CN110210536A - 一种光互连***的物理损伤诊断方法及装置 - Google Patents
一种光互连***的物理损伤诊断方法及装置 Download PDFInfo
- Publication number
- CN110210536A CN110210536A CN201910427762.2A CN201910427762A CN110210536A CN 110210536 A CN110210536 A CN 110210536A CN 201910427762 A CN201910427762 A CN 201910427762A CN 110210536 A CN110210536 A CN 110210536A
- Authority
- CN
- China
- Prior art keywords
- training
- sample
- nervus opticus
- network
- physical damnification
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种光互连***的物理损伤诊断方法及装置。其中,方法包括:获取光互连***的接收端对调制信号进行解调得到的待诊断电信号;将待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,根据训练后的第二神经网络的输出结果,获取光互连***的物理损伤诊断结果。本发明实施例提供的方法及装置,在一定程度上提高了诊断效率并降低了误差。不需要从头构建一个具有泛化能力的鲁棒的神经网络,降低了网络复杂度,使得通过训练后的第二神经网络对光互连***进行物理损伤诊断时,耗时较短,能够及时地得到诊断结果;并且,第二神经网络中在训练时的收敛速度更快,能够更快地训练得到训练后的第二神经网络。
Description
技术领域
本发明涉及光通信技术领域,尤其涉及一种光互连***的物理损伤诊断方法及装置。
背景技术
光互连***指的是利用光纤或其他光传输介质来传输信号的***,该***包括发送端和接收端,其中,发送端将待发送的电信号调制到光载波上,得到调制后的光信号并发出,调制信号通过光纤或其他光传输介质传送至接收端,接收端对接收到的调制信号进行解调得到电信号。由于光纤或其他光传输介质的物理特性和发送端与接收端设备的不理想性等,信号在光纤或其他光传输介质中进行传输时会受到不同类型及不同程度的物理损伤,从而使得接收端解调得到的电信号与发送的电信号不一致,导致***传输稳定性及可靠性下降。
为了保证光互连***的传输质量,在信号受到损伤后,需要对受损信号进行物理损伤诊断。现有技术中对光互连***的物理损伤进行诊断的方法为:有经验的专业工程师依靠人工经验对光互连***进行物理损伤诊断,这就造成了诊断效率低,误差大和人工成本高等缺点。
发明内容
本发明实施例提供一种光互连***的物理损伤诊断方法及装置,用以解决现有的光互连***的物理损伤诊断方法不能及时地得到诊断结果的问题。
第一方面,本发明实施例提供一种光互连***的物理损伤诊断方法,包括:
获取光互连***的接收端对调制信号进行解调得到的待诊断电信号;
将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,根据所述训练后的第二神经网络的输出结果,获取所述光互连***的物理损伤诊断结果;
其中,所述物理损伤诊断结果包括物理损伤类型及程度;
所述第二神经网络根据迁移学习算法和训练后的第一神经网络构建,所述训练后的第二神经网络根据第二训练集训练得到;
所述训练后的第一神经网络根据第一训练集训练得到;
所述第一训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型标签;
所述第二训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型及程度标签。
第二方面,本发明实施例提供一种光互连***的物理损伤诊断装置,包括:
待诊断电信号获取模块,用于获取光互连***的接收端对调制信号进行解调得到的待诊断电信号;
诊断模块,用于将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,根据所述训练后的第二神经网络的输出结果,获取所述光互连***的物理损伤诊断结果;
其中,所述物理损伤诊断结果包括物理损伤类型及程度;
所述第二神经网络根据迁移学习算法和训练后的第一神经网络构建,所述训练后的第二神经网络根据第二训练集训练得到;
所述训练后的第一神经网络根据第一训练集训练得到;
所述第一训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型标签;
所述第二训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型及程度标签。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种光互连***的物理损伤诊断方法及装置,通过机器学习的方法对光互连***进行物理损伤诊断,相对于现有技术中的人工诊断,在一定程度上提高了诊断效率并降低了误差。进一步地,第二神经网络根据迁移学习算法和训练后的第一神经网络构建,相比于现有技术中的神经网络,不需要从头构建一个具有泛化能力的鲁棒的神经网络,降低了网络复杂度,使得通过训练后的第二神经网络对光互连***进行物理损伤诊断时,耗时较短,能够及时地得到诊断结果;并且,相比于现有技术中的神经网络,第二神经网络中在训练时的收敛速度更快,能够更快地训练得到训练后的第二神经网络。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种光互连***的物理损伤诊断方法流程图;
图2为本发明实施例提供的一种光互连***的物理损伤诊断装置的结构示意图;
图3为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种光互连***的物理损伤诊断方法流程图,如图1所示,该方法包括:
步骤101,获取光互连***的接收端对调制信号进行解调得到的待诊断电信号。
具体地,光互连***指的是利用光纤或其他光传输介质来传输信号的***,该***包括发送端和接收端,其中,发送端将待发送的电信号调制到光载波上,得到调制信号并发出,调制信号通过光纤或其他光传输介质传输至接收端,接收端对接收到的调制信号进行解调得到电信号。由于光纤或其他光传输介质的物理特性和发送端与接收端设备的不理想性等,信号在光纤或其他光传输介质中进行传输时会受到不同类型及不同程度的物理损伤,从而使得接收端解调得到的电信号与发送的电信号相差较大,降低了***传输稳定性及可靠性。
为了保证光互连***的传输质量,在信号受到损伤后,,需要地对受损信号进行物理损伤诊断。需要说明的是,对光互连***进行物理损伤诊断指的是对接收端检测到的电信号所受到的物理损伤类型及程度的诊断,并将其作为光互连***的物理损伤诊断结果。
需要说明的是,物理损伤类型及程度包括物理损伤类型和在该类型下的损伤程度。其中,物理损伤类型包括:限幅效应、码型效应、过冲、“眼睛”歪斜效应、消光比不足和光功率不匹配等,本发明实施例对此不作具体限定。对于每一种物理损伤类型,在该类型下的损伤程度均可包括:损伤程度重度、损伤程度中度和损伤程度轻度等,本发明实施例对此不作具体限定。
为了对光互连***进行物理损伤诊断,需要获取接收端对调制信号进行解调得到的电信号,此时,为了便于描述,将该电信号称为待诊断电信号。
步骤102,将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,根据所述训练后的第二神经网络的输出结果,获取所述光互连***的物理损伤诊断结果。
具体地,首先获取待诊断电信号对应的待诊断图像。其中,待诊断图像为能够体现待诊断电信号整体信息的图像,例如,待诊断电信号的眼图、星座图、信号码型图、光谱图或频谱图等。
然后将待诊断图像输入至训练后的第二神经网络,根据训练后的第二神经网络的输出结果,获取光互连***的物理损伤诊断结果。
其中,第二神经网络根据迁移学习算法和训练后的第一神经网络构建。即,首先将第一神经网络通过包括多个样本图像以及每个样本图像对应的样本物理损伤类型标签的第一训练集进行训练,得到训练后的第一神经网络;然后基于迁移学习算法,将训练后的第一神经网络中的部分结构和参数,或,全部结构和参数进行复制;最后基于复制得到的结构和参数构建第二神经网络,即,将复制得到的结构和参数作为第二神经网络的一部分,构建第二神经网络。其中,迁移学习算法包括:冻结算法和微调算法等,本发明实施例对此不作具体限定。
第二神经网络构建好后,根据包括多个样本图像以及每个样本图像对应的样本物理损伤类型及程度标签的第二训练集对第二神经网络进行训练,得到训练后的第二神经网络。需要说明的是,若迁移学习算法为冻结算法,则仅训练第二神经网络中特定结构的参数,其中,特定结构指的是第二神经网络中剔除复制得到的结构之外的其他结构;若迁移学习算法为微调算法,则训练第二神经网络的全部结构的参数。
可以理解的是,训练后的第二神经网络能够输出待诊断图像对应的物理损伤类型及程度标签,进而根据该标签获取光互连***的物理损伤类型及程度。
本发明实施例提供的光互连***的物理损伤诊断方法,通过机器学习的方法对光互连***进行物理损伤诊断,相对于现有技术中的人工诊断,在一定程度上提高了诊断效率并降低了误差。进一步地,第二神经网络根据迁移学习算法和训练后的第一神经网络构建,相比于现有技术中的神经网络,不需要从头构建一个具有泛化能力的鲁棒的神经网络,降低了网络复杂度,使得通过训练后的第二神经网络对光互连***进行物理损伤诊断时,耗时较短,能够及时地得到诊断结果;并且,相比于现有技术中的神经网络,第二神经网络中在训练时的收敛速度更快,能够更快地训练得到训练后的第二神经网络。
基于上述任一实施例,本发明实施例对训练后的第二神经网络的获取进行说明,即,将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,之前还包括:
步骤001,获取多个样本图像以及每个样本图像对应的样本物理损伤类型及程度标签;
步骤002,将每个样本图像及对应的样本物理损伤类型及程度标签作为一个训练样本;
步骤003,得到多个训练样本,将所述多个训练样本作为第二训练集,通过所述第二训练集对第二神经网络进行训练,得到训练后的第二神经网络。
具体地,在将待诊断图像输入至训练后的第二神经网络之前,还需对第二神经网络进行训练,具体训练过程如下:
首先,获取多个样本图像以及每个样本图像对应的样本物理损伤类型及程度标签。其中,每个样本图像可通过如下方式获取:
基于VPI Transmission Maker9.0建立仿真***,由伪随机二进制序列生成某种物理损伤类型下某种损伤程度的光信号,为了尽可能模拟真实的光信号,在该仿真***中添加了色散,通过光电检测器,将光信号转换为电信号,再获得电信号对应的样本图像。并且,为样本图像设定一个对应的样本物理损伤类型及程度标签。例如,样本物理损伤类型及程度标签可以为一串由29个比特组成的向量,本发明实施例对此不作具体限定。
然后,将一个样本图像以及该样本图像对应的样本物理损伤类型及程度标签作为一个训练样本,从而可得到多个训练样本。
最后,将多个训练样本依次输入至第二神经网络,根据第二神经网络的每一次输出结果对第二神经网络的参数进行调整,最终完成第二神经网络的训练,得到训练后的第二神经网络。
基于本发明实施例中提到的每个样本图像的获取方式,对第二训练集的获取过程进行进一步举例说明:
若样本图像为眼图,物理损伤类型为以下6种:限幅效应、码型效应、过冲、“眼睛”歪斜效应、消光比不足、光功率不匹配。且限幅效应分为9种损伤程度、码型效应分为4种损伤程度、过冲分为4种损伤程度、“眼睛”歪斜效应分为4种损伤程度、消光比不足分为4种损伤程度、光功率不匹配分为4种损伤程度。则基于上述每个样本图像的获取方式,对每种物理损伤类型下的各损伤程度分别收集100张像素大小为999×680的“jpg”格式的眼图,此处,以每一眼图及对应的物理损伤类型及程度标签作为一个训练样本,因此第二训练集总共包括2900个训练样本。
基于上述任一实施例,本发明实施例对第二神经网络的训练过程进行进一步具体说明,即,通过所述第二训练集对第二神经网络进行训练,包括:
步骤0031,对于任意一个训练样本,将所述训练样本中的样本图像输入至所述第二神经网络,获取所述第二神经网络输出的所述样本图像对应的预测物理损伤类型及程度标签;
步骤0032,根据所述预测物理损伤类型及程度标签和所述训练样本中的样本图像对应的样本物理损伤类型及程度标签,获取所述第二神经网络的损失值;
步骤0033,若所述损失值小于预设阈值,则所述第二神经网络训练完成。
具体地,在得到第二训练集之后,对于第二训练集中的任意一个训练样本,将该训练样本中的样本图像输入至第二神经网络,获取第二神经网络输出的该样本图像对应的预测物理损伤类型及程度标签。
在此基础上,通过预设的损失函数根据该样本图像对应的预测物理损伤类型及程度标签和该训练样本中的该样本图像对应的样本物理损伤类型及程度标签,计算损失值。其中,预设的损失函数可以为交叉熵损失函数,本发明实施例此处不做具体限定。
在计算获得损失值之后,本次训练过程结束,再利用误差反向传播算法更新第二神经网络中的参数,之后再进行下一次训练。在训练的过程中,若针对某个训练样本计算获得的损失值小于预设阈值,则第二神经网络训练完成。需要说明的是,预设阈值根据具体情况进行选定,本发明实施例对此不作具体限定。
基于上述任一实施例,若所述损失值大于或等于所述预设阈值,则基于误差反向传播算法更新所述第二神经网络的参数。
具体地,若构建第二神经网络时用的迁移算法为冻结算法,则基于误差反向传播算法仅更新第二神经网络中特定结构的参数,其中,特定结构指的是第二神经网络中剔除复制得到的结构之外的其他结构;若迁移学习算法为微调算法,则基于误差反向传播算法更新第二神经网络的全部结构的参数。
基于上述任一实施例,本发明实施例对训练后的第一神经网络的获取进行说明,即,将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,之前还包括:
获取多个样本图像以及每个样本图像对应的样本物理损伤类型标签;
将每个样本图像及对应的样本物理损伤类型标签作为一个训练样本;
得到多个训练样本,将所述多个训练样本作为第一训练集,通过所述第一训练集对第一神经网络进行训练,得到训练后的第一神经网络。
具体地,在将待诊断图像输入至训练后的第二神经网络之前,还需对第一神经网络进行训练,具体训练过程如下:
首先,获取多个样本图像以及每个样本图像对应的样本物理损伤类型标签。其中,每个样本图像可通过如下方式获取:
基于VPI Transmission Maker9.0建立仿真***,由伪随机二进制序列生成数字信号,为了尽可能模拟真实的光信号,在该仿真***中添加了色散,通过光电检测器,将光信号转换为电信号,再获得电信号对应的样本图像。并且,为该样本图像设定一个对应的样本物理损伤类型标签。例如,样本物理损伤类型标签可以为一串由6个比特组成的向量,本发明实施例对此不作具体限定。
然后,将一个样本图像以及该样本图像对应的样本物理损伤类型标签作为一个训练样本,从而可得到多个训练样本。
最后,将多个训练样本依次输入至第一神经网络,根据第一神经网络的每一次输出结果对第一神经网络参数进行调整,最终完成第一神经网络的训练,得到训练后的第一神经网络。
基于本发明实施例中提到的每个样本图像的获取方式,对第一训练集的获取过程进行进一步举例说明:
