CN109768944A - 一种基于卷积神经网络的信号调制码型识别方法 - Google Patents
一种基于卷积神经网络的信号调制码型识别方法 Download PDFInfo
- Publication number
- CN109768944A CN109768944A CN201811640020.XA CN201811640020A CN109768944A CN 109768944 A CN109768944 A CN 109768944A CN 201811640020 A CN201811640020 A CN 201811640020A CN 109768944 A CN109768944 A CN 109768944A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural networks
- convolutional
- regularization
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的信号调制码型识别方法,首先获取三种调制码型的眼图图像,对眼图数据进行降采样和灰度化的预处理,得到眼图训练数据;其次构建用于信号调制码型识别的卷积神经网络,该网络含有九个抽象层,以随机打乱正则化层为核心;然后利用预处理后的眼图训练数据对卷积神经网络进行训练;最后将待识别的信号调制码型输入训练好的卷积神经网络,根据输出的线性数据实现对三种信号调制码型的分类。本发明通过多核卷积和随机打乱正则化层的应用,有效避免了过拟合现象的出现,在训练数据较少情况下,仍然能够达到很高的信号调制码型识别准确率;减少了收集和预处理眼图训练数据的时间成本,更适合于码型识别方面的应用。
Description
技术领域
本发明涉及弹性光网络中的信号调制方式识别领域,尤其涉及一种基于卷积神经网络的信号调制码型识别方法。
背景技术
随着光网络的***容量不断增加,网络拓扑结构和多链路通信的复杂化,***更加复杂和透明,在高速传输网络中,光信号更容易受到各种损耗的影响,使信号产生畸变,误码率上升。为了应对这一问题,在弹性光网络中,数字接收机需要对信号的调制码型实时监测,以匹配最适合的数字信号处理算法。
在码型识别方面,不仅仅局限于光通信领域,传统的方法是基于统计学思想的数字信号处理算法,有以下几种技术:
1、K均值算法;
2、变分贝叶斯期望最大化算法;
3、峰均功率比评估算法;
4、信号累积量算法。
这类算法有着明显的缺点,一方面,识别准确率很难达到100%,且高准确率需要依靠庞大的数据基础;另一方面,算法模型普适性较差,在新的***环境中通常需要重新采集数据建立模型。
在码型识别方面,较为先进的方法是基于机器学习算法的信号调制码型识别,可以分为两大类:
1、基于相干光通信***的信号调制码型识别方法;
2、基于非相干光通信***的信号调制码型识别方法。
其中,可被使用的机器学习算法有:
1、决策树;
2、K最临近结点算法(KNN);
3、人工神经网络(ANN);
4、支持向量机(SVM);
5、卷积神经网络(CNN)。
在相干光通信***下,一些信号特征信息首先要经过相干解调才能够获得,比如信号的星座图,以及根据星座图上各点距坐标中心的距离参数,计算和排布得到的异步幅度直方图。通过使用异步幅度直方图作为待识别信号的特征信息,并且结合机器学习算法,如人工神经网络,支持向量机算法进行数字信号处理可以实现对信号调制码型的分类。
在非相干光通信***下,不通过相干解调,而是直接获取信号特征信息数据作为算法的训练资源,如信号眼图。它的优点是明显的,一方面,基于非相干***,可以从接收到的原始的光信号直接得到眼图,不依赖于对接收信号的相干解调,减小了数字接收机***的整体复杂度和花费的人工成本;另一方面,不需要获取眼图中的具体参数和比特数据,因此可以通过降采样等方式,减小每张眼图的总像素量,进一步提高卷积神经网络训练速度。
目前国际上先进技术采用了非相干***下的码型识别方法,但是这种方法的缺点是仍然要依托于大量的训练样本数据才能达到较为理想的准确率,如果要在调制码型识别的基础上进一步实现对光信噪比(OSNR)的监测,则需要更为庞大的训练数据。
因此,本领域的技术人员致力于开发和设计新的卷积神经网络算法结构,以减少所需求的训练数据数量,并验证采用此种算法结构提高***效率,节约获取数据的时间成本的可行性。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是如何设计合理的卷积神经网络算法,在小训练数据量的情况下,仍然可以达到高的码型识别准确率,以及验证该算法结构所能应对的极限光信号传输速率,以证明其可行性。
