CN110324080A - 一种光性能监测的方法、装置、电子设备及介质 - Google Patents
一种光性能监测的方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN110324080A CN110324080A CN201910578593.2A CN201910578593A CN110324080A CN 110324080 A CN110324080 A CN 110324080A CN 201910578593 A CN201910578593 A CN 201910578593A CN 110324080 A CN110324080 A CN 110324080A
- Authority
- CN
- China
- Prior art keywords
- optical signal
- trained
- signal
- training set
- neural network
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
- H04B10/07953—Monitoring or measuring OSNR, BER or Q
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明实施例提供了一种光性能监测的方法、装置、电子设备及介质,涉及光纤通信技术领域,用于实现光性能监测。本发明实施例的方案包括:获取通过色散补偿的待监测光信号的信号星座图,将信号星座图输入监测模型,监测模型基于二值神经网络和训练集训练得到,所述训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比,获取监测模型输出的结果,根据输出结果确定待监测光信号的调制格式和光信噪比。
Description
技术领域
本发明涉及光纤通信技术领域,特别是涉及一种光性能监测的方法、装置、电子设备及介质。
背景技术
目前,随着数据流量的急速增长,光纤通信系统的迅猛发展,导致了网络结构越来越复杂以及对带宽的需求越来越高。需要智能的调整网络参数,减少运行的成本,并保证资源的有效利用和有充分的冗余应对异常,所以需要进行实时不间断的检测网络信息。而在网络信息的检测中,调制格式和光信噪比是最重要的两个检测指标。
现有技术中利用卷积神经网络处理信号眼图和星座图,以完成对调制格式和光信噪比的检测。但是目前利用的卷积神经网络的计算复杂度较高,导致利用卷积神经网络对调制格式和光信噪比进行检测的计算复杂度高。
发明内容
本发明实施例的目的在于提供一种光性能监测的方法、装置、电子设备及介质,用以解决利用卷积神经网络对调制格式和光信噪比进行检测的计算复杂度高的问题。具体技术方案如下:
第一方面,本发明实施例提供了一种光性能监测的方法,包括:
获取通过色散补偿的待监测光信号的信号星座图;
将所述信号星座图输入监测模型,所述监测模型基于二值神经网络和训练集训练得到,所述训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比;
获取所述监测模型输出的结果,根据输出结果确定所述待监测光信号的调制格式和光信噪比。
在一种可实现的方式中,获取所述监测模型输出的结果,根据输出结果确定所述待监测光信号的调制格式和光信噪比,包括:
获取所述监测模型输出的第一序列和第二序列;
根据所述第一序列确定所述待监测光信号的调制格式;
根据所述第二序列确定所述待监测光信号的光信噪比。
第二方面,本发明实施例提供了另一种光性能监测的方法,包括:
生成训练集,所述训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比;
将所述训练集中待训练光信号的信号星座图输入二值神经网络;
获取所述二值神经网络的输出结果,根据所述输出结果和所述训练集将所述二值神经网络训练为监测模型。
在一种可实现的方式中,所述根据所述输出结果和所述训练集将所述二值神经网络训练为监测模型,包括:
根据所述输出结果和所述训练集,通过反向传播算法将所述二值神经网络训练为所述监测模型。
第三方面,本发明实施例提供了一种光性能监测的装置,包括:
获取模块,用于获取通过色散补偿的待监测光信号的信号星座图;
输入模块,用于将所述信号星座图输入监测模型,所述监测模型基于二值神经网络和训练集训练得到,所述训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比;
所述获取模块,用于获取所述监测模型输出的结果;
确定模块,用于根据所述获取模块获取的输出结果确定所述待监测光信号的调制格式和光信噪比。
在一种可能实现的方式中,
所述获取模块,具体用于获取所述监测模型输出的第一序列和第二序列;
所述确定模块,具体用于根据所述第一序列确定所述待监测光信号的调制格式;以及根据所述第二序列确定所述待监测光信号的光信噪比。
第四方面,本发明实施例提供了一种光性能监测的装置,包括:
生成模块,用于生成训练集,所述训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比;
输入模块,用于将所述训练集中待训练光信号的信号星座图输入二值神经网络;
获取模块,用于获取所述二值神经网络的输出结果;
训练模块,用于根据所述输出结果和所述训练集将所述二值神经网络训练为监测模型。
在一种可实现的方式中,所述训练模块,具体用于:
根据所述输出结果和所述训练集,通过反向传播算法将所述二值神经网络训练为所述监测模型。
第五方面,本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面或第二方面任一所述的方法步骤。
第六方面,本发明实施例还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面或第二方面任一所述的方法步骤。