若样本图像为眼图,物理损伤类型为以下6种:限幅效应、码型效应、过冲、“眼睛”歪斜效应、消光比不足、光功率不匹配。则基于上述每个样本图像的获取方式,对每种物理损伤类型分别收集100张像素大小为999×680的“jpg”格式的眼图,此处,以每一眼图及对应的物理损伤类型标签作为一个训练样本,因此第一训练集总共包括600个训练样本。
通过所述第一训练集对第一神经网络进行训练,具体包括:
对于任意一个训练样本,将所述训练样本中的样本图像输入至所述第一神经网络,获取所述第一神经网络输出的所述样本图像对应的预测物理损伤类型标签;
根据所述预测物理损伤类型标签和所述训练样本中的样本图像对应的样本物理损伤类型标签,获取所述第一神经网络的损失值;
若所述损失值小于第二预设阈值,则所述第一神经网络训练完成;
若所述损失值大于或等于所述第二预设阈值,则基于误差反向传播算法更新所述第一神经网络的参数。需要说明的是,第二预设阈值根据具体情况进行选定,本发明实施例对此不作具体限定。
基于上述任一实施例,本发明实施例对待诊断图像的预处理过程进行说明,即,将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,之前还包括:
将所述待诊断图像进行下采样,得到下采样图像;
相应地,将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,具体为:
将所述下采样图像输入至训练后的第二神经网络。
具体地,在本发明实施例中,将待诊断图像输入至训练后的第二神经网络之前,先对待诊断图像进行下采样,得到下采样图像。其中,图像的下采样指的是缩小图像,使得像素较大的待诊断图像转换为像素较小的下采样图像。这样做的好处在于:减少了第二神经网络的计算量,节省了计算资源开销。得到下采样图像后,再将下采样图像输入至训练后的第二神经网络。
可以理解的是,在第二神经网络的训练过程中,也将第二训练集中的各样本图像做了上述预处理后再对第二神经网络进行训练,预处理过程此处不再赘述。
需要说明的是,在第一神经网络的训练过程中,也将第一训练集中的各样本图像做了上述预处理后再对第一神经网络进行训练,预处理过程此处不再赘述。
基于上述任一实施例,本发明实施例对上述实施例对待诊断图像的预处理过程进行说明,即,将所述待诊断图像进行下采样,得到下采样图像,之前还包括:
将所述待诊断图像进行灰度化,得到灰度化图像;
相应地,将所述待诊断图像进行下采样,得到下采样图像,具体为:
将所述灰度化图像进行下采样,得到下采样图像。
具体地,在本发明实施例中,在将待诊断图像进行下采样之前,先对待诊断图像进行灰度化,得到灰度化图像。其中,图像的灰度化是指将彩色的待诊断图像转换为灰度的灰度化图像。这样做的好处在于:减小了图像的原始数据量,从而减少了第二神经网络的计算量,节省了计算资源开销。得到灰度化图像后,再将灰度化图像进行下采样,得到下采样图像。
可以理解的是,在第二神经网络的训练过程中,也将第二训练集中的各样本图像做了上述预处理后再对第二神经网络进行训练,预处理过程此处不再赘述。
需要说明的是,在第一神经网络的训练过程中,也将第一训练集中的各样本图像做了上述预处理后再对第一神经网络进行训练,预处理过程此处不再赘述。
基于上述任一实施例,作为一个优选的实施例,本发明实施例对训练后的第二神经网络的结构及其使用过程进行说明:
训练后的第二神经网络包括:
一个输入层、四个卷积层(C1、C2、C3、C4)、四个池化层(P1、P2、P3、P4)、一个全连接层(F1)和一个输出层。其中,输入层、卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、池化层P3、卷积层C4、池化层C4、全连接层F1和输出层依次相连。
经过预处理的像素大小为64×64的眼图从作为输入层与卷积层C1相连接;输入的眼图经过含有32个大小为5×5的卷积核的卷积层C1,得到32个大小为64×64特征图,进而将得到的特征图传送至池化层P1;池化层P1以2×2的采样大小对32个特征图进行最大池化,得到相应的32个大小为32×32的采样后的特征图,进而将得到的特征图传送至卷积层C2;卷积层C2含有64个大小为5×5的卷积核,池化层P1所得的32个特征图经卷积层C2得到64个大小为32×32的特征图,进而将得到的特征图传送至池化层P2;池化层P2同样以2×2的采样大小对卷积层C2生成的64个大小为32×32的特征图进行最大池化,得到相应的64个大小为16×16的采样后的特征图,进而将得到的特征图传送至卷积层C3;卷积层C3含有128个大小为5×5的卷积核,池化层P2所得的64个特征图经卷积层C3得到128个大小为16×16的特征图,进而将得到的特征图传送至池化层P3;池化层P3同样以2×2的采样大小对卷积层C2生成的128个大小为16×16的特征图进行最大池化,得到相应的128个大小为8×8的采样后的特征图,进而将得到的特征图传送至卷积层C4;卷积层C4含有256个大小为5×5的卷积核,池化层P3所得的128个特征图经卷积层C3得到256个大小为8×8的特征图,进而将得到的特征图传送至池化层P4;池化层P4同样以2×2的采样大小对卷积层C2生成的256个大小为8×8的特征图进行最大池化,得到相应的256个大小为4×4的采样后的特征图,接着将得到的特征图传送至全连接层F1;池化层P4所得的所有特征图的像素点映射为一维的全连接层F1,每个像素代表全连接层F1的一个神经元节点,全连接层F1的每个神经元节点与输出层进行全连接;最后输出层输出眼图对应的物理损伤类型及程度标签,根据该标签可获取光互连***的物理损伤诊断结果。
基于上述任一实施例,图2为本发明实施例提供的一种光互连***的物理损伤诊断装置的结构示意图,如图2所示,该装置包括:
待诊断电信号获取模块201,用于获取光互连***的接收端对调制信号进行解调得到的待诊断电信号;
诊断模块202,用于将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,根据所述训练后的第二神经网络的输出结果,获取所述光互连***的物理损伤诊断结果;
其中,所述物理损伤诊断结果包括物理损伤类型及程度;
所述第二神经网络根据迁移学习算法和训练后的第一神经网络构建,所述训练后的第二神经网络根据第二训练集训练得到;
所述训练后的第一神经网络根据第一训练集训练得到;
所述第一训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型标签;
所述第二训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型及程度标签。
本发明实施例提供的装置,具体执行上述各方法实施例流程,具体请详见上述各方法实施例的内容,此处不再赘述。本发明实施例提供的装置,通过机器学习的方法对光互连***进行物理损伤诊断,相对于现有技术中的人工诊断,在一定程度上提高了诊断效率并降低了误差。进一步地,第二神经网络根据迁移学习算法和训练后的第一神经网络构建,相比于现有技术中的神经网络,不需要从头构建一个具有泛化能力的鲁棒的神经网络,降低了网络复杂度,使得通过训练后的第二神经网络对光互连***进行物理损伤诊断时,耗时较短,能够及时地得到诊断结果;并且,相比于现有技术中的神经网络,第二神经网络中在训练时的收敛速度更快,能够更快地训练得到训练后的第二神经网络。
图3为本发明实施例提供的一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储在存储器303上并可在处理器301上运行的计算机程序,以执行上述各实施例提供的方法,例如包括:获取光互连***的接收端对调制信号进行解调得到的待诊断电信号;将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,根据所述训练后的第二神经网络的输出结果,获取所述光互连***的物理损伤诊断结果;其中,所述物理损伤诊断结果包括物理损伤类型及程度;所述第二神经网络根据迁移学习算法和训练后的第一神经网络构建,所述训练后的第二神经网络根据第二训练集训练得到;所述训练后的第一神经网络根据第一训练集训练得到;所述第一训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型标签;所述第二训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型及程度标签。
此外,上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取光互连***的接收端对调制信号进行解调得到的待诊断电信号;将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,根据所述训练后的第二神经网络的输出结果,获取所述光互连***的物理损伤诊断结果;其中,所述物理损伤诊断结果包括物理损伤类型及程度;所述第二神经网络根据迁移学习算法和训练后的第一神经网络构建,所述训练后的第二神经网络根据第二训练集训练得到;所述训练后的第一神经网络根据第一训练集训练得到;所述第一训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型标签;所述第二训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型及程度标签。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种光互连***的物理损伤诊断方法,其特征在于,包括:
获取光互连***的接收端对调制信号进行解调得到的待诊断电信号;
将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,根据所述训练后的第二神经网络的输出结果,获取所述光互连***的物理损伤诊断结果;
其中,所述物理损伤诊断结果包括物理损伤类型及程度;
所述第二神经网络根据迁移学习算法和训练后的第一神经网络构建,所述训练后的第二神经网络根据第二训练集训练得到;
所述训练后的第一神经网络根据第一训练集训练得到;
所述第一训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型标签;
所述第二训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型及程度标签。
2.根据权利要求1所述的光互连***的物理损伤诊断方法,其特征在于,将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,之前还包括:
获取多个样本图像以及每个样本图像对应的样本物理损伤类型及程度标签;
将每个样本图像及对应的样本物理损伤类型及程度标签作为一个训练样本;
得到多个训练样本,将所述多个训练样本作为第二训练集,通过所述第二训练集对第二神经网络进行训练,得到训练后的第二神经网络。
3.根据权利要求2所述的光互连***的物理损伤诊断方法,其特征在于,通过所述第二训练集对第二神经网络进行训练,包括:
对于任意一个训练样本,将所述训练样本中的样本图像输入至所述第二神经网络,获取所述第二神经网络输出的所述样本图像对应的预测物理损伤类型及程度标签;
根据所述预测物理损伤类型及程度标签和所述训练样本中的样本图像对应的样本物理损伤类型及程度标签,获取所述第二神经网络的损失值;
若所述损失值小于预设阈值,则所述第二神经网络训练完成。
4.根据权利要求3所述的光互连***的物理损伤诊断方法,其特征在于,若所述损失值大于或等于所述预设阈值,则基于误差反向传播算法更新所述第二神经网络的参数。
5.根据权利要求1所述的光互连***的物理损伤诊断方法,其特征在于,将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,之前还包括:
获取多个样本图像以及每个样本图像对应的样本物理损伤类型标签;
将每个样本图像及对应的样本物理损伤类型标签作为一个训练样本;
得到多个训练样本,将所述多个训练样本作为第一训练集,通过所述第一训练集对第一神经网络进行训练,得到训练后的第一神经网络。
6.根据权利要求1所述的光互连***的物理损伤诊断方法,其特征在于,将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,之前还包括:
将所述待诊断图像进行下采样,得到下采样图像;
相应地,将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,具体为:
将所述下采样图像输入至训练后的第二神经网络。
7.根据权利要求6所述的光互连***的物理损伤诊断方法,其特征在于,将所述待诊断图像进行下采样,得到下采样图像,之前还包括:
将所述待诊断图像进行灰度化,得到灰度化图像;
相应地,将所述待诊断图像进行下采样,得到下采样图像,具体为:
将所述灰度化图像进行下采样,得到下采样图像。
8.一种光互连***的物理损伤诊断装置,其特征在于,包括:
待诊断电信号获取模块,用于获取光互连***的接收端对调制信号进行解调得到的待诊断电信号;
诊断模块,用于将所述待诊断电信号对应的待诊断图像输入至训练后的第二神经网络,根据所述训练后的第二神经网络的输出结果,获取所述光互连***的物理损伤诊断结果;
其中,所述物理损伤诊断结果包括物理损伤类型及程度;
所述第二神经网络根据迁移学习算法和训练后的第一神经网络构建,所述训练后的第二神经网络根据第二训练集训练得到;
所述训练后的第一神经网络根据第一训练集训练得到;
所述第一训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型标签;
所述第二训练集包括多个样本图像以及每个样本图像对应的样本物理损伤类型及程度标签。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述光互连***的物理损伤诊断方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述光互连***的物理损伤诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427762.2A CN110210536A (zh) | 2019-05-22 | 2019-05-22 | 一种光互连***的物理损伤诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427762.2A CN110210536A (zh) | 2019-05-22 | 2019-05-22 | 一种光互连***的物理损伤诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110210536A true CN110210536A (zh) | 2019-09-06 |
Family
ID=67788183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910427762.2A Pending CN110210536A (zh) | 2019-05-22 | 2019-05-22 | 一种光互连***的物理损伤诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210536A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444864A (zh) * | 2020-03-30 | 2020-07-24 | 北京旷视科技有限公司 | 目标对象的磨损程度检测方法及装置 |
CN113627541A (zh) * | 2021-08-13 | 2021-11-09 | 北京邮电大学 | 一种基于样本迁移筛选的光路传输质量预测方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102238060A (zh) * | 2010-04-21 | 2011-11-09 | 华为技术有限公司 | 一种路由选择方法和装置 |
CN103944638A (zh) * | 2014-04-18 | 2014-07-23 | 华中科技大学 | 基于数字非线性处理的光信号调制格式识别方法及*** |
CN105515650A (zh) * | 2015-11-24 | 2016-04-20 | 华中科技大学 | 基于光谱特征的光信号调制格式识别方法 |
CN107342962A (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星座图分析方法 |
CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及*** |
CN108053030A (zh) * | 2017-12-15 | 2018-05-18 | 清华大学 | 一种开放领域的迁移学习方法及*** |
CN108182427A (zh) * | 2018-01-30 | 2018-06-19 | 电子科技大学 | 一种基于深度学习模型和迁移学习的人脸识别方法 |
CN108229549A (zh) * | 2017-12-28 | 2018-06-29 | 杭州大搜车汽车服务有限公司 | 一种智能识别车商装修程度的方法、电子设备和存储介质 |
CN108446631A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
CN108492873A (zh) * | 2018-03-13 | 2018-09-04 | 山东大学 | 一种用于辅助诊断阿兹海默症的知识迁移学习方法 |
CN108564122A (zh) * | 2018-04-10 | 2018-09-21 | 北京工业大学 | 基于卷积-循环混合网络的图像描述模型的一体化训练方法 |
CN108829684A (zh) * | 2018-05-07 | 2018-11-16 | 内蒙古工业大学 | 一种基于迁移学习策略的蒙汉神经机器翻译方法 |
CN108874900A (zh) * | 2018-05-24 | 2018-11-23 | 四川斐讯信息技术有限公司 | 一种样本图片数据集合的获取方法和*** |
CN109167627A (zh) * | 2018-10-09 | 2019-01-08 | 北京邮电大学 | 一种调制格式及光信噪比监测方法及装置 |
CN109508634A (zh) * | 2018-09-30 | 2019-03-22 | 上海鹰觉科技有限公司 | 基于迁移学习的船舶类型识别方法及*** |
-
2019
- 2019-05-22 CN CN201910427762.2A patent/CN110210536A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102238060A (zh) * | 2010-04-21 | 2011-11-09 | 华为技术有限公司 | 一种路由选择方法和装置 |
CN103944638A (zh) * | 2014-04-18 | 2014-07-23 | 华中科技大学 | 基于数字非线性处理的光信号调制格式识别方法及*** |
CN105515650A (zh) * | 2015-11-24 | 2016-04-20 | 华中科技大学 | 基于光谱特征的光信号调制格式识别方法 |
CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及*** |
CN107342962A (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星座图分析方法 |
CN108053030A (zh) * | 2017-12-15 | 2018-05-18 | 清华大学 | 一种开放领域的迁移学习方法及*** |
CN108229549A (zh) * | 2017-12-28 | 2018-06-29 | 杭州大搜车汽车服务有限公司 | 一种智能识别车商装修程度的方法、电子设备和存储介质 |
CN108182427A (zh) * | 2018-01-30 | 2018-06-19 | 电子科技大学 | 一种基于深度学习模型和迁移学习的人脸识别方法 |
CN108492873A (zh) * | 2018-03-13 | 2018-09-04 | 山东大学 | 一种用于辅助诊断阿兹海默症的知识迁移学习方法 |
CN108446631A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 基于卷积神经网络的深度学习的智能频谱图分析方法 |
CN108564122A (zh) * | 2018-04-10 | 2018-09-21 | 北京工业大学 | 基于卷积-循环混合网络的图像描述模型的一体化训练方法 |
CN108829684A (zh) * | 2018-05-07 | 2018-11-16 | 内蒙古工业大学 | 一种基于迁移学习策略的蒙汉神经机器翻译方法 |
CN108874900A (zh) * | 2018-05-24 | 2018-11-23 | 四川斐讯信息技术有限公司 | 一种样本图片数据集合的获取方法和*** |
CN109508634A (zh) * | 2018-09-30 | 2019-03-22 | 上海鹰觉科技有限公司 | 基于迁移学习的船舶类型识别方法及*** |
CN109167627A (zh) * | 2018-10-09 | 2019-01-08 | 北京邮电大学 | 一种调制格式及光信噪比监测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444864A (zh) * | 2020-03-30 | 2020-07-24 | 北京旷视科技有限公司 | 目标对象的磨损程度检测方法及装置 |
CN111444864B (zh) * | 2020-03-30 | 2023-11-17 | 北京旷视科技有限公司 | 目标对象的磨损程度检测方法及装置 |
CN113627541A (zh) * | 2021-08-13 | 2021-11-09 | 北京邮电大学 | 一种基于样本迁移筛选的光路传输质量预测方法 |
CN113627541B (zh) * | 2021-08-13 | 2023-07-21 | 北京邮电大学 | 一种基于样本迁移筛选的光路传输质量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102545128B1 (ko) | 뉴럴 네트워크를 수반한 클라이언트 장치 및 그것을 포함하는 시스템 | |
US11586911B2 (en) | Pre-training system for self-learning agent in virtualized environment | |
CN107342962B (zh) | 基于卷积神经网络的深度学习智能星座图分析方法 | |
CN112651978B (zh) | 舌下微循环图像分割方法和装置、电子设备、存储介质 | |
Robert et al. | Hybridnet: Classification and reconstruction cooperation for semi-supervised learning | |
CN110932809B (zh) | 光纤信道模型模拟方法、装置、电子设备和存储介质 | |
CN110349082A (zh) | 图像区域的裁剪方法和装置、存储介质及电子装置 | |
US20220284349A1 (en) | Techniques to generate network simulation scenarios | |
CN110210536A (zh) | 一种光互连***的物理损伤诊断方法及装置 | |
CN110324080A (zh) | 一种光性能监测的方法、装置、电子设备及介质 | |
CN110190909A (zh) | 一种用于光通信的信号均衡方法及装置 | |
CN109995449A (zh) | 一种基于深度学习的毫米波信号检测方法 | |
Wang et al. | Convolutional neural network-based deep learning for intelligent OSNR estimation on eye diagrams | |
Liu et al. | RB-Net: Training highly accurate and efficient binary neural networks with reshaped point-wise convolution and balanced activation | |
CN106778910A (zh) | 基于本地训练的深度学习***和方法 | |
CN114820871A (zh) | 字体生成方法、模型的训练方法、装置、设备和介质 | |
CN115358931A (zh) | 一种用于仓库物流***的图像重建方法及设备 | |
CN113987236A (zh) | 基于图卷积网络的视觉检索模型的无监督训练方法和装置 | |
CN112748941A (zh) | 基于反馈信息的目标应用程序的更新方法和装置 | |
CN110490876B (zh) | 一种基于轻量级神经网络的图像分割方法 | |
CN107633219A (zh) | 一体化光学字符识别方法和*** | |
CN112926691A (zh) | 一种提取特征逻辑用于分类的卷积树突方法 | |
CN113012072A (zh) | 一种基于注意力网络的图像运动去模糊方法 | |
CN116310391B (zh) | 一种用于茶叶病害的识别方法 | |
Fakhari et al. | An image restoration architecture using abstract features and generative models |
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: 20190906 |