为实现上述目的,本发明提供了一种基于卷积神经网络的信号调制码型识别方法,以随机打乱正则化层为核心应用层的卷积神经网络算法来处理获取的信号眼图,包括以下步骤:
步骤1、获取不归零码开关键控,归零码开关键控和归零码差分相移键控三种调制码型的眼图图像,并且对眼图数据进行降采样和灰度化的预处理,得到眼图训练数据;
步骤2、构建用于信号调制码型识别的卷积神经网络,该网络含有九个抽象层,各抽象层之间的逻辑关系如下:
2.1、将数据输入卷积层,卷积计算后产生输出;
2.2、将卷积层输出数据输入池化层,池化计算后产生输出;
2.3、将池化层输出数据输入随机打乱正则化层,正则化计算后产生输出;
2.4、将正则化层输出数据输入卷积层,卷积计算后产生输出;
2.5、将卷积层输出数据输入池化层,池化计算后产生输出;
2.6、将池化层输出数据输入随机打乱正则化层,正则化计算后产生输出;
2.7、将正则化层输出数据输入卷积层,卷积计算后产生输出;
2.8、将卷积层输出数据输入池化层,池化计算后产生输出;
2.9、将池化层输出数据输入全连接层,产生线性数据输出;
步骤3、利用步骤1预处理后的眼图训练数据对步骤2构建的卷积神经网络进行训练;
步骤4、将待识别的信号调制码型输入步骤3训练好的卷积神经网络,根据输出的线性数据实现对三种信号调制码型的分类。
进一步地,所述卷积层使用多核卷积,根据卷积核数量,单个卷积层内产生多个单通道卷积输出图像。
进一步地,所述池化层的池化视野小于卷积核的大小,每个池化视野内取最大权值输出。
进一步地,所述正则化层为随机打乱正则化层(Patch ShuffleRegularization),正则化区域小于卷积核的大小,正则化区域内权值随机打乱。
本发明的有益效果是:
1、本发明设计的以随机打乱正则化层为核心的卷积神经网络算法结构,通过多核卷积和随机打乱正则化层的应用,有效避免了过拟合现象的出现,在训练数据较少情况下,仍然能够达到很高的信号调制码型识别准确率;
2、本发明设计的以随机打乱正则化层为核心的卷积神经网络算法结构,与经典的LeNet结构算法对比,在牺牲了一部分算法训练和测试时间的前提下,大幅减少了所需要的训练数据的数量,减少了收集和预处理眼图训练数据的时间成本,更适合于码型识别方面的应用。
附图说明
图1是本发明设计的以随机打乱正则化层为核心的卷积神经网络结构原理图。
图2是经过降采样和预处理后的不归零码开关键控,归零码开关键控和归零码差分相移键控三种调制码型的眼图训练数据。
图3是卷积层的实现原理图。
图4是池化层的实现原理图。
图5是随机打乱正则化层的实现原理图。
图6是本发明所设计的卷积神经网络算法的收敛性能图。
图7是LeNet结构卷积神经网络算法的训练和测试结果图,(a)和(b)分别为在每种调制码型眼图数量120张和360张时的结果。
图8是本发明所设计的以随机打乱正则化层为核心的卷积神经网络算法的训练和测试结果图。
图9是本发明所设计算法可识别的极限传输速率条件下的信号眼图。
具体实施方式
本发明通过引入随机打乱正则化层,对正则化区域内像素的权值进行随机打乱,设计出的新结构卷积神经网络,可以在保证调制码型识别准确率的基础上,有效降低所需求的训练数据的数量。
以下结合附图对本发明的卷积神经网络算法结构,实现方式和具体实施细节进行说明。
如图1所示,本发明提供的基于卷积神经网络的信号调制码型识别方法,包括以下步骤:
步骤1、获取不归零码开关键控,归零码开关键控和归零码差分相移键控三种调制码型在不同光传输参数下的眼图图像,对所有眼图数据进行降采样,减小分辨率至100*100,并且进行灰度化处理,使训练数据为单通道灰度图,最终得到三种调制码型训练数据1;
步骤2、构建用于信号调制码型识别的卷积神经网络,该网络含有九个抽象层,各抽象层之间的逻辑关系如下:
2.1、将100*100大小的三种调制码型训练数据1输入卷积层2,卷积层2使用6个卷积核,卷积核大小为3*3,步长为1,卷积计算后产生分辨率为98*98大小的图像输出;
2.2、将卷积层2输出的98*98大小图像数据输入池化层3,池化区域大小为2*2,步长为2,池化计算后产生49*49输出;
2.3、将池化层3输出49*49数据输入随机打乱正则化层4,正则化区域大小为2,步长为2,正则化不改变图像大小,计算后产生49*49输出,正则化的作用是避免过拟合现象的出现;
2.4、将正则化层4输出的49*49数据输入卷积层5,卷积层5使用12个卷积核,卷积核大小为3*3,步长为1,卷积计算后产生分辨率为47*47大小的图像输出;
2.5、将卷积层5输出的47*47大小图像输入池化层6,池化区域大小为2*2,步长为2,池化计算后产生23*23大小输出;
2.6、将池化层6输出23*23数据输入随机打乱正则化层7,正则化区域大小为2,步长为2,正则化不改变图像大小,计算后产生23*23大小输出,;
2.7、将正则化层7输出23*23数据输入卷积层8,卷积层8使用32个卷积核,卷积核大小为3*3,步长为1,卷积计算后产生分辨率为21*21大小的图像输出;
2.8、将卷积层8输出21*21大小数据输入池化层9,池化区域大小为2*2,步长为2,池化计算后产生10*10大小输出;
2.9、将池化层9输出10*10大小的数据输入全连接层10,产生3200位的线性数据输出;
步骤3、利用步骤1预处理后的眼图训练数据对步骤2构建的卷积神经网络进行训练;
步骤4、将待识别的信号调制码型输入步骤3训练好的卷积神经网络,根据输出的线性数据实现对三种信号调制码型的分类。
使用测试集数据对训练后的卷积神经网络结构进行码型识别测试,以验证其对三种调制码型的识别准确率,并且验证本算法的识别极限。
图2是经过降采样和灰度化预处理后的不归零码开关键控,归零码开关键控和归零码差分相移键控三种调制码型的100*100分辨率的眼图训练数据图像示例。
图3是卷积层的实现原理图。使用3*3大小的卷积核和卷积区域11内的权值进行卷积运算,运算的结果为该位置新的权值大小,卷积核移动步长为1,依次计算每个位置卷积结果,输出图像为卷积结果的二维排布,即由该卷积核产生的一个特征映射图像。卷积核起到了特征过滤器的作用,采用多核卷积,对于图像不同特征信息的提取能力会提高。
图4池化层的实现原理图。在2*2大小的池化区域12内取最大权值作为该位置新的权值大小,池化区域移动步长为2,依次计算每个位置池化结果,这种池化的作用是提取图像最鲜明的特征信息。
图5是随机打乱正则化层的实现原理图。对2*2大小的正则化区域13内的4个权值随机打乱排布,步长为2,不重叠排布,依次叠加充满整个图像。通过随机打乱正则化,避免了过拟合现象的出现。正则化区域的大小需要被严格限制,在一般情况下不宜大于卷积核的大小,否则会将图片原有的特征信息破坏,影响算法的收敛性。
图6是本发明所设计的卷积神经网络的收敛性能图。随着循环代数的增大,识别准确率也稳步提高,直到代数达到110代之后,对于三种调制码型识别的准确率达到了100%。训练花费的时间成本是19.79秒。在测试集中,对每种调制码型测试花费的时间成本是1.31秒。
图7是LeNet结构卷积神经网络算法的训练和测试结果图,(a)和(b)分别为在每种调制码型眼图数量120张和360张时的结果。可以看出,在训练数据较少的情况下,LeNet结构的算法收敛性能差,整体的识别准确率只有80.8%,在实验中,即使进一步增加神经网络迭代代数至100代之后,准确率仍然在60%至80%的范围内浮动,且对不归零码开关键控和归零码差分相移键控两种码型混淆十分严重,算法无法有效提取出这两种眼图的特征信息。
图8是本发明所设计的以随机打乱正则化层为核心的卷积神经网络算法的训练和测试结果图。可以看到,无论是训练集还是测试集的识别准确率都达到了100%,同时,算法训练所需求的训练数据数量为每种码型60张图片,相比较LeNet结构算法,所需求训练数据数量减小了一半。
图9是本发明所设计算法可识别的极限传输速率条件下的信号眼图。分别是17Gbps不归零码开关键控,18Gbps归零码开关键控,14Gbps归零码差分相移键控。这是本发明设计的算法能够保证100%码型识别准确率的三种码型极限传输速率。
表1是本发明中,用于卷积神经网络算法训练数据所采集的眼图数据的光传输***参数。
表1眼图数据的光传输***参数
以上详细描述了本发明的卷积神经网络算法设计思想和实现原理。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (4)
1.一种基于卷积神经网络的信号调制码型识别方法,其特征在于,包括以下步骤:
步骤1、获取不归零码开关键控,归零码开关键控和归零码差分相移键控三种调制码型的眼图图像,并且对眼图数据进行降采样和灰度化的预处理,得到眼图训练数据;
步骤2、构建用于信号调制码型识别的卷积神经网络,该网络含有九个抽象层,各抽象层之间的逻辑关系如下:
2.1、将数据输入卷积层,卷积计算后产生输出;
2.2、将卷积层输出数据输入池化层,池化计算后产生输出;
2.3、将池化层输出数据输入随机打乱正则化层,正则化计算后产生输出;
2.4、将正则化层输出数据输入卷积层,卷积计算后产生输出;
2.5、将卷积层输出数据输入池化层,池化计算后产生输出;
2.6、将池化层输出数据输入随机打乱正则化层,正则化计算后产生输出;
2.7、将正则化层输出数据输入卷积层,卷积计算后产生输出;
2.8、将卷积层输出数据输入池化层,池化计算后产生输出;
2.9、将池化层输出数据输入全连接层,产生线性数据输出;
步骤3、利用步骤1预处理后的眼图训练数据对步骤2构建的卷积神经网络进行训练;
步骤4、将待识别的信号调制码型输入步骤3训练好的卷积神经网络,根据输出的线性数据实现对三种信号调制码型的分类。
2.如权利要求1所述的基于卷积神经网络的信号调制码型识别方法,其特征在于,所述卷积层使用多核卷积,根据卷积核数量,单个卷积层内产生多个单通道卷积输出图像。
3.如权利要求1所述的基于卷积神经网络的信号调制码型识别方法,其特征在于,所述池化层的池化视野小于卷积核的大小,每个池化视野内取最大权值输出。
4.如权利要求1所述的基于卷积神经网络的信号调制码型识别方法,其特征在于,所述正则化层为随机打乱正则化层,正则化区域小于卷积核的大小,正则化区域内权值随机打乱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811640020.XA CN109768944A (zh) | 2018-12-29 | 2018-12-29 | 一种基于卷积神经网络的信号调制码型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811640020.XA CN109768944A (zh) | 2018-12-29 | 2018-12-29 | 一种基于卷积神经网络的信号调制码型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109768944A true CN109768944A (zh) | 2019-05-17 |
Family
ID=66453200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811640020.XA Pending CN109768944A (zh) | 2018-12-29 | 2018-12-29 | 一种基于卷积神经网络的信号调制码型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109768944A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822162A (zh) * | 2021-08-24 | 2021-12-21 | 北京邮电大学 | 一种基于伪星座图的卷积神经网络调制识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446876A (zh) * | 2016-11-17 | 2017-02-22 | 南方科技大学 | 一种传感行为识别方法和装置 |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN106845529A (zh) * | 2016-12-30 | 2017-06-13 | 北京柏惠维康科技有限公司 | 基于多视野卷积神经网络的影像特征识别方法 |
CN107342810A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能眼图分析方法 |
US20170351905A1 (en) * | 2016-06-06 | 2017-12-07 | Samsung Electronics Co., Ltd. | Learning model for salient facial region detection |
CN108009634A (zh) * | 2017-12-21 | 2018-05-08 | 美的集团股份有限公司 | 一种卷积神经网络的优化方法、装置及计算机存储介质 |
-
2018
- 2018-12-29 CN CN201811640020.XA patent/CN109768944A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351905A1 (en) * | 2016-06-06 | 2017-12-07 | Samsung Electronics Co., Ltd. | Learning model for salient facial region detection |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN106446876A (zh) * | 2016-11-17 | 2017-02-22 | 南方科技大学 | 一种传感行为识别方法和装置 |
CN106845529A (zh) * | 2016-12-30 | 2017-06-13 | 北京柏惠维康科技有限公司 | 基于多视野卷积神经网络的影像特征识别方法 |
CN107342810A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能眼图分析方法 |
CN108009634A (zh) * | 2017-12-21 | 2018-05-08 | 美的集团股份有限公司 | 一种卷积神经网络的优化方法、装置及计算机存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822162A (zh) * | 2021-08-24 | 2021-12-21 | 北京邮电大学 | 一种基于伪星座图的卷积神经网络调制识别方法 |
CN113822162B (zh) * | 2021-08-24 | 2023-10-13 | 北京邮电大学 | 一种基于伪星座图的卷积神经网络调制识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111354017B (zh) | 一种基于孪生神经网络及平行注意力模块的目标跟踪方法 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN113313657B (zh) | 一种用于低光照图像增强的非监督学习方法和*** | |
CN110223292B (zh) | 图像评估方法、装置及计算机可读存储介质 | |
CN104050471B (zh) | 一种自然场景文字检测方法及*** | |
CN112702294B (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
CN111832417B (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
CN107342962A (zh) | 基于卷积神经网络的深度学习智能星座图分析方法 | |
CN110569752A (zh) | 基于卷积神经网络的雷达信号类别确定方法 | |
US11700156B1 (en) | Intelligent data and knowledge-driven method for modulation recognition | |
CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN114553648A (zh) | 基于时空图卷积神经网络的无线通信调制模式识别方法 | |
CN112364851B (zh) | 一种自动调制识别方法、装置、电子设备及存储介质 | |
CN110353693A (zh) | 一种基于WiFi的手写字母识别方法及*** | |
CN111523483A (zh) | 中餐菜品图像识别方法及装置 | |
CN113011253A (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN114980122A (zh) | 一种小样本射频指纹智能识别***与方法 | |
CN109768944A (zh) | 一种基于卷积神经网络的信号调制码型识别方法 | |
CN110175500A (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
CN111242114B (zh) | 文字识别方法及装置 | |
Vagollari et al. | An End-to-End Deep Learning Framework for Wideband Signal Recognition | |
CN111343115A (zh) | 一种5g通信调制信号识别方法及*** | |
CN111753618A (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
CN116070136A (zh) | 基于深度学习的多模态融合无线信号自动调制识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190517 |