CN113626960A - 一种抗模式耦合少模信号复杂格式解析方法及装置 - Google Patents

一种抗模式耦合少模信号复杂格式解析方法及装置 Download PDF

Info

Publication number
CN113626960A
CN113626960A CN202110863514.XA CN202110863514A CN113626960A CN 113626960 A CN113626960 A CN 113626960A CN 202110863514 A CN202110863514 A CN 202110863514A CN 113626960 A CN113626960 A CN 113626960A
Authority
CN
China
Prior art keywords
data
domain
mode
network model
training
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.)
Granted
Application number
CN202110863514.XA
Other languages
English (en)
Other versions
CN113626960B (zh
Inventor
朱筱嵘
刘博�
毛雅亚
朱旭
李明烨
雷思亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110863514.XA priority Critical patent/CN113626960B/zh
Publication of CN113626960A publication Critical patent/CN113626960A/zh
Application granted granted Critical
Publication of CN113626960B publication Critical patent/CN113626960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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
    • H04B10/60—Receivers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Electromagnetism (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Optical Communication System (AREA)

Abstract

本发明公开一种抗模式耦合少模信号复杂格式解析方法及装置，针对基于少模光纤的弹性光网络调制格式识别效果差、训练成本高问题，通过领域自适应理论，把波分复用技术作为源域，把模分复用技术当作目标域。将受激拉曼散射效应类比于模式耦合效应，让神经网络学习到能量迁移的规律。相对比于重新训练的网络模型，该方法可以仅需要少量的少模数据就可以实现少模信号的调制格式识别，显著降低神经网络的训练成本，加快网络模型的收敛速度，减少模型训练时间与计算复杂度。同时，借助迁移学习的理论优势，该网络具有更好的泛化能力和识别性能，可以适应少模光纤中的模式耦合对于调制格式的影响，实现少模光网络的调制格式识别任务。

Description

一种抗模式耦合少模信号复杂格式解析方法及装置
技术领域
本发明属于光通信技术领域，具体涉及一种抗模式耦合少模信号复杂格式解析方法及装置。
背景技术
近年来，信息技术和数据应用的快速发展给基于单模光纤的光传输网络带来了许多新的挑战和限制。为了适应数据中心、云服务、5G、物联网、虚拟现实等新兴业务不断增长的带宽需求，现有的光纤通信系统迫切需要一个有效的扩容方法。目前，单模光纤系统中光波的幅度、相位、时隙、偏振等大多数物理维度都已经得到了很大程度的利用。为了提高信号的频谱效率，一些高阶的调制格式也被提出。但是受限于单模光纤的非线性效应，现有的复用技术和高阶的信号调制格式无法帮助单模光纤系统突破香农极限。为了应对未来网络环境中多种业务对于网络带宽的需求，基于少模光纤的弹性光网络的研究方兴未艾。基于少模光纤的模分复用技术利用模式维度的正交性，实现并行空间维度承载信息传输。少模光纤拥有比单模光纤更大的有效面积，从而具备长距离传输扩容的潜力。因此，模分复用技术可以有效解决传统单模光纤的传输容限问题，满足不断增长的超高数据传输速率的需求。而弹性光网络具有功耗低、成本低、信号衰减程度低，信号不易失真，数据速率和频谱分配灵活等优点。基于少模光纤的弹性光网络能够高效地利用频谱资源、适应动态带宽调整、灵活调度业务占用频谱资源以及整理业务传输速率与调制格式，为未来建立灵活高效的低能耗全光网络，提供了良好的解决方法。
随着弹性光网络朝着动态化、复杂化、透明化的方向发展，为了保证网络可以提供高质量的服务并且提高网络性能的可靠性，光性能监测技术因为可以监测网络的各项物理层参数而被广泛应用；其中，信号的调制格式是其中的重要参数。为了实现弹性光网络中信号的调制格式识别任务，市面上提出了许多基于深度学习的算法。基于深度学习的算法拥有强大的拟合能力，不用牺牲频谱效率，识别准确率更高，对噪声数据的容忍度高。不过，神经网络的参数较多，训练学习的过程相对较长，若是优化方式不当容易陷入局部最优值。并且，这些算法都没有考虑到基于少模光纤的信号调制格式识别问题，因为少模光纤中存在多种传输模式。信道参数一旦改变，基于深度学习方法的神经网络要想获得较为理想的识别性能就需要重新训练，这就大大增加了训练的成本和训练的时间。同时，相比于单模光纤，少模光纤中存在模式耦合等固有的链路损伤，这些链路损伤会造成调制格式识别准确率的降低，进而影响光性能监测系统的监测性能。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种抗模式耦合少模信号复杂格式解析方法及装置，提高传输信号调制格式识别的速度及效率。
为达到上述目的，本发明是采用下述技术方法实现的：
第一方面，本发明提供了一种抗模式耦合少模信号复杂格式解析方法，包括以下步骤：
采集源域和目标域的数据样本并对收集的数据进行数据增强，得到不同调制格式信号的星座图，再对收集到的所有星座图进行归一化处理，获取训练数据；
获取源域的网络模型，并根据所述训练数据，对所述网络模型进行训练，获得训练好的网络模型；
获取接收信号的目标域的数据并进行数据增强，提取所述训练好的网络模型，并针对少模固有的链路损伤微调训练好的网络模型，获得目标网络模型，通过所述目标网络模型得到接收信号的调制格式。
进一步的，所述源域为波分复用技术，所述目标域为模分复用技术；所述源域的数据来源于波分复用系统的不同调制格式信号，所述目标域的数据由基于单芯四模光纤的模分复用系统得到。
进一步的，对网络模型进行训练的方法包括以下步骤：
通过网络迭代进行领域对抗训练，使源域和目标域的数据在特征空间上分布一致；网络训练部分整体采用端到端的网络架构进行模型训练，超参数的选择如下：
1)学习率:初始学习率设置为0.001，每训练10轮减小20％；
2)优化器:使用Adam优化器；
3)其他:批处理大小设置为64，总共训练1000轮。
进一步的，所述领域对抗训练是指对网络模型中的领域分类器和特征提取器两者训练学习；所述领域分类器用于分辨出数据来自目标域还是源域，所述特征提取器用于提取原始数据的特征且同时欺骗领域分类器数据来自哪个域；
所述领域对抗训练的方法包括以下步骤：
通过领域分类器分辨出不同的数据来自源域还是目标域以提高领域分类器的性能；
在性能提升的领域分类器的情况下，对抗训练特征提取器的特征提取能力；
对于提升特征提取能力后的特征提取器，将其与领域分类器进一步对抗训练，以最终达到收敛。
进一步的，进行分类的方法采用分类器进行分类，所述领域分类器包括3个全连接层和1个Sigmoid激活层，输出当前输入数据属于源域与目标域的分类概率值。
进一步的，所述网络模型采用简化版的残差网络结构，包括1个普通卷积层，3个残差连接层，2个转录块和2个注意力层。
进一步的，所述普通卷积层对初始的输入数据进行压缩处理，使用的卷积核大小为5，步长为2；
所述残差连接层的卷积核的大小设置为3，采用ReLu作为激活函数，通过Stride实现数据的降维；
注意力层采用多头注意力机制。