第七方面,在本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面中任一光性能监测方法步骤。
由以上方案可见,采用本发明实施例提供的光性能监测的方法、装置、电子设备及介质,先获取通过色散补偿的光信号的信号星座图,将光信号的信号星座图输入监测模型,监测模型基于二值神经网络和训练集训练得到,初始训练集包括待训练各光信号的信号星座图以及待训练各光信号对应的调制格式和光信噪比;获取监测模型输出的结果,根据输出结果确定接收到的光信号的调制格式和光信噪比。可见,应用本发明实施例中的监测模型,由于监测模型是基于二值神经网络训练的到,而且二值神经网络的复杂度较低,所以降低了对调制格式和光信噪比监测时的计算复杂度。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种光性能监测的方法的流程图;
图2为本发明实施例提供的一种不同调制格式的信号星座图对应的灰度图;
图3为本发明实施例提供的一种符号函数的示例性示意图;
图4为本发明实施例的一种光性能监测时网络参数的柱状图;
图5为本发明实施例提供的另一种光性能监测的方法的流程图;
图6为本发明实施例提供的一种激活函数的函数图;
图7为本发明实施例提供的一种光性能监测的装置的结构示意图;
图8为本发明实施例提供的另一种光性能监测的装置的结构示意图;
图9为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所述,本发明实施例提供了一种光性能监测的方法,该方法由电子设备执行,具体包括如下步骤:
S101、获取通过色散补偿的待监测光信号的信号星座图。
具体地,信号接收设备将接收到的光信号转换为电信号,再将电信号转换为数字信号,将数字信号通过色散补偿得到的信号星座图,将信号星座图转换为灰度图。
电子设备可从信号接收设备获取待监测光信号的信号星座图,可以理解的是,电子设备获取到的待监测光信号的信号星座图为灰度图。
可选地,本申请实施例中的信号星座图可以为四相相移键控信号(QuadraturePhase Shift Keying,QPSK)、6正交振幅调制(Quadrature Amplitude Modulation,QAM)、8QAM、12QAM、16QAM、24QAM、32QAM、48QAM、64QAM中的任意一种调制格式。其中,QPSK、6QAM、8QAM、12QAM、16QAM、24QAM、32QAM调制格式的光信噪比监测范围为15~30dB;48QAM信号的光信噪比监测范围为20~35dB,64QAM信号的光信噪比监测范围为25~40dB。
上述不同调制格式的信号星座图对应的灰度图如图2所示。
S102、将信号星座图输入监测模型。
其中,监测模型基于二值神经网络和训练集训练得到。训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比。
可以理解的,训练集包括的待训练光信号的信号星座图为灰度图。
二值神经网络是将神经网络中的权值和激活函数进行二值化得到的神经网络,该权值是指在二值神经网络的每一层中与输入张量的每一个元素对应的权重值。
激活函数二值化指将神经网络正向传播的过程中的激活函数调整为符号函数。如图3所示,图3为一种符号函数的示例性示意图。
S103、获取监测模型输出的结果,根据输出结果确定待监测光信号的调制格式和光信噪比。
其中,监测模型根据信号星座图上的圆环特征来对光信号进行监测,进而输出监测结果。其中,圆环的特征包括圆环的数量和圆环的粗细等。
具体地,电子设备可获取监测模型输出的第一序列和第二序列,然后根据第一序列确定待监测光信号的调制格式;根据第二序列确定待监测光信号的光信噪比。
第一序列和第二序列中的数字为1和-1,可通过第一序列中的数字1在第一序列中的位置确定调制格式,通过第二序列中的数字1在第二序列中的位置确定光信噪比。
采用本发明实施例提供的光性能监测方法,先获取通过色散补偿的光信号的信号星座图,将光信号的信号星座图输入监测模型,监测模型基于二值神经网络和训练集训练得到,初始训练集包括待训练各光信号的信号星座图以及待训练各光信号对应的调制格式和光信噪比,再获取监测模型输出的结果,根据输出结果确定接收到的光信号的调制格式和光信噪比。可见,应用本发明实施例中的监测模型,由于监测模型是基于二值神经网络训练的到,而且二值神经网络的计算复杂度较低,所以应用二值神经网络可以降低对调制格式和光信噪比监测时的计算复杂度。
如图4所示,本申请实施例提供了采用卷积神经网络进行光性能监测时的网络参数大小,参见图4中左侧的柱形图,以及采用二值神经网络进行光性能监测时的网络参数大小,参见图4中右侧的柱形图。可见本发明实施例中二值神经网络的网络参数约为现有技术中神经网络的网络参数的三分之一,即减小了网络参数的大小,从而减小了计算复杂度,且可以减少占用的存储资源量,提高光性能监测效率。
为了实现上述方法,需要基于二值神经网络和训练集训练得到监测模型,如图5所示,训练监测模型的方法包括以下步骤:
S501、生成训练集。
其中,训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比。
可以理解的是,待训练光信号的信号星座图为灰度图。
S502、将训练集中待训练光信号的信号星座图输入二值神经网络。
S503、获取二值神经网络的输出结果,根据输出结果和训练集将二值神经网络训练为监测模型。
其中,二值神经网络的输出结果为两个序列,其中一个序列用于标识待训练光信号的调制格式,另一个序列用于标识待训练光信号的光信噪比。
具体地,若根据输出结果对应的调制格式和光信噪比与训练集中待训练光信号对应的调制格式和光信噪比不同,则通过反向传播算法将二值神经网络训练为监测模型,使得监测模型的输出结果对应的调制格式和光信噪比与训练集中待训练光信号对应的调制格式和光信噪比一致。
需要说明的是,反向传播算法中的激活函数为hard_tanh函数如图6所示,当反向传播算法的输入小于-1时,输出为-1,当反向传播算法的输入大于1时,输出为1,在区间[1,-1]中,梯度为1。
采用本发明实施例提供的光性能监测方法,首先生成训练集,然后将训练集中待训练光信号的信号星座图输入二值神经网络,最后获取二值神经网络的输出结果,根据输出结果和训练集将二值神经网络训练为监测模型。可见,相比现有技术中使用卷积神经网络进行对调制格式和光信噪比检测,本发明通过二值神经网络训练得到监测模型,其中,二值神经网络的权值和激活函数都进行了二值化,所以使用通过二值神经网络训练得到的监测模型对调制格式和光信噪比监测,降低了计算的复杂度。
对应于上述方法实施例,本申请实施例提供了一种光性能监测的装置,如图7所示,该装置包括:获取模块701,输入模块702,确定模块703。
获取模块701,用于获取通过色散补偿的待监测光信号的信号星座图。
输入模块702,用于将信号星座图输入监测模型,监测模型基于二值神经网络和训练集训练得到,训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比。
获取模块701,用于获取监测模型输出的结果。
确定模块703,用于根据获取模块获取的输出结果确定待监测光信号的调制格式和光信噪比。
在一种实施方式中,
获取模块701,具体用于获取监测模型输出的第一序列和第二序列。
确定模块703,具体用于根据第一序列确定待监测光信号的调制格式;以及根据第二序列确定待监测光信号的光信噪比。
对应于上述方法实施例,本申请实施例还提供了一种光性能监测的装置,如图8所示,该装置包括:生成模块801,输入模块802,获取模块803,训练模块804。
生成模块801,用于生成训练集,训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比。
输入模块802,用于将训练集中待训练光信号的信号星座图输入二值神经网络。
获取模块803,用于获取二值神经网络的输出结果。
训练模块804,用于根据输出结果和训练集将二值神经网络训练为监测模型。
在一种实施方式中,训练模块804,具体用于:
根据输出结果和训练集,通过反向传播算法将二值神经网络训练为监测模型。
本发明实施例还提供了一种电子设备,如图9所示,包括处理器901、通信接口902、存储器903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信,
存储器903,用于存放计算机程序;
处理器901,用于执行存储器903上所存放的程序时,实现上述方法实施例中由电子设备执行的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述任一光性能监测方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一光性能监测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种光性能监测的方法,其特征在于,包括:
获取通过色散补偿的待监测光信号的信号星座图;
将所述信号星座图输入监测模型,所述监测模型基于二值神经网络和训练集训练得到,所述训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比;
获取所述监测模型输出的结果,根据输出结果确定所述待监测光信号的调制格式和光信噪比。
2.根据权利要求1所述的方法,其特征在于,获取所述监测模型输出的结果,根据输出结果确定所述待监测光信号的调制格式和光信噪比,包括:
获取所述监测模型输出的第一序列和第二序列;
根据所述第一序列确定所述待监测光信号的调制格式;
根据所述第二序列确定所述待监测光信号的光信噪比。
3.一种光性能监测的方法,其特征在于,包括:
生成训练集,所述训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比;
将所述训练集中待训练光信号的信号星座图输入二值神经网络;
获取所述二值神经网络的输出结果,根据所述输出结果和所述训练集将所述二值神经网络训练为监测模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述输出结果和所述训练集将所述二值神经网络训练为监测模型,包括:
根据所述输出结果和所述训练集,通过反向传播算法将所述二值神经网络训练为所述监测模型。
5.一种光性能监测的装置,其特征在于,包括:
获取模块,用于获取通过色散补偿的待监测光信号的信号星座图;
输入模块,用于将所述信号星座图输入监测模型,所述监测模型基于二值神经网络和训练集训练得到,所述训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比;
所述获取模块,用于获取所述监测模型输出的结果;
确定模块,用于根据所述获取模块获取的输出结果确定所述待监测光信号的调制格式和光信噪比。
6.根据权利要求5所述的装置,其特征在于,
所述获取模块,具体用于获取所述监测模型输出的第一序列和第二序列;
所述确定模块,具体用于根据所述第一序列确定所述待监测光信号的调制格式;以及根据所述第二序列确定所述待监测光信号的光信噪比。
7.一种光性能监测的装置,其特征在于,包括:
生成模块,用于生成训练集,所述训练集包括待训练光信号的信号星座图以及各待训练光信号对应的调制格式和光信噪比;
输入模块,用于将所述训练集中待训练光信号的信号星座图输入二值神经网络;
获取模块,用于获取所述二值神经网络的输出结果;
训练模块,用于根据所述输出结果和所述训练集将所述二值神经网络训练为监测模型。
8.根据权利要求7所述的装置,其特征在于,所述训练模块,具体用于:
根据所述输出结果和所述训练集,通过反向传播算法将所述二值神经网络训练为所述监测模型。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-2任一所述的方法步骤,或者实现权利要求3-4任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-2任一所述的方法步骤,或者实现权利要求3-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910578593.2A CN110324080A (zh) | 2019-06-28 | 2019-06-28 | 一种光性能监测的方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910578593.2A CN110324080A (zh) | 2019-06-28 | 2019-06-28 | 一种光性能监测的方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110324080A true CN110324080A (zh) | 2019-10-11 |
Family
ID=68120764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910578593.2A Pending CN110324080A (zh) | 2019-06-28 | 2019-06-28 | 一种光性能监测的方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110324080A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111030960A (zh) * | 2019-12-03 | 2020-04-17 | 中国电子科技集团公司第三十六研究所 | 一种数字调制信号显示评估方法 |
CN111541483A (zh) * | 2020-04-20 | 2020-08-14 | 苏州大学 | 基于高阶统计矩的相干光通信系统光信噪比监测方法 |
CN111614398A (zh) * | 2020-05-12 | 2020-09-01 | 北京邮电大学 | 基于异或神经网络的调制格式及信噪比识别方法及装置 |
CN113517926A (zh) * | 2021-07-01 | 2021-10-19 | 中天通信技术有限公司 | 光性能监测方法、电子设备及计算机可读存储介质 |
CN113595626A (zh) * | 2021-06-21 | 2021-11-02 | 香港理工大学深圳研究院 | 一种基于神经网络的光信号参数实时监测方法、装置 |
CN115333902A (zh) * | 2021-05-10 | 2022-11-11 | 陕西尚品信息科技有限公司 | 通信信号调制识别方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2545661A (en) * | 2015-12-21 | 2017-06-28 | Nokia Technologies Oy | A method for analysing media content |
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 |
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
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 |
CN108900454A (zh) * | 2018-06-28 | 2018-11-27 | 北京邮电大学 | 一种基于机器学习的调制方式参数盲检方法及装置 |
CN109167627A (zh) * | 2018-10-09 | 2019-01-08 | 北京邮电大学 | 一种调制格式及光信噪比监测方法及装置 |
-
2019
- 2019-06-28 CN CN201910578593.2A patent/CN110324080A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2545661A (en) * | 2015-12-21 | 2017-06-28 | Nokia Technologies Oy | A method for analysing media content |
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 |
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
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 |
CN108900454A (zh) * | 2018-06-28 | 2018-11-27 | 北京邮电大学 | 一种基于机器学习的调制方式参数盲检方法及装置 |
CN109167627A (zh) * | 2018-10-09 | 2019-01-08 | 北京邮电大学 | 一种调制格式及光信噪比监测方法及装置 |
Non-Patent Citations (3)
Title |
---|
FAISAL NADEEM KHAN等: "Joint OSNR monitoring and modulation format identification in digital coherent receivers using deep neural networks", 《OPTICS EXPRESS》 * |
