CN112632855A - 一种基于特征融合多任务卷积网络光性能检测方法及系统 - Google Patents
一种基于特征融合多任务卷积网络光性能检测方法及系统 Download PDFInfo
- Publication number
- CN112632855A CN112632855A CN202011506401.6A CN202011506401A CN112632855A CN 112632855 A CN112632855 A CN 112632855A CN 202011506401 A CN202011506401 A CN 202011506401A CN 112632855 A CN112632855 A CN 112632855A
- Authority
- CN
- China
- Prior art keywords
- feature fusion
- optical performance
- optical
- multitask
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/30—Testing of optical devices, constituted by fibre optics or optical waveguides
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Optics & Photonics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Optical Communication System (AREA)
Abstract
本发明涉及一种基于特征融合多任务卷积网络光性能检测方法及系统,该方法基于特征融合多任务卷积神经网络,获取并融合二维散点图的局部和全局信息,同时对信号的光性能参数和速率/格式类别进行监测与识别。随后,构建特征融合多任务卷积网络,使用训练数据集对网络模型进行训练和优化。最后,使用测试数据集评价训练完成的网络性能。经过试验验证,本发明通过二维散点图中提取并共享融合特征,使得不同任务之间相互促进,提升了光性能监测和速率/格式识别的性能。对未来复杂的光网络性能以及信号属性的监测识别任务中,能做到对光性能监测任务和速率/格式识别任务的联合执行,且自动提取并融合特征,不同任务间相互促进,提升性能。
Description
技术领域
本发明涉及光纤网络性能监测和深度学习的交叉结合领域,具体地说是使用特征融合多任务卷积神经网络方法,对光性能(OPM)参数和速率/格式(BR-MFI)信息进行监测和识别的技术,以实现快速准确的监测识别,同时借助特征融合技术,获取散点图的全局与局部信息提示网络的监测性能。
背景技术
未来的光网络被设计成动态的和异构的。为了满足终端用户的各种需求,光网络需要能够传输具有不同调制格式和比特率的各种信号。由于光网络的复杂性,光信号可以传输不同的路径并累积各种传输损伤。因此,有必要在动态光纤通信网络的中间节点部署足够的OPM设备,用于信道损伤的实时监测。
类似地,BR-MFI可以提供附加信息来选择合适的载波恢复模块或提高OPM精度。近年来,OPM和B-MFI的结合已成为一种发展趋势。各种机器学习算法已经被应用于光通信,包括反向传播人工神经网络(BP-ANN),k-最近邻(KNN),以及支持向量机(SVM)。针对联合OPM和BR-MFI,提出了一种基于PCA的异步延迟抽头图(ADTP)模式识别方法。基于PCA的模式识别算法的第一步是提取给定图像和参考数据集中所有图像的固定尺寸特征向量。然后,从参考数据集中选择与给定图像的特征向量具有最小欧氏距离的特征向量。最后,我们使用与参考数据集中选择的特征向量相对应的标签(损伤值、比特率和调制格式)来估计给定图像的结果。
不幸的是,传统机器学习算法缺乏特征提取和共享的能力。具体地说,原始的数据形式不能用机器学习模型进行处理,而特征提取器的设计需要丰富的领域经验。此外,OPM和BR-MFI的联合问题包括损伤监测任务(回归任务)、比特率识别任务和格式识别任务(分类任务)。我们认为,损伤监测任务的执行会受到一些相关因素的影响。例如,在相同的损伤下,低比特率信号比高比特率信号受到的影响更小。有效地发现和利用比特率等相关因素提供的信息有助于更准确地监测信号损伤。同样,不同的调制格式对相同的损伤有不同的响应。调制格式提供的信息可用于提高损伤监测的精度。然而,传统机器学习算法不能在不同的任务之间共享有用的特征信息。为了避免机器学习算法的缺点,需要更高级的算法不仅自动提取特征,而且在不同任务之间共享特征。
近年来,深层学习受到越来越多的关注,其中多任务学习在许多应用中很流行。多任务方法能在各种任务间共享相关信息,提升任务的训练能力。之前的许多工作使用了卷积神经网络来对光信号的参数进行监测,其主要借助了卷积网络的特征自动提取能力。我们之前的一项工作在特征提取能力的基础之上,结合了多任务训练的技术,进一步提升的网络的性能。随后,在本项工作中我们进一步进行改进:添加特征融合能力。之前的多任务网络只是基于最高层特征进行训练,而我们的网络对不同层次的特征进行了拼接融合的操作,然后在拼接之后的特征上训练多任务网络。特征的融合将更好的结合散点图的全局和局部信息,提升网络性能。
针对异构光网络中OPM和BR-MFI的联合问题,提出了一种基于特征融合多任务学习技术。近年来,异步单通道采样技术因为硬件成本低廉而获得大量应用。在不知道其他先验信息的情况下,利用具有特征提取和特征共享以及特征融合能力的多任务学习模型对散点图进行处理,以实现OPM和BR-MFI的联合优化。为了验证所提出技术的有效性,对60/100Gbps QPSK、60/100Gbps 16QAM、60/100Gbps 64QAM信号进行了数值模拟。在基于特征融合多任务学习算法的特征提取、特征共享以及特征融合能力的帮助下,OPM和BR-MFI的联合算法表现出了良好的性能。
发明内容
本发明公开了一种基于特征融合多任务卷积网络光性能检测方法及系统,以解决现有技术的上述技术问题以及其他潜在问题中的任意问题。
为了解决上述问题,本发明的技术方案是:一种基于特征融合多任务卷积神经网络的联合光性能监测与速率、调制格式识别方法,其特征是将卷积网络中分层分布的信息进行融合(底层信息对光性能监测任务更有帮助,高层信息对速率/格式识别任务更有帮助),然后在融合之后的特征信息上训练多任务损失函数,来对光纤网络中的光信号进行信号光性能的监测以及同步的信号速率与调制格式的识别。首先在光纤仿真平台VPI上获取不同格式,不同速率,不同损伤环境下的光传输信号,其次利用异步单通道采样技术将光信号绘制成二维散点图,散点图的模式能直观反映信号的特征,一共收集6600张散点图用于神经网络的训练。最终我们的基于特征融合的多任务卷积网络能同时对光性能监测任务和速率/格式识别任务进行处理。借助特征融合技术,我们的网络能够获取散点图的全局和局部信息,帮助实现更精确的监测。
本发明的具体内容如下:
OPM(Optical Performance Monitoring),光性能监测,对光网络的光信号的性能参数:色散CD,偏振模色散DGD,以及光信噪比OSNR进行数值监测。
BR-MFI(Bit-Rate/Modulation Format Identification)速率/调制格式识别,对光信号的速率属性,以及调制格式属性进行分类识别。
VPI仿真平台,选择速率为60Gbps和100Gbps,调制格式为QPSK,16QAM以及64QAM的六种信号,在仿真平台VPI上搭建光纤传输系统,并调节不同的光信号参数:色散CD,其取值范围为[0,450],步长为50;,偏振模色散DGD,其取值范围为[0,10],步长为1以及光信噪比OSNR,其取值范围为[10,28],步长为2,在接收端获取携带损伤的光信号数据。
4)异步单通道采样二维散点图,将得到的携带特征的光信号数据,利用异步单通道采样方法转换为二维散点图。
5)数据集,采集六种在不同光损伤条件下不同速率和格式的二维散点图共6600张,每一种采集1100张散点图,每张图片的标签是三种光损伤参数以及速率和格式的类别。以5:1的比例划分为训练集和测试集。
6)特征融合多任务卷积神经网络,搭建特征融合多任务卷积神经网络模型,以二维散点图作为模型输入数据,以光性能监测参数(CD,DGD,OSNR)作为第一项回归监测任务,以速率/调试格式识别任务作为第二项分类识别任务,同时输出光性能监测值:CD,DGD,OSNR,速率类别和调制格式类别。
本发明主要包含以下步骤:
步骤一:在VPI仿真平台上,搭建光纤通信系统,得到不同损伤参数下的六种信号数据;
步骤二:将得到的信号数据进行异步单通道采样,转换为二维散点图。
步骤三:每种类型信号收集1100张,总共收集6600张二维散点图,并以损伤参数和速率,格式类别作为标签。以5:1的比例划分为训练集和测试集。
步骤四:基于特征融合的多任务卷积神经网络,搭建特征融合的多任务卷积神经网络模型,以二维散点图作为模型输入数据,以光性能监测参数(CD,DGD,OSNR)作为第一项回归监测任务,以速率/调试格式识别任务作为第二项分类识别任务,同时输出光性能监测值:CD,DGD,OSNR,速率类别和调制格式类别。融合的特征是从卷积网络架构中挑选抽取的特征图抽取拼接得到的,此后的多任务损失在拼接的特征上进行训练。
步骤五:以二维散点图训练集作为特征融合多任务卷积网络的输入数据,以对应的光性能损伤值和速率类别以及调制格式类别作为标签值,使用梯度下降算法进行监督学习,实现模型的训练优化。
步骤六:以测试集数据作为网络输入,对训练好的多任务卷积神经网络模型进行测试,查看测试效果。
本发明的有益效果是:由于采用上述技术方案,本发明利用特征融合的多任务卷积神经网络模型,对光性能监测任务和速率/调制格式识别任务进行同时联合的检测与分类。特征融合的使用,能将散点图的全局和局部信息更好的结合在一起。基于特征融合的多任务分类将比没有特征融合的多任务分类获得更加优秀的性能。
附图说明
图1为异步单通道采样二维散点图绘制的原理。(a)对信号幅度进行异步单通道的采样,(b)以采样数据作为横纵坐标,将采样点绘制到平面上形成二维散点图。
图2是采集得到的二维散点图样本,共有6中信号:60/100Gbps QPSK,60/100Gbps16QAM,60/100Gbps 64QAM。第一行信号的OSNR为24dB,CD和DGD值为0.第二行信号的OSNR为20dB,CD为100ps/nm,DGD为5ps.
图3是基于特征融合多任务学习网络模型的结构。输入层:像素大小为100×100的散点图。第二层具有96个3×3的卷积核,产生96个98x98特征图。第三层具有96个2×2的池化子产生96个49x49特征图。第四层具有256个3x3大小的卷积子,产生256个47x47大小的特征图。第五层具有256个3x3大小的卷积子,产生256个23x23大小的特征图。第六层具有384个3x3大小的卷积子,产生384个21x21大小的特征图。第七层具有384个3x3大小的卷积子,产生384个19x19大小的特征图。第八层具有256个3x3大小的卷积子,产生256个17x17大小的特征图。这八层卷积网络一起构成了骨架网络,我们的特征在这个骨架中是逐级提取并逐级分布的,越接近输入层越包含更多的视觉信息适合用于损伤监测任务,越往后的层级其视觉信息越少适合用于分类任务等抽象概念。随后我们使用三个单独的卷积操作分别从第三层,第六层和第八层提取到大小均为8x8x256的特征图,分别命名为Conv_a,Conv_b,和Conv_c.最后将提取到的特征图进行拼接操作,拼接之后的特征图使用1x1的卷积子进行降维得到大小为192x8x8的特征图。随后使用连续的两层全连接层(3072与100)进行连接,最后的多任务输出层并行输出三个任务的估计值(比特速率识别,调制格式识别,损伤参数监测)。我们把包含三个特征拼接的网络模型命名为“abc”,把只包含Conv_a与Conv_c拼接的网络命名为“ac”,把只包含Conv_b与Conv_c拼接的模型命名为“bc”,把没有拼接只包含Conv_c特征图的模型命名为“c”模型。在后续的实验中我们会对以上4个模型进行对比分析。
图4是骨干卷积网络中从第一层到第八层的特征图可视化。从中可以明确的看出,卷积网络提取的特征的分布是有明显的层次的,这是我们特征融合概念的基础。
图5是二维散点图输入以及四个模型中的100维向量对应的可视化特征。第一行是输入的散点图,第二行是“abc”模型的可视化特征,第三行是“ac”模型的可视化特征,第四行是“bc”模型的可视化特征,第五行是“c”模型的可视化特征。虽然每行之间的特征图样子都不一样,但是每一行的多个特征图都具备类似的模式,说明我们的网络具备特征共享的能力。其中每张特征图线面的红色条表明模型对调制格式分类的确定程度,可以清晰的看出有特征融合能力的“abc”的格式分类把握是最高的。
图6对四个模型中的1x1卷积子进行可视化。(a)是“abc”模型。(b)是“ac”模型。(c)是“bc”模型。(d)是“c”模型。“c”模型由于只引入了高阶特征,所有几乎不包含视觉信息,卷积子呈现平坦光滑的形态。“bc”模型由于结合了中阶和高阶和高阶特征,所以引入了部分视觉信息,卷积子开始呈现出局部的几何特征。“ac”模型由于结合了低级和高级特征,包含了大量的视觉信息,因此卷积子呈现了强烈的几何特征。“abc”模型由于结合了低中高三级特征,因此卷积子包含了其他的所有形态。
图7是基于VPI仿真软件搭建的光纤信号传输框架。
图8(a)是不同网络模型对损伤监测性能的比较分析,(b)是四个网络模型在具体监测指标上的估计误差分析。
图9(a)OSNR监测拟合曲线(b)CD监测拟合曲线(c)DGD监测拟合曲线(d)CD监测误差随取值范围变化曲线(e)OSNR监测误差随取值范围变化曲线(f)DGD监测误差随取值范围变化曲线。
图10为不同网络模型对速率/格式的分类性能影响。每张图中红线(圆点)代表调制格式的分类性能曲线,黑色(方块)代表速率分类曲线。当特征融合的越多,网络达到最优性能所花费的训练轮数就越长,同时我们发现识别速率总是要比识别调制格式更加的困难。
图11为特征拼接的尺寸大小对光性能监测性能的影响。我们发现当拼接的特征大小为8x8x256大小时,网络的性能最优。
图12为收发机老化以及光纤非线性效应对误差的影响曲线示意图。
图13为图(a)收发机老化对分类性能的影响,图(b)光纤非线性效应对分类性能的影响对比图。
具体实施方式
下面结合附图对本发明的技术方案进行进一步的详细描述。
本发明一种基于特征融合多任务卷积网络光性能检测方法,所述检测方法具体包括以下步骤:
S1)在仿真平台上搭建光纤通信系统,在光信号传输过程中添加不同的光性能损伤参数;
S2)对S1)的光信号进行采样并转化为二维散点图,并按照比例划分训练集和测试集;
S3)搭建基于特征融合的多任务卷积神经网络模型,以二维散点图作为输入对特征融合的多任务卷积神经网络模型进行训练;
S4)将S2)得到训练集作为特征融合的多任务卷积神经网络模型的输入数据,进行优化,得到优化后的特征融合的多任务卷积神经网络模型;
S5)将S2)得到测试集作为优化后的特征融合的多任务卷积神经网络模型的网络输入,即得到测试结果。
所述S1)中的仿真平台为VPI仿真平台;
光性能损伤参数为:
色散CD:其取值范围为[0,450],步长为50;
偏振模色散DGD,其取值范围为[0,10],步长为1;
光信噪比OSNR,其取值范围为[10,28],步长为2。
所述S1)中所述光信号的调制格式为QPSK、16QAM和64QAM;速率为60Gbps和100Gbps。
所述S2)的具体步骤为:S2.1)每种类型的按照信号在不同损伤参数的组合下各收集至少1100次,总共得到至少6600个样本数据;
S2.2)利用异步单通道采样方法,将S2.1)采集的至少6600个样本数据转换为二维散点图。
S2.3)每张散点图的标签是三种光损伤参数以及速率和格式的类别,以5:1的比例划分为训练集和测试集,如图2所示。
所述S3)的具体步骤为:
S3.1)以由8个卷积赤化层作为整个网络的骨架;
S3.2)选取第三层、第六层和第八层的输出抽取出来,在特征融合层进行特征图的拼接操作,得到拼接一体的特征;
S3.3)然后基于拼接的特征,构建多任务输出网络,即为基于特征融合的多任务卷积神经网络模型,如图3-图5所示;
S3.4)再将S2)得到的二维散点图作为基于特征融合的多任务卷积神经网络模型的输入,对模型进行训练,得到训练后的基于特征融合的多任务卷积神经网络模型。
所述S4)的具体步骤为:
S4.1)将S2)得到的训练集作为训练后的基于特征融合的多任务卷积神经网络模型输入,
S4.2)以对应的光性能损伤值和速率类别以及调制格式类别作为标签值,使用梯度下降算法进行监督学习,完成基于特征融合的多任务卷积神经网络模型的优化。
一种实现上述的基于特征融合多任务卷积网络光性能检测方法的信息处理终端。
一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的一种基于特征融合多任务卷积网络光性能检测方法。
一种基于特征融合多任务卷积网络光性能检测系统,该系统包括:仿真平台、光性能监测模块、速率/调制格式识别模块、转换模块和数据分析处理模块;
其中,所述仿真平台,用于搭建系统,并在光信号传输过程中添加不同的光性能损伤参数;
所述光性能监测模块,用于对光网络的光信号的性能参数,光信噪比OSNR、偏振模色散DGD、以及色散CD进行数值监测;
所述速率/调制格式识别模块,用于对光信号的速率属性,以及调制格式属性进行分类识别;
所述转化模块,用于将得到的携带特征的光信号数据转换为二维散点图;
所述数据分析处理模块,用于对光信号传输过程中的光性能损伤参数进行分析处理,并输出测试结果。
实施例:
如图7所示,首先搭建VPI仿真平台,选择60/100Gbps QPSK信号,60/100Gbps16QAM信号和60/100Gbps 64QAM共六种信号进行传输。并在传输过程中添加不同的光性能损伤参数:色散CD,其取值范围为[0,450],步长为50,偏振模色散DGD,其取值范围为[0,10],步长为1以及光信噪比OSNR,其取值范围为[10,28],步长为2。每种类型的信号在不同损伤的组合下各收集1100次,总共得到6600个样本数据。然后利用异步单通道采样方法,将6600个样本数据绘制成6600张二维散点图,其尺寸为100像素乘100像素。每张散点图以其产生时的光性能损伤参数(CD,OSNR,DGD)和速率类别以及调制格式类别作为标签进行监督学习。然后以5:1的比例分割成训练数据集和测试数据集。然后开始构建基于卷积神经网络的多任务学习模型:输入层:像素大小为100×100的散点图。第二层具有96个3×3的卷积核,产生96个98x98特征图。第三层具有96个2×2的池化子产生96个49x49特征图。第四层具有256个3x3大小的卷积子,产生256个47x47大小的特征图。第五层具有256个3x3大小的卷积子,产生256个23x23大小的特征图。第六层具有384个3x3大小的卷积子,产生384个21x21大小的特征图。第七层具有384个3x3大小的卷积子,产生384个19x19大小的特征图。第八层具有256个3x3大小的卷积子,产生256个17x17大小的特征图。这八层卷积网络一起构成了骨架网络,我们的特征在这个骨架中是逐级提取并逐级分布的,越接近输入层越包含更多的视觉信息适合用于损伤监测任务,越往后的层级其视觉信息越少适合用于分类任务等抽象概念。随后我们使用三个单独的卷积操作分别从第三层,第六层和第八层提取到大小均为8x8x256的特征图,(如图11所示)分别命名为Conv_a,Conv_b,和Conv_c.最后将提取到的特征图进行拼接操作,拼接之后的特征图使用1x1的卷积子进行降维得到大小为192x8x8的特征图。随后使用连续的两层全连接层(3072与100)进行连接,最后的多任务输出层并行输出三个任务的估计值(比特速率识别,调制格式识别,损伤参数监测)。我们把包含三个特征拼接的网络模型命名为“abc”,把只包含Conv_a与Conv_c拼接的网络命名为“ac”,把只包含Conv_b与Conv_c拼接的模型命名为“bc”,把没有拼接只包含Conv_c特征图的模型命名为“c”模型。在后续的实验中我们会对以上4个模型进行对比分析,如图8所示。假设我们有一个数据集是收集到了二维散点图集合,每张图对应的标签为其中光性能损伤的标签值,剩余的两个分别是速率识别分类和调制格式识别的标签值。我们使用线性回归方程来描述损伤监测任务的训练过程,使用逻辑回归过程来描述速率识别和调制格式识别任务。总的损伤函数可以写为:
其中参数Wim,Wbit,Wmf分别为网络中损伤监测,速率识别,调制格式识别的神经网络参数。N为训练集大小,λ1,λ2分别为速率识别任务和调制格式识别任务的比例权重。f(Xi;Wim)代表的意义是这样的:Xi代表输入卷积网络的图片,Wim代表这个卷积网络中损伤监测部分的网络权重参数,用函数f(Xi;Wim)代表当卷积网络损伤监测部分权重参数为Wim时,输入一张图片Xi之后,得到的最终输出结果。p(Yi bit|Xi;Wbit)代表的意思是这样的:Wbit代表卷积网络比特速率识别部分的网络权重参数,Xi代表输入图片,代表这张图片对应的速率标签值。p()代表求其概率,整个表达式的意思是求在当前速率识别任务网络参数下,输入一张图片,网络输出得到图片对应的标签值的概率。
p(Yi mf|Xi;Wmf)与上述意思相似,代表在当前卷积网络中格式识别部分网络权重参数的条件下,输入一张图片,最后网络输出其对应的格式分类标签值的概率。这个损失函数中,第二个减号之前的算式是损伤监测部分的损失函数,第二和第三减号之间的是比特速率识别的损失函数,第三个减号之后的部分是调制格式识别的损失函数。
