CN110532901A - 基于多目标检测的深度学习智能光谱分析方法及系统 - Google Patents
基于多目标检测的深度学习智能光谱分析方法及系统 Download PDFInfo
- Publication number
- CN110532901A CN110532901A CN201910739519.4A CN201910739519A CN110532901A CN 110532901 A CN110532901 A CN 110532901A CN 201910739519 A CN201910739519 A CN 201910739519A CN 110532901 A CN110532901 A CN 110532901A
- Authority
- CN
- China
- Prior art keywords
- spectrogram
- analyzed
- analysis
- target detection
- spectrum
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 238000013135 deep learning Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004611 spectroscopical analysis Methods 0.000 title claims abstract description 32
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 79
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 238000001228 spectrum Methods 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 55
- 230000003287 optical effect Effects 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 abstract description 22
- 238000000605 extraction Methods 0.000 abstract description 11
- 239000013307 optical fiber Substances 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 abstract description 7
- 238000012806 monitoring device Methods 0.000 abstract description 6
- 238000000411 transmission spectrum Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 239000006185 dispersion Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明实施例提供一种基于多目标检测的深度学习智能光谱分析方法及系统,所述方法包括:从灵活波分复用系统中获取待分析光谱图;将所述待分析光谱图输入光谱分析模型中,获得所述待分析光谱图的性能分析结果。解决了传统光谱分析的弊端,将基于深度学习的目标检测技术应用到光谱分析中,利用目标检测网络对光谱进行多种性能分析,应用本发明实施例可以对多信道光谱图像数据进行直接处理,无需由人工干预来进行特征提取,实现光谱性能分析的智能化和自动化,进而可以作为光谱仪软件处理模块或光网络监测设备的光谱分析模块,嵌入到测试仪器中进行智能信号分析和性能监测。
Description
技术领域
本发明涉及光通信技术领域,尤其涉及一种基于多目标检测的深度学习智能光谱分析方法及系统。
背景技术
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Google DeepMind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。因此在光通信系统领域已经有了一些基于深度学习的研究工作。
同时,在光通信领域中,目前已有的从光谱角度进行调制格式识别和OSNR、3dB带宽等性能指标的估计技术不能同时使用一个算法对以上参数进行分析,而必须训练相应的模型或者使用对应的算法进行计算,需要大量的人工干预。因此希望能够利用光谱图采用更加先进的技术来进行各种性能的智能分析,无需人工干预,做到精确测量,无需数据统计即时处理,实现利用光谱图进行性能分析的智能化和自动化。
发明内容
本发明实施例提供一种基于多目标检测的深度学习智能光谱分析方法及系统,用以解决现有光谱分析技术中需要大量的人工干预的缺陷。
本发明实施例提供一种基于多目标检测的深度学习智能光谱分析方法,包括:
从灵活波分复用系统中获取待分析光谱图;
将所述待分析光谱图输入光谱分析模型中,获得所述待分析光谱图的性能分析结果;其中,所述光谱分析模型为基于灵活波分复用系统的光谱训练样本集预先训练获得。
