[发明专利]基于机器学习的智能频谱图分析方法

权利要求书

1.一种基于机器学习的智能频谱图分析方法，其特征在于，所述的方法包括以下步骤：步骤一、获取所需分析的频谱数据；步骤二：训练映射网络；步骤三：所需分析的频谱图数据输入到训练好的的映射网络中进行特征提取和性能分析；步骤四：输出分析结果。

2.根据权利要求1所述的基于机器学习的智能频谱图分析方法，其特征在于，所述的频谱数据训练集的获取步骤一中，其获取方法包括：

通过频域测量模块将信号生成所需分析的不同情况下的频谱的数据。

频谱训练集的每组数据包括不同情况下的频谱的数据及其相应所需分析性能的不同指标参数

3.根据权利要求1所述的基于机器学习的智能频谱图分析方法，其特征在于，所述的频谱处理步骤二中，将所述的步骤一中所述的频域数据训练集输入到建立好的映射结构中，通过多次迭代，映射网络自动从频谱数据中学习所需分析的多种性能特征。

4.根据权利要求1所述的基于机器学习的智能频谱图分析方法，其特征在于，所述的频谱数据的特征提取和性能分析步骤三中，将所需分析的测试集的数据输入所述训练好的映射网络中，通过其以往的学习经验对当前输入的频谱数据进行特定的性能分析。

5.根据权利要求1所述的基于机器学习的智能频谱图分析方法，其特征在于，所述的频谱数据的特征提取和性能分析步骤四中，由所述的映射网络输出的信息包含所需分析的多种性能，可以从输出信息中得到不同性能的分析结果。

6.根据权利要求1所述的基于机器学习的智能频谱图分析方法，其特征在于，所述的训练集和测试集均是数据组成的矩阵。

7.根据权利要求3所述的基于机器学习的智能频谱图分析方法，其特征在于所述的映射网络的建立可由机器学习算法，包括决策树、人工神经网络(ANN)、K近邻算法(KNN)和支持向量机(SVM)等算法来建立。

8.根据权利要求4所述的基于机器学习的智能频谱图分析方法，其特征在于，所述的从频谱数据提取的性能信息为调制格式(MF)、中心波长，带宽和光信噪比(OSNR)。

9.根据权利要求1所述的基于机器学习的智能频谱图分析方法，其特征在于，提出的方法将作为光谱仪，光性能检测器(OPM)等可以将信号从时域转换为频域得到光谱数据的设备的频谱分析模块，进而嵌入到测试仪器中进行智能信号分析和光学性能监测。