-
公开(公告)号：CN108446631B
公开(公告)日：2020-07-31
申请号：CN201810228389.3
申请日：2018-03-20
Applicant: 北京邮电大学
Abstract: 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。
-
公开(公告)号：CN108957125A
公开(公告)日：2018-12-07
申请号：CN201810228526.3
申请日：2018-03-20
Applicant: 北京邮电大学
Abstract: 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。
-
公开(公告)号：CN108446631A
公开(公告)日：2018-08-24
申请号：CN201810228389.3
申请日：2018-03-20
Applicant: 北京邮电大学
CPC classification number: G06K9/00523 , G06K9/00536 , G06N3/0454
Abstract: 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。
-
-
Search Results
3
records
(took 0.025 seconds)
