时频谱测量装置 |
| CN107144731A (zh) * | 2017-07-04 | 2017-09-08 | 吉林大学 | 一种基于高非线性光纤受激布里渊散射效应和幅度比的微波频率测量方法及装置 |
| CN108088858A (zh) * | 2017-12-18 | 2018-05-29 | 河南师范大学 | 一种双频宽带微波传感器 |
| CN108446631A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
| CN108521387A (zh) * | 2018-03-30 | 2018-09-11 | 中国电子科技集团公司第三十六研究所 | 一种信号调制样式识别方法和装置 |
| CN108768907A (zh) * | 2018-01-05 | 2018-11-06 | 南京邮电大学 | 一种基于瞬时特征统计量和bp神经网络的调制识别方法 |
| CN109064696A (zh) * | 2018-08-17 | 2018-12-21 | 成都九洲电子信息系统股份有限公司 | 基于深度学习实现的光纤周界安防系统 |
-
2019
- 2019-04-10 CN CN201910283198.1A patent/CN110133382B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7679732B2 (en) * | 2005-12-01 | 2010-03-16 | The University Of Tokyo | Optical-fiber-characteristic measuring apparatus and optical-fiber-characteristic measuring method |
| CN102075258A (zh) * | 2011-01-18 | 2011-05-25 | 汉鼎信息科技股份有限公司 | 利用光载波布里渊处理的频响均衡装置 |
| CN103439011A (zh) * | 2013-08-26 | 2013-12-11 | 吉林大学 | 一种超宽频率范围的多频微波信号的光子瞬时频率测量装置 |
| 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 |
| CN106840223A (zh) * | 2017-01-16 | 2017-06-13 | 上海交通大学 | 基于布里渊散射的宽带微波瞬时频谱测量装置 |
| CN107144731A (zh) * | 2017-07-04 | 2017-09-08 | 吉林大学 | 一种基于高非线性光纤受激布里渊散射效应和幅度比的微波频率测量方法及装置 |
| CN108088858A (zh) * | 2017-12-18 | 2018-05-29 | 河南师范大学 | 一种双频宽带微波传感器 |
| CN108768907A (zh) * | 2018-01-05 | 2018-11-06 | 南京邮电大学 | 一种基于瞬时特征统计量和bp神经网络的调制识别方法 |
| CN108446631A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
| CN108521387A (zh) * | 2018-03-30 | 2018-09-11 | 中国电子科技集团公司第三十六研究所 | 一种信号调制样式识别方法和装置 |
| CN109064696A (zh) * | 2018-08-17 | 2018-12-21 | 成都九洲电子信息系统股份有限公司 | 基于深度学习实现的光纤周界安防系统 |
Non-Patent Citations (3)
| Title |
|---|
| Brillouin instantaneous frequency measurement with an arbitrary response for potential real-time implementation;邹卫文，等;《Optics Letters》;20190415;第44卷(第8期);第2045-2048页 * |
| Optimization of the Brillouin instantaneous frequency measurement using convolutional neural networks;邹秀婷，等;《Optics Letters》;20191201;第44卷(第23期);第5723-5726页 * |
| 智能光子处理系统：概念与研究进展;邹卫文，等;《中兴通讯技术》;20200430;第26卷(第2期);第2-10页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110133382A (zh) | 2019-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107132027B (zh) | 光器件宽带频率响应值的测量方法及装置 | |
| Wu et al. | Real-time denoising of Brillouin optical time domain analyzer with high data fidelity using convolutional neural networks | |
| CN107402082B (zh) | 一种布里渊散射信号处理方法及其分布式光纤传感系统 | |
| CN105241390B (zh) | 快速布里渊光时域分析型应变测量装置及数据处理方法 | |
| CN104699155B (zh) | 一种电光型光调制器数字自动偏置电压控制方法及装置 | |
| CN107340050B (zh) | 一种光纤分布式振动传感系统及鉴相非线性误差修正方法 | |
| CN104734774B (zh) | 用于监控以及控制光通信系统的性能的方法和装置 | |
| CN105229984A (zh) | 易位调制系统、方法和设备 | |
| CN104019836A (zh) | 基于相干双脉冲对序列技术布里渊光时域分析仪及利用该分析仪抑制共模噪声的方法 | |
| CN102914423B (zh) | 一种色散光纤凹陷频率测量方法 | |
| CN103575511B (zh) | 一种激光器相对强度噪声的测量装置及方法 | |
| CN105547654A (zh) | 一种基于光双边带调制的光器件测量方法及测量系统 | |
| CN110133382B (zh) | 基于神经网络的宽带微波瞬时频率测量优化方法和装置 | |
| CN106209222A (zh) | 一种光信噪比监测的方法及装置 | |
| CN104618023B (zh) | 一种光链路线性化方法 | |
| CN110212976A (zh) | 一种基于人工神经网络的光信噪比监测方法 | |
| Zheng et al. | Accelerated fast BOTDA assisted by compressed sensing and image denoising | |
| JP2018524889A (ja) | プラグ接続可能な光モジュールの較正 | |
| CN111698036B (zh) | 基于微波光子的多微波信号频率估计方法 | |
| CN106033996B (zh) | 光信噪比的监测装置以及接收机 | |
| CN109781156B (zh) | 基于布里渊增益谱调制的botda系统及其传感方法 | |
| CN104467979A (zh) | Qpsk信号的共轭关系识别方法、装置及色散补偿方法、系统 | |
| CN114422027B (zh) | 基于Gerchberg-Saxton算法的涡旋光束波前相位校正方法 | |
| CN111693932B (zh) | 基于微波光子的多微波信号波达方向角估计方法 | |
| CN109959627B (zh) | 一种基于光学捷变频的快速气体吸收光谱测量装置及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |