[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

说明书

本发明公开了一种基于卷积神经网络的深度学习的智能频谱图分析方法，涉及光通信领域，所述的方法包括以下步骤：获取所需分析的频谱图像集；频谱图像预处理；训练卷积神经网络(CNN)模块；所需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；输出结果。本发明提供了一种通过自动检测提取特征达到自学习和演进的频谱图分析方法，解决了处理频谱数据中数据维度过高或者不确定的而导致的模型结构不具备通用性的问题。当有新的识别目标时，本发明可以自动提取测量过程所需的特征，并且由于输入的信息载体为图像，因此模型的结构确定，具备通用性。所提出的发明有潜力嵌入测试仪器实现智能化频谱分析，或应用于OPM模块以确保网络运营的鲁棒性。

技术领域

本实用新型专利属于光通信领域，具体涉及了一种基于卷积神经网络的深度学习的智能频谱图分析方法。

背景技术

光学光谱测量是通信系统中光学信号的诊断和监测最有用的工具之一，许多先进的光学频谱分析技术被应用于频谱仪上，实现了在光谱检测上达到更高的分辨率和更宽的波长范围，在功率检测上有更强的灵敏度和更大的动态范围，这些方案是基于硬件实现的不同技术，包括光纤布拉格光栅，相干检测，基于布里渊光纤激光器的外差检测，双光谱仪，模拟布里渊散射，高频自扫描激光器，布里渊动态光栅，多边形扫描仪，用于集成片上的双环谐振器光谱分析仪，用于实时光谱分析仪的时间透镜聚焦机制，这些技术主要集中在频谱测量和数据收集，没有考虑到数据的处理和计算，不存在对数据准确的定性和定量分析。

目前频谱仪上的商业数据处理模块可以输出很多频谱参数，像中心波长，，峰值电平，频谱带宽和光功率，甚至先进的软件模块可以计算出光信号中最重要的性能参数-信噪比。但是在这些模块中，每一种算法只可以计算一个参数，为了得到更多的参数，必须将多个算法集成，这就增大了系统的复杂性，降低了灵活度。此外，传统的频谱分析方法强烈依赖于专业的专业知识，使其只适合有经验的工程师。而且，它们主要是基于统计的计算，这是一个相当耗时的过程，不适用于实时系统。所以，频谱分析模块的前景是利用一种的算法来实现多种功能的计算，无需人工干预的智能化操作和消耗较少的时间达到即时处理。

受益于机器学习的蓬勃发展，机器学习提供了强大的工具来处理诸如自然语言处理，数据挖掘，语音识别和图像识别等许多领域的问题，同时，机器学习在光通信中也有很广泛的应用，极大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，光网络的控制和管理，光信号的测量和分析方面，但是，在目前的研究中，从来没有用机器学习的方法来研究或解决频谱分析方面的问题。

机器学习有自我学习和演进的能力，随着未来需求和系统越来越复杂，识别新的场景例如弹性光网络和OFDM系统就变得尤为重要，但由于目前的商业数据处理模块是固定的，不能建立新的算法和模型来满足新的需求。而机器学习只要有新的数据，就可以通过调整结构和参数建立新的映射网络，进一步创造新的能力。

已有的机器学习模型可以直接处理原始的自然数据，但由于为了尽可能的还原信息，光谱采样分辨率要尽可能的高，因此训练集中的原始数据的维度较高，导致建立的映射网络结构复杂，提高了算法复杂度，实时处理速度也被降低。数据的维度的不确定也给映射网络带来了困扰，不同的数据维度需要不同结构的映射网络，模型不具备通用性，而图像的信息维度固定，对图像的处理可以建立通用的网络结构。

因此需要采用一种新型方法来建立模型，不仅具备自我学习和演进的能力，可以从图像中自动检测分析过程所需的特征进一步训练网络结构，具备代替人类工程师的人工智能，还需要建立的模型不受训练集数据维度的影响，能够代替多种光性能检测算法，具有高度的通用性和适应性。