进一步,所述待分析光谱图的性能分析结果包括以下至少一项:
调制格式、光信噪比OSNR、带宽和中心波长。
进一步,所述从灵活波分复用系统中获取待分析光谱图的步骤之前还包括:
获取灵活波分复用系统中的训练数据集;
对所述训练数据集进行预处理并进行标注;
基于标注后的训练数据集训练获得光谱分析模型。
进一步,所述获取灵活波分复用系统中的训练数据集的步骤之前还包括:
采集灵活波分复用系统光谱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光谱图图像和输出为特定性能的特定指标信息对构成。
进一步,将所述待分析光谱图输入光谱分析模型中的步骤,进一步包括:
经预处理的待分析光谱图输入光谱分析模型中,光谱分析模型对输入的待分析光谱图进行模式识别,并通过其以往的学习经验对当前输入的待分析光谱图进行性能分析。
进一步,所述光谱分析模型包括目标分类和目标定位两个模块;
目标分类模块用于区分待分析光谱图属于何种调制格式、何种光信噪比、何种带宽;目标定位模块用于在预先不知道信号中心波长的时候定位信号的中心波长,从而实现对待分析光谱图所述灵活波分复用系统进行性能监测。
本发明实施例提供一种基于多目标检测的深度学习智能光谱分析系统,包括:
获取模块,用于从灵活波分复用系统中获取待分析光谱图;
分析模块,用于将所述待分析光谱图输入光谱分析模型中,获得所述待分析光谱图的性能分析结果;其中,所述光谱分析模型为基于灵活波分复用系统的光谱训练样本集预先训练获得。
进一步,所述待分析光谱图的性能分析结果包括以下至少一项:
调制格式、光信噪比OSNR、带宽和中心波长。
本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述基于多目标检测的深度学习智能光谱分析方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述基于多目标检测的深度学习智能光谱分析方法的步骤。
本发明实施例提供的基于多目标检测的深度学习智能光谱分析方法及系统,解决了传统光谱分析的弊端,将基于深度学习的目标检测技术应用到光谱分析中,利用目标检测网络对光谱进行多种性能分析,应用本发明实施例可以对多信道光谱图像数据进行直接处理,无需由人工干预来进行特征提取,实现光谱性能分析的智能化和自动化,进而可以作为光谱仪软件处理模块或光网络监测设备的光谱分析模块,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
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一简单地介绍,显而易见地,下面描述中的附图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为本发明基于多目标检测的深度学习智能光谱分析方法实施例整体流程图;
图2为本发明基于多目标检测的深度学习智能光谱分析方法实施例效果示意图;
图3为本发明基于多目标检测的深度学习智能光谱分析系统整体实施例结构示意图;
图4为本发明一种电子设备实施例结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
为解决现有技术中的至少一个技术问题,本发明提供一种基于多目标检测的深度学习智能光谱分析方法。如图1所示,所述方法整体上包括以下步骤。
步骤11,从灵活波分复用系统中获取待分析光谱图。
波分复用FWDM(Filter Wavelength Division Multiplexing)是将两种或多种不同波长的光载波信号(携带各种信息)在发送端经复用器(亦称合波器,Multiplexer)汇合在一起,并耦合到光线路的同一根光纤中进行传输的技术;在接收端,经解复用器(亦称分波器或称去复用器,Demultiplexer)将各种波长的光载波分离,然后由光接收机作进一步处理以恢复原信号。这种在同一根光纤中同时传输两个或众多不同波长光信号的技术,称为波分复用。
光谱图(Spectrum)是复色光经过色散系统(如棱镜、光栅)分光后,被色散开的单色光按波长(或频率)大小而依次排列的图案,全称为光学频谱。光谱中最大的一部分可见光谱是电磁波谱中人眼可见的一部分,在这个波长范围内的电磁辐射被称作可见光。光谱并没有包含人类大脑视觉所能区别的所有颜色,譬如褐色和粉色。
步骤12,将所述待分析光谱图输入光谱分析模型中,获得所述待分析光谱图的性能分析结果;其中,所述光谱分析模型为基于灵活波分复用系统的光谱训练样本集预先训练获得。
本发明实施例中从灵活波分复用系统中获取待分析光谱图。由于现有光谱分析技术只能针对灵活波分复用系统中光谱图单一性能进行分析,所以该实施例先从灵活波分复用系统中获取待分析光谱图,将待分析光谱图输入预先训练的光谱分析模型中,获得各项待分析光谱图性能分析结果。
其中,所述光谱分析模型为基于灵活波分复用系统的光谱训练样本集预先训练获得。所述光谱分析模型的训练方法可以采用现有技术中的神经网络模型训练方法,本发明实施例不作具体限定。所述光谱分析模型的输出为所述待分析光谱图的性能分析结果。
本发明实施例提供的基于多目标检测的深度学习智能光谱分析方法,解决了传统光谱分析的弊端,将基于深度学习的目标检测技术应用到光谱分析中,利用目标检测网络对光谱进行多种性能分析,应用本发明实施例可以对多信道光谱图像数据进行直接处理,无需由人工干预来进行特征提取,实现光谱性能分析的智能化和自动化,进而可以作为光谱仪软件处理模块或光网络监测设备的光谱分析模块,嵌入到测试仪器中进行智能信号分析和性能监测。
在本发明上述实施例的基础上,提供一种基于多目标检测的深度学习智能光谱分析方法,所述待分析光谱图的性能分析结果包括以下至少一项:调制格式、光信噪比OSNR、带宽和中心波长。
光信噪比的定义是在光有效带宽为0.1nm内光信号功率和噪声功率的比值。光信号的功率一般取峰值,而噪声的功率一般取两相临通路的中间点的功率电平。光信噪比是一个十分重要的参数,对估算和测量系统有重大意义。
光谱带宽度是指从单色器射出的单色光谱线强度轮廓曲线的二分之一高度处的谱带宽度。光谱带宽用来表征仪器的光谱分辨率,是影响紫外可见分光光度计定量分析误差的主要因素之一。单色器是指将光源发出的光分离成所需要的单色光的器件。物镜将出自色散元件的平行光聚焦于出口狭缝。出射狭缝用于限制通带宽度。
本发明实施例提供的基于多目标检测的深度学习智能光谱分析方法,将基于深度学习的目标检测技术应用到光谱分析中,利用目标检测网络对光谱进行调制格式、光信噪比OSNR、带宽和中心波长的性能分析,应用本发明实施例可以对多信道光谱图像数据进行直接处理,无需由人工干预来进行特征提取,实现光谱性能分析的智能化和自动化。
在本发明任一上述实施例的基础上,提供一种基于多目标检测的深度学习智能光谱分析方法,其特征在于,所述从灵活波分复用系统中获取待分析光谱图的步骤之前还包括:
获取灵活波分复用系统中的训练数据集;
对所述训练数据集进行预处理并进行标注;
基于标注后的训练数据集训练获得光谱分析模型。
下面,基于一个具体实施例对本发明该实施例进行说明,本发明提出的基于深度学习的目标检测智能光谱图分析方法,将基于卷积神经网络的目标检测技术应用到光谱分析中,利用目标检测技术对光谱进行多种性能分析,包括以下步骤:S01,获取灵活波分复用系统中的训练数据集;S02,训练数据集预处理;S03,训练数据集数据标注;S04,训练多光谱分析模型对训练数据中光谱图进行特征提取,训练获得光谱分析模型。
本实施例中,所述要进行分析的光谱性能为调制格式、OSNR、带宽和中心波长。
所述获取光谱训练数据集步骤S01中,基于VPI Transmission Maker 8.6建立了基本的仿真系统,由伪随机二进制序列生成四种不同调制格式的光信号,分别为:NRZ-DPSK,RZ-DPSK,NRZ-OOK,RZ-OOK。该四种调制格式均是基于直接检测方式,传递的信息反映在信号的光谱上,适合于后续的光谱分析。仿真系统中使用掺铒光纤放大器(EDFA)将放大的自发发射(ASE)噪声添加到光信号中,并且在1dB的步长下,利用可变光衰减器(VOA)将OSNR调整为15至30dB。为了尽可能模拟真实的光信号,系统随机改变信号的中心波长,使得模拟生成的光谱图更能反映灵活波分复用系统真实的情况。本实施例中选择了四种具有代表性的调制格式的光信号,由于本实例具有带宽检测的功能,所以在识别调制格式时,忽略所有由于信号带宽所带来的调制格式的区别。在这种情况下,PAM、NRZ-OOK信号具有相同的光谱形状,我们选择NRZ-OOK的光谱来进行验证分析;QAM信号、NRZ-DPSK和QPSK信号具有相同的光谱形状,我们选择NRZ-DPSK信号来进行验证分析;此外,还分析了RZ-DPSK和RZ-OOK信号两种调制格式。在进行光谱数据之后,获得了包含四种代表性光信号在不同OSNR、不同带宽、不同中心波长下的光谱信息。在获得光谱数据后,我们使用matlab将其转换为光谱图像数据。
基于所述仿真系统,本实施例规定每种调制格式生成16个不同OSNR值3种带宽、12种中心波长的光谱数据。
所述眼图图像预处理步骤S02中,为了收集到的一维数据变为算法可处理的图像数据,将步骤S01中收集到的光谱数据经matlab转换为光谱图像,并在形成图像时,使图像大小为900x600,呈现出了不同调制格式、不同带宽、不同OSNR和不同中心波长的光谱信号。
所述图像数据标注步骤S03中,由于使用目标检测算法是由于其可以对多目标进行分类和定位,因此对步骤S02中得到的光谱图像分别根据其对应的数值及调制格式进行标注,使图像数据中带有对应的标签。
所述训练多光谱分析模型对光谱图进行特征提取步骤S04中,其中输入光谱分析模型的光谱图训练数据集,其每个光谱图图像中的信号均有其对应的标签。在所述的训练过程中,光谱分析模型逐渐提取输入光谱图像的有效特征。同时,为了最小化理想标签向量和实际输出标签向量之间的误差,光谱分析模型通过反向传播使用梯度下降的方法来逐步调整其内核的参数。
本发明实施例提供的基于多目标检测的深度学习智能光谱分析方法,解决了传统光谱分析的弊端,将基于深度学习的目标检测技术应用到光谱分析中,利用目标检测网络对光谱进行多种性能分析,应用本发明实施例可以对多信道光谱图像数据进行直接处理,无需由人工干预来进行特征提取,实现光谱性能分析的智能化和自动化,进而可以作为光谱仪软件处理模块或光网络监测设备的光谱分析模块,嵌入到测试仪器中进行智能信号分析和性能监测。
在本发明任一上述实施例的基础上,提供一种基于多目标检测的深度学习智能光谱分析方法,所述获取灵活波分复用系统中的训练数据集的步骤之前还包括:
采集灵活波分复用系统光谱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光谱图图像和输出为特定性能的特定指标信息对构成。
本发明实施例提供一种基于多目标检测的深度学习智能光谱分析方法,训练数据集中的每组数据由输入为光谱图图像和输出为特定性能的特定指标信息对构成,能够训练获得更加智能且准确的光谱分析模型。
在本发明任一上述实施例的基础上,提供一种基于多目标检测的深度学习智能光谱分析方法,将所述待分析光谱图输入光谱分析模型中的步骤,进一步包括:
经预处理的待分析光谱图输入光谱分析模型中,光谱分析模型对输入的待分析光谱图进行模式识别,并通过其以往的学习经验对当前输入的待分析光谱图进行性能分析。
本发明实施例提供的基于多目标检测的深度学习智能光谱分析方法,解决了传统光谱分析的弊端,将基于深度学习的目标检测技术应用到光谱分析中,利用目标检测网络对光谱进行多种性能分析,应用本发明实施例可以对多信道光谱图像数据进行直接处理,无需由人工干预来进行特征提取,实现光谱性能分析的智能化和自动化,进而可以作为光谱仪软件处理模块或光网络监测设备的光谱分析模块,嵌入到测试仪器中进行智能信号分析和性能监测。
在本发明任一上述实施例的基础上,提供一种基于多目标检测的深度学习智能光谱分析方法,所述光谱分析模型包括目标分类和目标定位两个模块;
目标分类模块用于区分待分析光谱图属于何种调制格式、何种光信噪比、何种带宽;目标定位模块用于在预先不知道信号中心波长的时候定位信号的中心波长,从而实现对待分析光谱图所述灵活波分复用系统进行性能监测。
下面,基于一个具体实施例对本发明该实施例进行说明,所述光谱分析模型包括以下三部分:一类是具有两个阶段的多目标检测算法,以FasterR-CNN为代表,这类算法首先通过提取候选区域找到可能有目标的区域,然后对相应区域进行以深度学习方法为主的分类的方法来进行目标检测。一类是只有一个阶段的多目标检测算法,以SSD为代表,这类方法使用了回归的思想,利用整张图作为网络的输入,直接在图像的多个位置上回归出这个位置的目标边框,以及目标所属的类别。另外一类就是融合两个阶段中先由特征提取网络粗略提取可能包含目标的框,然后使用回归进一步得到更精确的结果的思想,同时采取了特征金字塔的特征融合的思想,使算法对小目标的检测效果更好,并使用单阶段SSD算法的框架。
所述将所需分析光谱图输入训练完成的光谱分析模型进行模式识别和性能分析,经预处理的所需分析的4种不同调制格式、每种调制格式具有范围为的OSNR值(以1dB为步长)、不同带宽和中心波长的光谱图像输入到上述训练完成的光谱分析模型中光谱分析模型对输入的不同情况下的光谱图进行模式识别,并通过训练阶段的学习经验对输入的眼图进行调制格式、OSNR、带宽和中心波长的性能分析。
输出从光谱分析模型得到的每个类别对应的标签,并根据算法给出的目标的位置对信号的中心波长进行分析,最终输出信号的调制格式、OSNR、带宽和中心波长。
为表现本发明所提方法分析的准确性,图2显示了不同算法模块对光谱分析的估计精度。显然,分析的精确度均随着算法迭代次数的增加而增加。不同迭代次数和算法所训练的算法具有不同的性能识别能力。
综上,本发明所提出的方法将基于深度学习的目标检测技术应用到光谱分析中,可以有效地作为光谱仪的光谱软件处理模块或仿真软件的光谱分析模块,进而嵌入到测试仪器中进行智能信号分析和性能监测,实现光谱分析的自动化和智能化。
为解决现有技术中的至少一个技术问题,如图3所示,本发明实施例提供一种基于多目标检测的深度学习智能光谱分析系统,包括:
获取模块31,用于从灵活波分复用系统中获取待分析光谱图。
波分复用FWDM(Filter Wavelength Division Multiplexing)是将两种或多种不同波长的光载波信号(携带各种信息)在发送端经复用器(亦称合波器,Multiplexer)汇合在一起,并耦合到光线路的同一根光纤中进行传输的技术;在接收端,经解复用器(亦称分波器或称去复用器,Demultiplexer)将各种波长的光载波分离,然后由光接收机作进一步处理以恢复原信号。这种在同一根光纤中同时传输两个或众多不同波长光信号的技术,称为波分复用。
光谱图(Spectrum)是复色光经过色散系统(如棱镜、光栅)分光后,被色散开的单色光按波长(或频率)大小而依次排列的图案,全称为光学频谱。光谱中最大的一部分可见光谱是电磁波谱中人眼可见的一部分,在这个波长范围内的电磁辐射被称作可见光。光谱并没有包含人类大脑视觉所能区别的所有颜色,譬如褐色和粉色。
分析模块32,用于将所述待分析光谱图输入光谱分析模型中,获得所述待分析光谱图的性能分析结果;其中,所述光谱分析模型为基于灵活波分复用系统的光谱训练样本集预先训练获得。
本发明实施例中从灵活波分复用系统中获取待分析光谱图。由于现有光谱分析技术只能针对灵活波分复用系统中光谱图单一性能进行分析,所以该实施例先从灵活波分复用系统中获取待分析光谱图,将待分析光谱图输入预先训练的光谱分析模型中,获得各项待分析光谱图性能分析结果。
其中,所述光谱分析模型为基于灵活波分复用系统的光谱训练样本集预先训练获得。所述光谱分析模型的训练方法可以采用现有技术中的神经网络模型训练方法,本发明实施例不作具体限定。所述光谱分析模型的输出为所述待分析光谱图的性能分析结果。