进一步的，所述转录块包括批标准化层、ReLu激活层、卷积层和池化层；所述卷积层选取大小为1的卷积核以减少特征维度，且每个转录块之后接上一个Dropout层，其drop_rate设置为0.2。
第二方面，本发明提供了一种抗模式耦合少模信号复杂格式解析装置，所述装置包括：
数据生成模块：用于采集源域和目标域的数据样本并对收集的数据进行数据增强，得到不同调制格式信号的星座图，再对收集到的所有星座图进行归一化处理，获取训练数据；
网络训练模块：用于获取源域的网络模型，并根据所述训练数据，对所述网络模型进行训练，获得训练好的网络模型；
判别预测模块：用于获取接收信号的目标域的数据并进行数据增强，提取所述训练好的网络模型，并针对少模固有的链路损伤微调训练好的网络模型，获得目标网络模型，通过所述目标网络模型得到接收信号的调制格式。
第三方面，本发明提供抗模式耦合少模信号复杂格式解析装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
1、本发明利用迁移学习中的领域自适应技术，将波分复用中受激拉曼散射效应迁移到模分复用的模式耦合效应中，借助神经网络强大的拟合能力消除模分复用信号之间的串扰。相对比于重新训练的网络模型，该方法可以仅需要少量的少模数据就可以实现少模信号的调制格式识别，显著降低神经网络的训练成本，加快网络模型的收敛速度，减少模型训练时间与计算复杂度。
2、本发明将波分复用系统中的受激拉曼散射效应类比模分复用系统中的模式耦合效应，二者都是传输过程中不同信道上的信号产生的能量迁移现象，本发明专利通过领域对抗训练，缩小不同领域之间的特征差异，使得原有的基于波分复用系统的网络模型能够在存在模式耦合的少模光纤中执行信号调制格式识别任务。
3、本发明借助迁移学习的理论优势，该网络具有更好的泛化能力和识别性能，可以适应少模光纤中的模式耦合对于调制格式的影响，实现少模光网络的调制格式识别任务。
附图说明
图1是本发明的抗模式耦合少模信号复杂格式解析方法流程图；
图2是本发明的领域自适应方案结构图；
图3是本发明的神经网络模型结构图；
图4是本发明的残差连接层结构图；
图5是本发明的抗模式耦合少模信号复杂格式解析系统框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方法，而不能以此来限制本发明的保护范围。
实施例一：
本实施例提供一种基于领域自适应的抗模式耦合少模信号复杂格式解析方法。
针对基于少模光纤的弹性光网络调制格式识别效果差、数据集制作复杂等问题，本发明以不同调制格式信号的星座图为分类特征，提出基于领域自适应的抗模式耦合少模信号复杂格式解析方法。如图1所示，该方法具体实施主要分为数据生成、网络训练、判别预测三个部分。
在数据生成部分，本发明专利分别采集源域和目标域的数据样本并对收集数据进行数据增强，得到不同调制格式信号的星座图。其中，源域的数据来源于波分复用系统的不同调制格式信号，目标域的数据由基于单芯四模光纤的模分复用系统得到。再对收集到的所有星座图进行归一化的预处理过程。
在网络训练部分，本发明专利采用领域对抗训练的方式，主要分为三个阶段。第一阶段，需要分辨出不同的数据来自源域还是目标域；第二阶段，需要对特征空间的源域数据进行分类，尽可能分出正确的标签；第三阶段，对特征空间的数据进行领域分类，从而领域分类器与特征提取器进行对抗学习最终达到收敛。
网络模型中的对抗训练是指队领域分类器和特征提取器两者训练学习的过程。分辨是指领域分类器分辨出数据来自目标域还是源域，特征提取器提取原始数据的特征以欺骗领域分类器数据来自哪个域。两者对抗学习，逐渐提高性能。
第一阶段是为了初始化领域分类器的参数；
第二阶段是基于具有一定领域判别能力的领域分类器，对抗训练特征提取器的特征提取能力；
第三阶段是对于具有特征提取能力的特征提取器，将其与领域分类器进一步对抗训练，以最终达到收敛。
通过网络迭代训练，最终希望源域和目标域的数据在特征空间上分布一致。经过以上的对抗训练，当特征提取器以及领域判别器的训练达到收敛，特征提取器具有提取不同领域中共性的特征，因此可以使得在特征空间中来自不同域的数据分布一致。
网络训练部分整体采用端到端的网络架构进行模型训练，超参数的选择如下:
1)学习率:初始学习率设置为0.001，每训练10轮减小20％；
2)优化器:使用Adam优化器；
3)其他:批处理大小设置为64，与显卡存储有关；总共训练1000轮。
具体采用3个全连接层和1个Sigmoid激活层，最后输出当前输入数据属于源域与目标域的分类概率值。普通分类器的目的仅仅是为了正确区分数据类别，本发明采用对抗学习让分类器无法正确区分数据来自于哪个数据域，即降低数据域之间的可分性使得来自于两个数据域的数据在特征空间尽可能接近。为了统一网络优化，本发明修改了分类器梯度的传播，通过对交叉嫡损失函数简单取反操作来实现数据域在特征空间的反向分类优化，具体公式如下:
Figure BDA0003186545180000081