最后利用训练集数据对特征融合的多任务神经网络进行训练,在训练过程中还试验研究了特征融合的程度(对应着4个网络模型)对网络整体性能的影响,参照图8-13,可以看出特征融合的程度,提取拼接特征的位置,特征图的尺寸,以及收发机老化和光纤非线性效应对网络性能的影响。
以上对本申请实施例所提供的一种基于特征融合多任务卷积网络光性能检测方法及系统,进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语,故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是,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商品或者系统不仅包括那些要素,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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求书的保护范围内。
Claims (9)
1.一种基于特征融合多任务卷积网络光性能检测方法,其特征在于,所述检测方法具体包括以下步骤:
S1)在仿真平台上搭建光纤通信系统,在光信号传输过程中添加不同的光性能损伤参数;
S2)对S1)的光信号进行采样并转化为二维散点图,并按照比例划分训练集和测试集;
S3)搭建基于特征融合的多任务卷积神经网络模型,以二维散点图作为输入对特征融合的多任务卷积神经网络模型进行训练;
S4)将S2)得到训练集作为特征融合的多任务卷积神经网络模型的输入数据,进行优化,得到优化后的特征融合的多任务卷积神经网络模型;
S5)将S2)得到测试集作为优化后的特征融合的多任务卷积神经网络模型的网络输入,即得到测试结果。
2.根据权利要求1所述的检测方法,其特征在于,所述S1)中的仿真平台为VPI仿真平台;
光性能损伤参数为:
色散CD:其取值范围为[0,450],步长为50;
偏振模色散DGD,其取值范围为[0,10],步长为1;
光信噪比OSNR,其取值范围为[10,28],步长为2。
3.根据权利要求1所述的检测方法,其特征在于,所述S1)中所述光信号的调制格式为QPSK、16QAM和64QAM;速率为60Gbps和100Gbps。
4.根据权利要求1所述的检测方法,其特征在于,所述S2)的具体步骤为:S2.1)每种类型的按照信号在不同损伤参数的组合下各收集至少1100次,总共得到至少6600个样本数据;
S2.2)利用异步单通道采样方法,将S2.1)采集的至少6600个样本数据转换为二维散点图;
S2.3)每张散点图的标签是三种光损伤参数以及速率和格式的类别,以5:1的比例划分为训练集和测试集。
5.根据权利要求1所述的检测方法,其特征在于,所述S3)的具体步骤为:
S3.1)以由8个卷积赤化层作为整个网络的骨架;
S3.2)选取第三层、第六层和第八层的输出抽取出来,在特征融合层进行特征图的拼接操作,得到拼接一体的特征;
S3.3)然后基于拼接的特征,构建多任务输出网络,即为基于特征融合的多任务卷积神经网络模型;
S3.4)再将S2)得到的二维散点图作为基于特征融合的多任务卷积神经网络模型的输入,对模型进行训练,得到训练后的基于特征融合的多任务卷积神经网络模型。
6.根据权利要求1所述的检测方法,其特征在于,所述S4)的具体步骤为:
S4.1)将S2)得到的训练集作为训练后的基于特征融合的多任务卷积神经网络模型输入,
S4.2)以对应的光性能损伤值和速率类别以及调制格式类别作为标签值,使用梯度下降算法进行监督学习,完成基于特征融合的多任务卷积神经网络模型的优化。
7.一种实现如权利要求1-6任一项所述的基于特征融合多任务卷积网络光性能检测方法的信息处理终端。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-7任意一项所述的一种基于特征融合多任务卷积网络光性能检测方法。
9.一种基于特征融合多任务卷积网络光性能检测系统,其特征在于,该系统包括:仿真平台、光性能监测模块、速率/调制格式识别模块、转换模块和数据分析处理模块;
其中,所述仿真平台,用于搭建系统,并在光信号传输过程中添加不同的光性能损伤参数;
所述光性能监测模块,用于对光网络的光信号的性能参数,光信噪比OSNR、偏振模色散DGD、以及色散CD进行数值监测;
所述速率/调制格式识别模块,用于对光信号的速率属性,以及调制格式属性进行分类识别;
所述转化模块,用于将得到的携带特征的光信号数据转换为二维散点图;
所述数据分析处理模块,用于对光信号传输过程中的光性能损伤参数进行分析处理,并输出测试结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011506401.6A CN112632855A (zh) | 2020-12-18 | 2020-12-18 | 一种基于特征融合多任务卷积网络光性能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011506401.6A CN112632855A (zh) | 2020-12-18 | 2020-12-18 | 一种基于特征融合多任务卷积网络光性能检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112632855A true CN112632855A (zh) | 2021-04-09 |
Family
ID=75317234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011506401.6A Pending CN112632855A (zh) | 2020-12-18 | 2020-12-18 | 一种基于特征融合多任务卷积网络光性能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112632855A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113452439A (zh) * | 2021-06-28 | 2021-09-28 | 聊城大学 | 一种弹性光网络中的关键参数联合监测方法 |
CN113472435A (zh) * | 2021-06-30 | 2021-10-01 | 华中科技大学 | 一种光信号调制参数和损伤因素同时提取的方法 |
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 |
CN113938211A (zh) * | 2021-09-15 | 2022-01-14 | 华中科技大学 | 一种光子全维度智能识别的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109217923A (zh) * | 2018-09-28 | 2019-01-15 | 北京科技大学 | 一种联合光性能监测和速率、调制格式识别方法及系统 |
CN110348416A (zh) * | 2019-07-17 | 2019-10-18 | 北方工业大学 | 一种基于多尺度特征融合卷积神经网络的多任务人脸识别方法 |
CN111093123A (zh) * | 2019-12-09 | 2020-05-01 | 华中科技大学 | 一种基于复合神经网络的灵活光网络时域均衡方法及系统 |
-
2020
- 2020-12-18 CN CN202011506401.6A patent/CN112632855A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109217923A (zh) * | 2018-09-28 | 2019-01-15 | 北京科技大学 | 一种联合光性能监测和速率、调制格式识别方法及系统 |
CN110348416A (zh) * | 2019-07-17 | 2019-10-18 | 北方工业大学 | 一种基于多尺度特征融合卷积神经网络的多任务人脸识别方法 |
CN111093123A (zh) * | 2019-12-09 | 2020-05-01 | 华中科技大学 | 一种基于复合神经网络的灵活光网络时域均衡方法及系统 |
Non-Patent Citations (1)
Title |
---|