MATTHIEU COURBARIAUX等: "Binarized Neural Networks: Training Neural Networks with Weights and Activations Constrained to +1 or -1", 《MACHINE LEARNING (CS.LG)》 * |
YILUN ZHAO等: "Low Complexity OSNR Monitoring and Modulation Format Identification Based on Binarized Neural Networks", 《JOURNAL OF LIGHTWAVE TECHNOLOGY》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111030960A (zh) * | 2019-12-03 | 2020-04-17 | 中国电子科技集团公司第三十六研究所 | 一种数字调制信号显示评估方法 |
CN111541483A (zh) * | 2020-04-20 | 2020-08-14 | 苏州大学 | 基于高阶统计矩的相干光通信系统光信噪比监测方法 |
CN111614398A (zh) * | 2020-05-12 | 2020-09-01 | 北京邮电大学 | 基于异或神经网络的调制格式及信噪比识别方法及装置 |
CN111614398B (zh) * | 2020-05-12 | 2021-06-11 | 北京邮电大学 | 基于异或神经网络的调制格式及信噪比识别方法及装置 |
CN115333902A (zh) * | 2021-05-10 | 2022-11-11 | 陕西尚品信息科技有限公司 | 通信信号调制识别方法及装置 |
CN113595626A (zh) * | 2021-06-21 | 2021-11-02 | 香港理工大学深圳研究院 | 一种基于神经网络的光信号参数实时监测方法、装置 |
CN113595626B (zh) * | 2021-06-21 | 2022-09-20 | 香港理工大学深圳研究院 | 一种基于神经网络的光信号参数实时监测方法、装置 |
CN113517926A (zh) * | 2021-07-01 | 2021-10-19 | 中天通信技术有限公司 | 光性能监测方法、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110324080A (zh) | 一种光性能监测的方法、装置、电子设备及介质 | |
CN102546640B (zh) | 单账号多设备登录时的信息流通方法及服务器 | |
CN110166462A (zh) | 访问控制方法、系统、电子设备及计算机存储介质 | |
Weber et al. | Automatic modulation classification technique for radio monitoring | |
CN109167627B (zh) | 一种调制格式及光信噪比监测方法及装置 | |
CN113762525B (zh) | 一种具有差分隐私保护的联邦学习模型训练方法 | |
US9667476B2 (en) | Isolating the sources of faults/potential faults within computing networks | |
CN108596027A (zh) | 基于监督学习分类模型的未知类别信号的检测方法 | |
CN110175278A (zh) | 网络爬虫的检测方法及装置 | |
CN113141325A (zh) | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 | |
CN109086594A (zh) | 一种实现滑动型验证码验证的方法、装置及系统 | |
CN107249182A (zh) | 一种短信发送方法及其装置、终端设备 | |
CN109525577A (zh) | 基于http行为图的恶意软件检测方法 | |
CN115580450A (zh) | 流量检测的方法、装置、电子设备及计算机可读存储介质 | |
Mohamed et al. | Modulation format recognition based on constellation diagrams and the Hough transform | |
CN109412999A (zh) | 一种概率成型的映射方法及装置 | |
CN110705635B (zh) | 用于生成隔离森林的方法和装置 | |
CN110210536A (zh) | 一种光互连系统的物理损伤诊断方法及装置 | |
Song et al. | Blind symbol packing ratio estimation for faster‐than‐Nyquist signalling based on deep learning | |
CN113869227B (zh) | 一种信号调制方式识别方法、装置、设备及可读存储介质 | |
CN106301486B (zh) | 近场通信中的帧位检测器 | |
CN106790160B (zh) | 密级标识与校验方法及装置 | |
CN114881180A (zh) | 混凝土抗压强度数据的管理方法、装置、设备及存储介质 | |
US20180218259A1 (en) | Optimizing node locations within a space | |
CN113517926A (zh) | 光性能监测方法、电子设备及计算机可读存储介质 |
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 |
Application publication date: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |