[发明专利]基于卷积神经网络的深度学习的智能频谱图分析方法

权利要求书

1.一种基于卷积神经网络的深度学习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图像集；步骤二：频谱图像预处理；步骤三：训练卷积神经网络(CNN)模块；步骤四：所需分析的频谱图像输入到训练好的的CNN中进行特征提取和性能分析；步骤五：输出分析结果；

所述频谱图像包括带宽、中心波长和光信噪比三个参数，不同的带宽被设置为15GHz，25GHz，50GHz和100GHz四种类型，在不同类型的带宽下，中心波长以0.05nm，光信噪比以1.0dB的步长进行调谐；

所述步骤三包括：将经过预处理的频谱图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。

2.根据权利要求1所述的基于卷积神经网络的深度学习的智能频谱图分析方法，其特征在于，所述的频谱图像集的获取步骤一中，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图像；

频谱训练集的每组数据包括不同情况下的频谱的图像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所述的基于卷积神经网络的深度学习智能频谱图分析方法，所述频谱图像预处理步骤二中，将所述步骤一中获取的彩色频谱图图像转换为灰度图像，并将灰度图像进行下采样，进而减小权利要求1所述步骤三和步骤四的计算量，并增强泛化能力，其中，泛化能力用于表示所述卷积神经网络对于新的频谱图像样本的适应能力。

4.根据权利要求1所述的基于卷积神经网络的深度学习的智能频谱图分析方法，其特征在于，所述的频谱图像的特征提取和性能分析步骤四中，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所述的基于卷积神经网络的深度学习的智能频谱图分析方法，其特征在于，所述的步骤五中，由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所述的基于卷积神经网络的深度学习智能频谱图分析方法，其特征在于，所述CNN模块的结构主要包括：一个输入层、多个卷积层(C1、C2…)、多个池化层(P1、P2…)、多个F1层、一个输出层；所述输出层输出所需分析的频谱图性能的节点信息。

7.根据权利要求1所述的基于卷积神经网络的深度学习的智能频谱图分析方法，其特征在于，训练集和测试集均是图像和相对应的性能参数标签的矩阵的组合。

8.根据权利要求1所述的基于卷积神经网络的深度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所述的基于卷积神经网络的深度学习的智能频谱图分析方法，其特征在于，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。