其中，L表示交叉熵损失函数，N表示样本个数，yi表示第i个样本的数据标签，pi表示第i个样本输出为yi的概率。
在判别预测阶段，本发明专利先对少量目标域的数据进行数据增强，提高网络模型的泛化能力，防止过拟合。接着，只需要提取预训练好的网络模型，再针对少模固有的链路损伤微调训练好的网络模型即可通过该模型得到接收信号的调制格式。
本发明的网络模型是抗模式耦合神经网络模型结构模型，其具体结构如图2所示。
本发明方法所使用的基于领域自适应的抗模式耦合神经网络模型结构如图2所示，将波分复用系统中的受激拉曼散射效应类比模分复用系统中的模式耦合效应。二者都是传输过程中不同信道上的信号产生的能量迁移现象。本发明专利通过领域对抗训练，缩小不同领域之间的特征差异，使得原有的基于波分复用系统的网络模型能够在存在模式耦合的少模光纤中执行信号调制格式识别任务。
在神经网络模型的具体网络层级结构部分，本发明方法中设计了一种结合注意力机制的多层卷积神经网络，具体如图三所示。卷积神经网络整体采用简化版的残差网络结构，具体包括1个普通卷积层(Conv)，3个残差连接块(Residual_block)，2个转录块(Translation_block)和2个注意力层(Self_attention)。Data1和Data2分别表示源域和目标域的数据。BN表示批标准化，用于防止模型过拟合。
图3为本发明的神经网络模型结构图。其中，普通卷积层对初始的输入数据进行压缩处理，使用的卷积核大小为5，步长为2。残差连接层的基本单元结构如图4所示，卷积核的大小设置为3，采用ReLu作为激活函数，取消池化层，通过Stride实现数据的降维。
图4为本发明的残差连接层结构图。转录块的基本单元结构为批标准化层、ReLu激活层、卷积层和池化层。本发明专利选取大小为1的卷积核以减少特征维度。同时，为了防止模型过拟合，本发明专利在每个转录块之后接上一个Dropout层，drop_rate设置为0.2。在注意力层，本发明专利采用多头注意力机制，从不同维度进一步挖掘不同领域的数据特征之间的内在关系，从而实现从适用于波分复用的神经网络模型迁移到适用于少模光网络的神经网络模型。
本发明专利所述的基于领域自适应的抗模式耦合少模信号复杂格式解析系统模型如图5所示。在基于少模光纤的弹性光网络的发射端，发射机Tx1、Tx2、Tx3、Tx4分别将调制好的信号通过模式复用器加载在LP01、LP11a、LP11b、LP21四个模式上，并经过少模光纤进行信号的传输。光通信网络系统会在发射端根据用户的需求和信道的状况，动态地改变传输信号的调制格式、码元速率等各项参数，达到合理配置系统资源的效果。在少模光纤传输的过程中，不同的传输模式会产生随机耦合，造成能量迁移的现象。在模分复用通信系统的接收端，模式解复用器将光束解成LP01、LP11a、LP11b、LP21四个模式，复用器和解复用器由于能量转换的不彻底也会引入模式耦合。此时接收机接收到的信号就会因模式耦合而影响传输性能。
接收端需要利用数字信号处理(DSP)单元对信号进行相应的补偿、均衡等算法处理。DSP会先执行和调制格式无关的算法，如时钟恢复、色散补偿等。接着，按照本发明所提出的方法，加载已经预训练过的适用于少模光纤的神经网络模型，通过领域对抗训练的方式缩小不同领域之间的差异，使得该网络模型对于少模光纤不同模式的信号调制格式具有极佳的识别能力。得到信号的调制格式之后，后续就可以根据不同的调制格式，选择不同的算法对信号进行自适应均衡、频率偏移恢复、载波相位恢复等一系列信号处理。
实施例二：
本实施例提供一种抗模式耦合少模信号复杂格式解析装置，所述装置包括：
数据生成模块：用于采集源域和目标域的数据样本并对收集的数据进行数据增强，得到不同调制格式信号的星座图，再对收集到的所有星座图进行归一化处理，获取训练数据；
网络训练模块：用于获取源域的网络模型，并根据所述训练数据，对所述网络模型进行训练，获得训练好的网络模型；
判别预测模块：用于获取接收信号的目标域的数据并进行数据增强，提取所述训练好的网络模型，并针对少模固有的链路损伤微调训练好的网络模型，获得目标网络模型，通过所述目标网络模型得到接收信号的调制格式。
实施例三：
本发明实施例还提供了一种抗模式耦合少模信号复杂格式解析装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
采集源域和目标域的数据样本并对收集的数据进行数据增强，得到不同调制格式信号的星座图，再对收集到的所有星座图进行归一化处理，获取训练数据；
获取源域的网络模型，并根据所述训练数据，对所述网络模型进行训练，获得训练好的网络模型；
获取接收信号的目标域的数据并进行数据增强，提取所述训练好的网络模型，并针对少模固有的链路损伤微调训练好的网络模型，获得目标网络模型，通过所述目标网络模型得到接收信号的调制格式。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种抗模式耦合少模信号复杂格式解析方法，其特征在于，包括以下步骤：
采集源域和目标域的数据样本并对收集的数据进行数据增强，得到不同调制格式信号的星座图，再对收集到的所有星座图进行归一化处理，获取训练数据；
获取源域的网络模型，并根据所述训练数据，对所述网络模型进行训练，获得训练好的网络模型；
获取接收信号的目标域的数据并进行数据增强，提取所述训练好的网络模型，并针对少模固有的链路损伤微调训练好的网络模型，获得目标网络模型，通过所述目标网络模型得到接收信号的调制格式。
2.根据权利要求1所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，所述源域为波分复用技术，所述目标域为模分复用技术；所述源域的数据来源于波分复用系统的不同调制格式信号，所述目标域的数据由基于单芯四模光纤的模分复用系统得到。
3.根据权利要求2所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，对网络模型进行训练的方法包括以下步骤：
通过网络迭代进行领域对抗训练，使源域和目标域的数据在特征空间上分布一致；网络训练部分整体采用端到端的网络架构进行模型训练，超参数的选择如下：
1)学习率:初始学习率设置为0.001，每训练10轮减小20％；
2)优化器:使用Adam优化器；
3)其他:批处理大小设置为64，总共训练1000轮。
4.根据权利要求3所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，所述领域对抗训练是指对网络模型中的领域分类器和特征提取器两者训练学习；所述领域分类器用于分辨出数据来自目标域还是源域，所述特征提取器用于提取原始数据的特征且同时欺骗领域分类器数据来自哪个域；
所述领域对抗训练的方法包括以下步骤：
通过领域分类器分辨出不同的数据来自源域还是目标域以提高领域分类器的性能；
在性能提升的领域分类器的情况下，对抗训练特征提取器的特征提取能力；
对于提升特征提取能力后的特征提取器，将其与领域分类器进一步对抗训练，以最终达到收敛。
5.根据权利要求4所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，所述领域分类器包括3个全连接层和1个Sigmoid激活层，输出当前输入数据属于源域与目标域的分类概率值。
6.根据权利要求1所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，所述网络模型采用简化版的残差网络结构，包括1个普通卷积层，3个残差连接层，2个转录块和2个注意力层。
7.根据权利要求6所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，所述普通卷积层对初始的输入数据进行压缩处理，使用的卷积核大小为5，步长为2；
所述残差连接层的卷积核的大小设置为3，采用ReLu作为激活函数，通过Stride实现数据的降维；
注意力层采用多头注意力机制。
8.根据权利要求7所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，所述转录块包括批标准化层、ReLu激活层、卷积层和池化层；所述卷积层选取大小为1的卷积核以减少特征维度，且每个转录块之后接上一个Dropout层，其drop_rate设置为0.2。
9.一种抗模式耦合少模信号复杂格式解析装置，其特征在于，所述装置包括：
数据生成模块：用于采集源域和目标域的数据样本并对收集的数据进行数据增强，得到不同调制格式信号的星座图，再对收集到的所有星座图进行归一化处理，获取训练数据；
网络训练模块：用于获取源域的网络模型，并根据所述训练数据，对所述网络模型进行训练，获得训练好的网络模型；
判别预测模块：用于获取接收信号的目标域的数据并进行数据增强，提取所述训练好的网络模型，并针对少模固有的链路损伤微调训练好的网络模型，获得目标网络模型，通过所述目标网络模型得到接收信号的调制格式。
10.一种抗模式耦合少模信号复杂格式解析装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～8任一项所述方法的步骤。
CN202110863514.XA 2021-07-29 2021-07-29 一种抗模式耦合少模信号复杂格式解析方法及装置 Active CN113626960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110863514.XA CN113626960B (zh) 2021-07-29 2021-07-29 一种抗模式耦合少模信号复杂格式解析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110863514.XA CN113626960B (zh) 2021-07-29 2021-07-29 一种抗模式耦合少模信号复杂格式解析方法及装置

Publications (2)

Publication Number Publication Date
CN113626960A true CN113626960A (zh) 2021-11-09
CN113626960B CN113626960B (zh) 2022-06-14

Family

ID=78381586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110863514.XA Active CN113626960B (zh) 2021-07-29 2021-07-29 一种抗模式耦合少模信号复杂格式解析方法及装置

Country Status (1)

Country Link
CN (1) CN113626960B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114513394A (zh) * 2022-01-13 2022-05-17 南京信息工程大学 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质
CN114553650A (zh) * 2022-04-27 2022-05-27 南京信息工程大学 基于多层级神经网络的抗模式耦合信号复杂格式解析方法
CN114598582A (zh) * 2022-02-17 2022-06-07 南京信息工程大学 一种基于迁移学习的超高阶信号调制格式快速识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180198520A1 (en) * 2016-01-18 2018-07-12 Qoscience, Inc. Method and apparatus for the detection of distortion or corruption of cellular communication signals
CN109890043A (zh) * 2019-02-28 2019-06-14 浙江工业大学 一种基于生成式对抗网络的无线信号降噪方法
CN110535803A (zh) * 2019-09-03 2019-12-03 西南交通大学 一种无源光网络上行传输接收端解调方法
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
CN112380939A (zh) * 2020-11-05 2021-02-19 浙江工业大学 一种基于生成对抗网络的深度学习信号增强方法
CN112953871A (zh) * 2021-02-23 2021-06-11 北京邮电大学 一种基于神经网络的信号调制格式识别新方法
CN113052267A (zh) * 2021-04-28 2021-06-29 电子科技大学 基于生成对抗网络的无监督发射器相位噪声参数提取方法
CN113050042A (zh) * 2021-04-15 2021-06-29 中国人民解放军空军航空大学 基于改进UNet3+网络的雷达信号调制类型识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180198520A1 (en) * 2016-01-18 2018-07-12 Qoscience, Inc. Method and apparatus for the detection of distortion or corruption of cellular communication signals
CN108886374A (zh) * 2016-01-18 2018-11-23 唯亚威解决方案股份有限公司 用于检测蜂窝通信信号的失真或变形的方法和设备
CN109890043A (zh) * 2019-02-28 2019-06-14 浙江工业大学 一种基于生成式对抗网络的无线信号降噪方法
CN110535803A (zh) * 2019-09-03 2019-12-03 西南交通大学 一种无源光网络上行传输接收端解调方法
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
CN112380939A (zh) * 2020-11-05 2021-02-19 浙江工业大学 一种基于生成对抗网络的深度学习信号增强方法
CN112953871A (zh) * 2021-02-23 2021-06-11 北京邮电大学 一种基于神经网络的信号调制格式识别新方法
CN113050042A (zh) * 2021-04-15 2021-06-29 中国人民解放军空军航空大学 基于改进UNet3+网络的雷达信号调制类型识别方法
CN113052267A (zh) * 2021-04-28 2021-06-29 电子科技大学 基于生成对抗网络的无监督发射器相位噪声参数提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GODWIN BROWN TUNZE: "《Sparsely Connected CNN for Efficient Automatic Modulation Recognition》", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》, 4 December 2020 (2020-12-04) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114513394A (zh) * 2022-01-13 2022-05-17 南京信息工程大学 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质
CN114513394B (zh) * 2022-01-13 2023-12-05 南京信息工程大学 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质
CN114598582A (zh) * 2022-02-17 2022-06-07 南京信息工程大学 一种基于迁移学习的超高阶信号调制格式快速识别方法
CN114553650A (zh) * 2022-04-27 2022-05-27 南京信息工程大学 基于多层级神经网络的抗模式耦合信号复杂格式解析方法
CN114553650B (zh) * 2022-04-27 2022-07-29 南京信息工程大学 基于多层级神经网络的抗模式耦合信号复杂格式解析方法

Also Published As

Publication number Publication date
CN113626960B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN113626960B (zh) 一种抗模式耦合少模信号复杂格式解析方法及装置
Saif et al. Machine learning techniques for optical performance monitoring and modulation format identification: A survey
Fan et al. Joint optical performance monitoring and modulation format/bit-rate identification by CNN-based multi-task learning
US11133865B2 (en) Optical network performance evaluation using a hybrid neural network
US10887009B2 (en) G-OSNR estimation on dynamic PS-QAM channels using hybrid neural networks
CN114598582A (zh) 一种基于迁移学习的超高阶信号调制格式快速识别方法
CN109450573B (zh) 一种基于深度神经网络的频谱感知方法
CN113364519B (zh) 一种光性能监测方法、装置、电子设备以及存储介质
Dong et al. Edge semantic cognitive intelligence for 6G networks: Novel theoretical models, enabling framework, and typical applications
CN114513394B (zh) 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质
Zhang et al. Transformer-based long distance fiber channel modeling for optical OFDM systems
Zhu et al. Optical performance monitoring via domain adversarial adaptation in few-mode fiber
CN112613538A (zh) 一种基于加权主成分分析的非线性均衡方法
CN114598581B (zh) 概率整形信号的双阶段检测模型训练方法、识别方法及装置
Kruse et al. Experimental investigation of machine-learning-based soft-failure management using the optical spectrum
CN117155437A (zh) 一种无线数据传输波束设计方法、设备及存储介质
Sun et al. Digital residual spectrum-based generalized soft failure detection and identification in optical networks
CN114553650B (zh) 基于多层级神经网络的抗模式耦合信号复杂格式解析方法
Prakash et al. Improved BER performance using novel ELM based demodulator for CAP-VLC system
Yang et al. A cost-effective joint multi-parameter optical performance monitoring scheme for high baud rate mode division multiplexing system
Yang et al. Intelligent joint multi-parameter optical performance monitoring scheme based on HT images and MT-ResNet for elastic optical network
Cao et al. Multi-task optical performance monitoring using a transfer learning assisted cascaded deep neural network in WDM systems
Hao et al. Modulation Format Identification Based on Multi-Dimensional Amplitude Features for Elastic Optical Networks
CN113890622B (zh) 一种基于图神经网络的长距离无源光网络解调方法
Dong et al. Edge Semantic Cognitive Intelligence for 6G Networks: Models, Framework, and Applications.

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