本发明实施例提供的基于多目标检测的深度学习智能光谱分析系统,解决了传统光谱分析的弊端,将基于深度学习的目标检测技术应用到光谱分析中,利用目标检测网络对光谱进行多种性能分析,应用本发明实施例可以对多信道光谱图像数据进行直接处理,无需由人工干预来进行特征提取,实现光谱性能分析的智能化和自动化,进而可以作为光谱仪软件处理模块或光网络监测设备的光谱分析模块,嵌入到测试仪器中进行智能信号分析和性能监测。
举个例子如下:
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行如下方法:从灵活波分复用系统中获取待分析光谱图;将所述待分析光谱图输入光谱分析模型中,获得所述待分析光谱图的性能分析结果;其中,所述光谱分析模型为基于灵活波分复用系统的光谱训练样本集预先训练获得。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:从灵活波分复用系统中获取待分析光谱图;将所述待分析光谱图输入光谱分析模型中,获得所述待分析光谱图的性能分析结果;其中,所述光谱分析模型为基于灵活波分复用系统的光谱训练样本集预先训练获得。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多目标检测的深度学习智能光谱分析方法,其特征在于,包括:
从灵活波分复用系统中获取待分析光谱图;
将所述待分析光谱图输入光谱分析模型中,获得所述待分析光谱图的性能分析结果;其中,所述光谱分析模型为基于灵活波分复用系统的光谱训练样本集预先训练获得。
2.根据权利要求1所述的基于多目标检测的深度学习智能光谱分析方法,其特征在于,所述待分析光谱图的性能分析结果包括以下至少一项:
调制格式、光信噪比OSNR、带宽和中心波长。
3.根据权利要求1所述的基于多目标检测的深度学习智能光谱分析方法,其特征在于,所述从灵活波分复用系统中获取待分析光谱图的步骤之前还包括:
获取灵活波分复用系统中的训练数据集;
对所述训练数据集进行预处理并进行标注;
基于标注后的训练数据集训练获得光谱分析模型。
4.根据权利要求3所述的基于多目标检测的深度学习智能光谱分析方法,其特征在于,所述获取灵活波分复用系统中的训练数据集的步骤之前还包括:
采集灵活波分复用系统光谱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光谱图图像和输出为特定性能的特定指标信息对构成。
5.根据权利要求1所述的基于多目标检测的深度学习智能光谱分析方法,其特征在于,将所述待分析光谱图输入光谱分析模型中的步骤,进一步包括:
经预处理的待分析光谱图输入光谱分析模型中,光谱分析模型对输入的待分析光谱图进行模式识别,并通过其以往的学习经验对当前输入的待分析光谱图进行性能分析。
6.根据权利要求1所述的基于多目标检测的深度学习智能光谱分析方法,其特征在于,所述光谱分析模型包括目标分类和目标定位两个模块;
目标分类模块用于区分待分析光谱图属于何种调制格式、何种光信噪比、何种带宽;目标定位模块用于在预先不知道信号中心波长的时候定位信号的中心波长,从而实现对待分析光谱图所述灵活波分复用系统进行性能监测。
7.一种基于多目标检测的深度学习智能光谱分析系统,其特征在于,包括:
获取模块,用于从灵活波分复用系统中获取待分析光谱图;
分析模块,用于将所述待分析光谱图输入光谱分析模型中,获得所述待分析光谱图的性能分析结果;其中,所述光谱分析模型为基于灵活波分复用系统的光谱训练样本集预先训练获得。
8.根据权利要求7所述的基于多目标检测的深度学习智能光谱分析系统,其特征在于,所述待分析光谱图的性能分析结果包括以下至少一项:
调制格式、光信噪比OSNR、带宽和中心波长。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于多目标检测的深度学习智能光谱分析方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述基于多目标检测的深度学习智能光谱分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910739519.4A CN110532901A (zh) | 2019-08-12 | 2019-08-12 | 基于多目标检测的深度学习智能光谱分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910739519.4A CN110532901A (zh) | 2019-08-12 | 2019-08-12 | 基于多目标检测的深度学习智能光谱分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532901A true CN110532901A (zh) | 2019-12-03 |
Family
