[发明专利]基于卷积神经网络的深度学习智能星座图分析方法

权利要求书

1.一种基于卷积神经网络的深度学习智能星座图分析方法，其特征在于，将基于卷积神经网络的深度学习技术应用到星座图分析中，利用卷积神经网络对星座图进行多种性能分析，所述方法包括以下步骤：

步骤一、获取所需分析的星座图训练数据集，采集星座图的各种性能不同指标情况下的训练数据集，其中，训练数据集中的每组数据由输入为星座图图像和输出为特定性能的特定指标信息对构成；

步骤二、星座图图像预处理；

步骤三、训练卷积神经网络CNN模块对星座图进行特征提取；

步骤四、将所需分析星座图输入训练完成的CNN模块进行模式识别和性能分析；

步骤五、输出分析结果。

2.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星座图分析方法，其特征在于，所述星座图中所需分析的多种性能为调制格式、光信噪比OSNR、色散CD、线性损伤和非线性损伤。

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星座图分析方法，其特征在于，所述星座图预处理步骤二中，将所述步骤一中获取的训练数据集中的彩色星座图图像转换为灰度图像，并将得到的星座图灰度图像进行下采样处理。

4.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星座图分析方法，其特征在于，所述训练CNN模块进行特征提取步骤三中，将所述步骤二中预处理后的星座图输入构建好的CNN模块中，基于所述训练数据进行训练过程后，所述CNN模块自动从星座图图像中提取特征，并构建特征与不同性能之间的关系。

5.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星座图分析方法，其特征在于，所述CNN模块模式识别和性能分析步骤四中，经预处理的所需分析的星座图输入所述训练完成的CNN模块中，CNN模块对输入的星座图进行模式识别，并通过其以往的学习经验对当前输入的星座图进行性能分析。

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星座图分析方法，其特征在于，所述输出分析结果步骤五中，由所述CNN模块输出的信息包含所需分析的各种性能，可从输出信息中得到不同性能的分析结果。

7.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星座图分析方法，其特征在于，所述CNN模块的结构主要包括：一个输入层、n个卷积层C1、C2、…、Cn、n个池化层P1、P2、…、Pn、m个全连接层F1、F2、…、Fm、一个输出层；

其中，所述输入层的输入为经过预处理的星座图图像，输入层与卷积层C1相连接；

所述卷积层C1含有k1个大小为a1×a1的卷积核，所述输入层图像经过卷积层C1得到k1个特征图，进而将得到的特征图传送至池化层P1；

所述池化层P1以b1×b1的采样大小对所述卷积层C1生成的特征图进行池化，得到相应的k1个采样后的特征图，再将得到的特征图传送至下一个卷积层C2；

所述n个卷积层和池化层对的顺次连接，进而不断提取图像深层次的抽样特征，最后一个池化层Pn与全连接层F1相连接，其中，卷积层Ci含有ki个大小为ai×ai的卷积核，池化层Pj的采样大小为bj×bj，Ci表示第i个卷积层，Pj表示第j个池化层；

所述全连接层F1为所述最后一个池化层Pn所得的所有kn个特征图的像素点映射而成的一维层，每个像素代表所述全连接层F1的一个神经元节点，F1层的所有神经元节点与下一个全连接层F2的神经元节点进行全连接；

经m个全连接层顺次连接，最后一个全连接层Fm与所述输出层进行全连接；

所述输出层输出所需分析的星座图不同性能的节点信息。

8.根据权利要求7所述的基于卷积神经网络的深度学习智能星座图分析方法，其特征在于，所述输出层输出的节点信息为L位的二进制比特序列，其中，N个不同的性能分别以L1、L2、…、LN位二进制比特信息来表示，Li位用于表示第i个性能的Li种不同的指标信息，其中L＝L1+L2+…+LN。

9.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星座图分析方法，其特征在于，基于CNN的星座图处理算法将作为示波器的星座图软件处理模块或仿真软件的星座图分析模块，进而嵌入到测试仪器中进行智能信号分析和性能监测。