[发明专利]一种基于卷积神经网络的信号调制码型识别方法

说明书

本发明公开了一种基于卷积神经网络的信号调制码型识别方法，首先获取三种调制码型的眼图图像，对眼图数据进行降采样和灰度化的预处理，得到眼图训练数据；其次构建用于信号调制码型识别的卷积神经网络，该网络含有九个抽象层，以随机打乱正则化层为核心；然后利用预处理后的眼图训练数据对卷积神经网络进行训练；最后将待识别的信号调制码型输入训练好的卷积神经网络，根据输出的线性数据实现对三种信号调制码型的分类。本发明通过多核卷积和随机打乱正则化层的应用，有效避免了过拟合现象的出现，在训练数据较少情况下，仍然能够达到很高的信号调制码型识别准确率；减少了收集和预处理眼图训练数据的时间成本，更适合于码型识别方面的应用。

技术领域

本发明涉及弹性光网络中的信号调制方式识别领域，尤其涉及一种基于卷积神经网络的信号调制码型识别方法。

背景技术

随着光网络的系统容量不断增加，网络拓扑结构和多链路通信的复杂化，系统更加复杂和透明，在高速传输网络中，光信号更容易受到各种损耗的影响，使信号产生畸变，误码率上升。为了应对这一问题，在弹性光网络中，数字接收机需要对信号的调制码型实时监测，以匹配最适合的数字信号处理算法。

在码型识别方面，不仅仅局限于光通信领域，传统的方法是基于统计学思想的数字信号处理算法，有以下几种技术：

1、K均值算法；

2、变分贝叶斯期望最大化算法；

3、峰均功率比评估算法；

4、信号累积量算法。

这类算法有着明显的缺点，一方面，识别准确率很难达到100％，且高准确率需要依靠庞大的数据基础；另一方面，算法模型普适性较差，在新的系统环境中通常需要重新采集数据建立模型。

在码型识别方面，较为先进的方法是基于机器学习算法的信号调制码型识别，可以分为两大类：

1、基于相干光通信系统的信号调制码型识别方法；

2、基于非相干光通信系统的信号调制码型识别方法。

其中，可被使用的机器学习算法有：

1、决策树；

2、K最临近结点算法(KNN)；

3、人工神经网络(ANN)；

4、支持向量机(SVM)；

5、卷积神经网络(CNN)。

在相干光通信系统下，一些信号特征信息首先要经过相干解调才能够获得，比如信号的星座图，以及根据星座图上各点距坐标中心的距离参数，计算和排布得到的异步幅度直方图。通过使用异步幅度直方图作为待识别信号的特征信息，并且结合机器学习算法，如人工神经网络，支持向量机算法进行数字信号处理可以实现对信号调制码型的分类。

在非相干光通信系统下，不通过相干解调，而是直接获取信号特征信息数据作为算法的训练资源，如信号眼图。它的优点是明显的，一方面，基于非相干系统，可以从接收到的原始的光信号直接得到眼图，不依赖于对接收信号的相干解调，减小了数字接收机系统的整体复杂度和花费的人工成本；另一方面，不需要获取眼图中的具体参数和比特数据，因此可以通过降采样等方式，减小每张眼图的总像素量，进一步提高卷积神经网络训练速度。

目前国际上先进技术采用了非相干系统下的码型识别方法，但是这种方法的缺点是仍然要依托于大量的训练样本数据才能达到较为理想的准确率，如果要在调制码型识别的基础上进一步实现对光信噪比(OSNR)的监测，则需要更为庞大的训练数据。

因此，本领域的技术人员致力于开发和设计新的卷积神经网络算法结构，以减少所需求的训练数据数量，并验证采用此种算法结构提高系统效率，节约获取数据的时间成本的可行性。

发明内容