ID=68662984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910739519.4A Pending CN110532901A (zh) | 2019-08-12 | 2019-08-12 | 基于多目标检测的深度学习智能光谱分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532901A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111175239A (zh) * | 2020-01-19 | 2020-05-19 | 北京科技大学 | 深度学习下的彩绘类文物成像高光谱无损检测与识别系统 |
CN114077427A (zh) * | 2020-08-12 | 2022-02-22 | 中移物联网有限公司 | 基于光谱分析模型的交互方法及系统 |
CN114323105A (zh) * | 2021-12-23 | 2022-04-12 | 中山大学 | 一种光纤光栅光谱分析方法、系统、存储介质 |
CN114978310A (zh) * | 2021-02-22 | 2022-08-30 | 广州视源电子科技股份有限公司 | 使用光谱进行通信的方法、装置、处理器与电子设备 |
CN116760467A (zh) * | 2023-08-23 | 2023-09-15 | 腾讯科技(深圳)有限公司 | 光信号传送质量的测试方法、装置和存储介质及电子设备 |
CN114077427B (zh) * | 2020-08-12 | 2024-05-24 | 中移物联网有限公司 | 基于光谱分析模型的交互方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104079347A (zh) * | 2013-03-26 | 2014-10-01 | 武汉光迅科技股份有限公司 | 一种光信噪比测量方法 |
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 |
CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
CN108957125A (zh) * | 2018-03-20 | 2018-12-07 | 北京邮电大学 | 基于机器学习的智能频谱图分析方法 |
-
2019
- 2019-08-12 CN CN201910739519.4A patent/CN110532901A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104079347A (zh) * | 2013-03-26 | 2014-10-01 | 武汉光迅科技股份有限公司 | 一种光信噪比测量方法 |
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 |
CN108957125A (zh) * | 2018-03-20 | 2018-12-07 | 北京邮电大学 | 基于机器学习的智能频谱图分析方法 |
CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
DANSHI WANG等: ""Intelligent Optical Spectrum Analyzer Using Support Vector Machine"", 《2018 IEEE PHOTONICS SOCIETY SUMMER TOPICAL MEETING SERIES (SUM)》 * |
DANSHI WANG等: ""Machine learning-based multifunctional optical spectrum analysis technique"", 《IEEE ACCESS》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111175239A (zh) * | 2020-01-19 | 2020-05-19 | 北京科技大学 | 深度学习下的彩绘类文物成像高光谱无损检测与识别系统 |
CN111175239B (zh) * | 2020-01-19 | 2021-01-15 | 北京科技大学 | 深度学习下的彩绘类文物成像高光谱无损检测与识别系统 |
CN114077427A (zh) * | 2020-08-12 | 2022-02-22 | 中移物联网有限公司 | 基于光谱分析模型的交互方法及系统 |
CN114077427B (zh) * | 2020-08-12 | 2024-05-24 | 中移物联网有限公司 | 基于光谱分析模型的交互方法及系统 |
CN114978310A (zh) * | 2021-02-22 | 2022-08-30 | 广州视源电子科技股份有限公司 | 使用光谱进行通信的方法、装置、处理器与电子设备 |
CN114978310B (zh) * | 2021-02-22 | 2024-02-20 | 广州视源电子科技股份有限公司 | 使用光谱进行通信的方法、装置、处理器与电子设备 |
CN114323105A (zh) * | 2021-12-23 | 2022-04-12 | 中山大学 | 一种光纤光栅光谱分析方法、系统、存储介质 |
