[发明专利]基于机器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机器学习的智能频谱图分析方法，涉及光通信技术领域，其中通过搭建映射网络对频谱数据进行性能分析：所述的方法包括以下步骤：获取所需分析的频谱数据：训练映射网络；所需分析的频谱图数据输入到训练好的的映射网络中进行性能分析；输出分析结果。本发明的目的在于提供一种可自学习和演进，不断适应新场景、新需求的的基于机器学习的智能频谱图分析方法，解决传统光学性能分析模块中一种算法只能识别一种参数，系统的复杂性高，适应度低的问题，此外，人工智能可以和经验丰富的人类工程师相媲美甚至达到超越，本发明可以代替人类观测到频谱图涵盖的更多参数信息和做出更准确的定量分析，实现对频谱图分析的人工智能化。

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机器学习的智能频谱 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。

在光通信领域，测量光信号质量是光通信中最重要的任务之一，频谱图作为 一个信号在频域下的常见表达方式，具有通信分析方式中眼图和星座图不具备的 光信号信息，通过对频谱图进行分析而得到光信号的参数信息显得尤为重要。现 有的测量光通信质量的方案主要基于幅度直方图、延迟抽头散点图等，不能对原 始数据进行处理，需要进行人为的干预。复杂的波分复用技术应用要求频谱分析 模块可以智能化和自动化的提取传输信号频谱的相应特征，分析达到更高的精确 度。

发明内容

本发明的目的在于克服现有技术的不足，提供一种可自学习和演进，不断适 应新场景、新需求的的基于机器学习的智能频谱图分析方法，解决传统光学性能 分析模块中一种算法只能识别一种参数，系统的复杂性高，适应度低的问题。当 有新的识别目标时，本发明可以根据数据和训练增加新的识别能力，此外，人工 智能可以和经验丰富的人类工程师相媲美甚至达到超越，本发明发现频谱图中的 信息与光学性能的隐蔽的映射关系，根据统计特性建立映射网络，代替人类观测 到频谱图涵盖的更多参数信息和做出更准确的定量分析，实现对频谱图分析的人 工智能化。