XIAOJIE FAN 等: "Feature Fusion-Based Multi-Task ConvNet for Simultaneous Optical Performance Monitoring and Bit-Rate/Modulation Format Identification", 《IEEE ACCESS》, vol. 7, pages 126709, XP011746406, DOI: 10.1109/ACCESS.2019.2939043 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113452439A (zh) * | 2021-06-28 | 2021-09-28 | 聊城大学 | 一种弹性光网络中的关键参数联合监测方法 |
CN113452439B (zh) * | 2021-06-28 | 2022-07-01 | 聊城大学 | 一种弹性光网络中的关键参数联合监测方法 |
CN113472435A (zh) * | 2021-06-30 | 2021-10-01 | 华中科技大学 | 一种光信号调制参数和损伤因素同时提取的方法 |
CN113938211A (zh) * | 2021-09-15 | 2022-01-14 | 华中科技大学 | 一种光子全维度智能识别的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632855A (zh) | 一种基于特征融合多任务卷积网络光性能检测方法及系统 | |
CN109727246B (zh) | 一种基于孪生网络的对比学习图像质量评估方法 | |
CN102081734B (zh) | 对象检测装置及其学习装置 | |
CN111832443B (zh) | 一种施工违规行为检测模型的构建方法及其应用 | |
CN110569752A (zh) | 基于卷积神经网络的雷达信号类别确定方法 | |
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 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN112188306B (zh) | 一种标签生成方法、装置、设备及存储介质 | |
CN115761409A (zh) | 一种基于深度学习的火情检测方法、装置、设备和介质 | |
CN114510960A (zh) | 一种分布式光纤传感器系统模式识别的方法 | |
CN114708518A (zh) | 基于半监督学习与先验知识嵌入策略的螺栓缺陷检测方法 | |
Fan et al. | Fast signal quality monitoring for coherent communications enabled by CNN-based EVM estimation | |
CN111402113A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN112115957A (zh) | 数据流识别方法及装置、计算机存储介质 | |
CN113221721A (zh) | 图像识别方法、装置、设备及介质 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
CN112183678A (zh) | 判图方法和系统 | |
CN115620083B (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN111709936A (zh) | 一种基于多级特征比对的令纸缺陷检测方法 | |
CN116797789A (zh) | 一种基于注意力架构的场景语义分割方法 | |
CN113963167B (zh) | 应用于目标检测的方法、装置及计算机程序产品 | |
CN116016071A (zh) | 一种基于双流融合CNN-BiLSTM网络的调制信号识别方法 | |
CN115272819A (zh) | 一种基于改进Faster-RCNN的小目标检测方法 | |
CN106530199B (zh) | 基于窗口式假设检验的多媒体综合隐写分析方法 |
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 |