CN114323105B (zh) * | 2021-12-23 | 2024-02-27 | 中山大学 | 一种光纤光栅光谱分析方法、系统、存储介质 |
CN116760467A (zh) * | 2023-08-23 | 2023-09-15 | 腾讯科技(深圳)有限公司 | 光信号传送质量的测试方法、装置和存储介质及电子设备 |
CN116760467B (zh) * | 2023-08-23 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 光信号传送质量的测试方法、装置和存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108446631B (zh) | 基于卷积神经网络的深度学习的智能频谱图分析方法 | |
CN107342810B (zh) | 基于卷积神经网络的深度学习智能眼图分析方法 | |
CN107342962B (zh) | 基于卷积神经网络的深度学习智能星座图分析方法 | |
WO2019186548A1 (en) | Optical neural network unit and optical neural network configuration | |
CN109217923A (zh) | 一种联合光性能监测和速率、调制格式识别方法及系统 | |
Lun et al. | Soft failure identification for long-haul optical communication systems based on one-dimensional convolutional neural network | |
CN108957125A (zh) | 基于机器学习的智能频谱图分析方法 | |
Wang et al. | Machine learning-based multifunctional optical spectrum analysis technique | |
CN106788714B (zh) | 一种基于光学计算的稀疏解混方法 | |
Saif et al. | Separability of histogram based features for optical performance monitoring: An investigation using t-SNE technique | |
CN113472435B (zh) | 一种光信号调制参数和损伤因素同时提取的方法 | |
Cho et al. | Convolutional recurrent machine learning for OSNR and launch power estimation: a critical assessment | |
CN112862077B (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 | |
WO2020020991A1 (en) | Space division multiplexing method and system using speckle pattern recognition in multi-mode optical fibres | |
CN114283884A (zh) | 原始谱图处理方法、装置、计算机设备及存储介质 | |
CN108254000A (zh) | 一种基于改进模拟退火法的fbg传感网光谱解调方法 | |
Varughese et al. | Accelerating TDECQ assessments using convolutional neural networks | |
CN109543541A (zh) | 一种活体检测方法及装置 | |
Sun et al. | Generalized soft failure identification enabled by digital residual spectrum and autoencoder | |
CN114504116A (zh) | 基于激光诱导击穿光谱的烟叶分类设备及方法 | |
EP3922966A1 (en) | Filter learning device, filter learning method, and non-transitory computer-readable medium | |
CN107666349A (zh) | 高精度多通道高速数据传输链路等长性检测方法 | |
EP3599730A1 (en) | Space division multiplexing method and system using speckle pattern recognition in multi-mode optical fibres | |
Wang et al. | Multi-functional optical spectrum analysis using multi-task cascaded neural networks |
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: 20191203 |