[发明专利]一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法、系统、装置及存储介质

权利要求书

1.一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述对抗蒸馏模型包括教师模型、学生模型、生成器以及判别器，教师模型同时与学生模型、生成器以及判别器连接，生成器还分别与学生模型和判别器连接，学生模型和判别器连接；

所述光性能监测方法包括：

获取用户端的光纤信道信息；

对光纤信道信息进行预处理，得到接收端预处理的光纤信道信息；

将预处理的光纤信道信息输入到预训练的学生模型中进行信道监测处理，获得光纤光性能监测结果；

所述学生模型的训练方法包括：

获取训练数据集，所述训练数据集包括不同信道信号的星座图；

将训练数据集输入到教师模型中进行训练，得到第一表示特征；

生成器对高维标识特征进行强化，得到知识强化特征；

教师模型将训练知识蒸馏给学生模型，学生模型根据知识强化特征和高位表示特征进行性能监测处理，得到第二表示特征；

判别器对第一表示特征和第二表示特征进行数据分布鉴别，并通过鉴别结果不断调整生成器，直至对抗蒸馏模型损失函数符合预设条件，完成学生模型的训练。

2.根据权利要求1所述的基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述知识蒸馏采用softmax函数进行训练学生模型，计算公式为：

式中，Z_i和Z_j分别表示第i个和第j个信道信号，i和j分别表示信道序号，T为温度。

3.根据权利要求1所述的基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述预处理包括在用户端的光纤信道信息向接收端传送过程中，对用户端的光纤信道信息依次进行模式复用、纤芯复用、纤芯解复用以及模式解复用。

4.根据权利要求1所述的基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述教师模型采用ResNet34网络结构，依次包括一个7×7的卷积层、一个平均池化层、16个残差块以及一个平均池化层，每个残差块包括2个3×3的卷积层，且相邻的残差块之间还通过Relu激活函数跳跃连接；

所述学生模型采用MobileNet V3-small网络结构，依次包括一个3×3卷积层、11个瓶颈层、一个1×1的2D卷积层、一个7×7最大池化层、两个1×1的2D卷积层，每个网络层之间均通过hard-swish激活函数连接；前3个瓶颈层为3×3的瓶颈层，后8个瓶颈层为5×5的瓶颈层。

5.根据权利要求1所述的基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述生成器和判别器均采用全卷积式网络结构；

所述生成器包括依次连接的4层反卷积层；

所述判别器包括依次连接的4层卷积层。

6.根据权利要求1所述的基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述对抗蒸馏模型的对抗学习训练采用Adam优化器，初始学习率为0.0001，批训练大小为128，并以Sigmod分类损失为损失函数，损失函数的公式为：

式中，b表示光性能监测结果数据，包括第一表示特征和第二表示特征。

7.根据权利要求1所述的基于对抗蒸馏模型的少模多芯光纤光性能监测方法，其特征在于，所述预设条件包括设定训练周期数，且判别器的数据分布鉴别准确率不低于95％；或对抗蒸馏模型的损失函数收敛。

8.一种基于对抗蒸馏模型的少模多芯光纤光性能监测系统，其特征在于，包括：

采样模块：用于获取用户端的光纤信道信息；

预处理模块；用于对用户端的光纤信道信息依次进行模式复用、纤芯复用、纤芯解复用以及模式解复用，得到接收端预处理的光纤信道信息；

监测处理模块：用于将预处理后的光纤信道信息输入到预训练的学生模型中进行信道监测处理，获得光纤光性能监测结果。