[发明专利]基于卷积神经网络的深度学习智能星座图分析方法

说明书

本发明公开了一种基于卷积神经网络的深度学习智能星座图分析方法，涉及光通信技术领域，其中通过搭建并训练卷积神经网络模块对星座图进行性能分析，包括以下步骤：获取星座图训练数据集；对星座图进行预处理；训练CNN模块进行特征提取；将所需分析的星座图经预处理后输入训练完成的CNN模块进行模式识别和性能分析；输出分析结果。本发明将基于卷积神经网络的深度学习技术应用到星座图分析中，解决了传统星座图性能分析中无法直接处理原始数据、需进行人工干预的问题，利用CNN实现了星座图原始图像信息分析的智能化和自动化，可以作为示波器的星座图软件处理模块及仿真软件的星座图分析模块，进而嵌入到测试仪器中进行智能信号分析和性能监测。

技术领域

本发明涉及光通信技术领域，尤其涉及一种基于卷积神经网络的深度学习智能星座图分析方法。

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GoogleDeepMind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。然而据我们所知，在光通信系统领域却几乎没有基于深度学习的研究工作。

同时，在光通信领域中，测量光信号质量是光通信中最重要的任务之一。一般来说，在强度调制直接检测(IM-DD)系统中，眼图作为常用的分析对象，其定性地反映了所有损伤对信号质量的影响，特别是对于开关键控(OOK)和脉冲幅度调制(PAM)。然而近年来，随着相干光通信系统和先进的调制格式如M进制相移键控(PSK)和正交幅度调制(QAM)不断的发展，由于眼图缺少相位信息，使用它来进行性能分析不再能得到很好的效果。而星座图可以同时显示幅度和相位信息，并且能够全面度量PSK和QAM信号的多种性能。通过对星座图的观察，可以从中识别调制格式、估计光信噪比(OSNR)、计算误差矢量幅度(EVM)，并且可以对各种损伤进行分析。然而，传统的星座图分析方法在很大程度上取决于很高的专业知识，仅适用于经验丰富的工程师。同时，手动操作只能做定性估计，难以获得准确的结果。此外，传统的统计方法需要获取每个星座点的信息，这意味着需要收集所有的同相分量和正交分量的数据，过程耗时，不适用于实时测试系统。因此，预期的星座图分析方法仍然希望能够采用更先进的技术来进行智能分析，无需人工干预，做到精确测量，无需数据统计即时处理，真正实现性能分析的智能化和自动化。

发明内容

本发明的目的在于将深度学习技术应用到光通信领域，提供一种智能、可靠的基于卷积神经网络的深度学习智能星座图分析方法，解决传统星座图性能分析中无法直接处理原始数据、需进行人工干预的弊端，实现了对星座图原始图像进行性能分析的智能化和自动化。