本發(fā)明涉及光通信技術(shù)領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)智能星座圖分析方法。

背景技術(shù)：

機(jī)器學(xué)習(xí)(ml)技術(shù)提供了強(qiáng)大的工具來解決諸如自然語言處理，數(shù)據(jù)挖掘，語音識別和圖像識別等許多領(lǐng)域的問題。同時(shí)，機(jī)器學(xué)習(xí)技術(shù)在光通信領(lǐng)域也得到了廣泛的應(yīng)用，很大程度上促進(jìn)了智能系統(tǒng)的發(fā)展。目前研究主要集中在使用不同的機(jī)器學(xué)習(xí)算法進(jìn)行光學(xué)性能監(jiān)測(opm)和非線性損傷補(bǔ)償方面，所使用的機(jī)器學(xué)習(xí)算法包括期望最大值(em)，隨機(jī)森林，反向傳播人工神經(jīng)網(wǎng)絡(luò)(bp-ann)，k近鄰(knn)和支持向量機(jī)(svm)等。然而，所有上述機(jī)器學(xué)習(xí)算法在特征提取的能力上都有其算法本身的限制。更具體地說，機(jī)器學(xué)習(xí)模型不能直接處理自然數(shù)據(jù)的原始形式，因此不得不在運(yùn)用算法前需要相當(dāng)多的領(lǐng)域?qū)ｉL和工程技能來設(shè)計(jì)特征提取器，將原始數(shù)據(jù)轉(zhuǎn)換成合適的內(nèi)部表示或特征向量，進(jìn)而子系統(tǒng)才能檢測出輸入數(shù)據(jù)的模式。因此，希望可以開發(fā)出更先進(jìn)的機(jī)器學(xué)習(xí)算法，不僅可以直接對原始數(shù)據(jù)進(jìn)行處理，還可以自動檢測所需的特征。

最近，深度學(xué)習(xí)成為一個(gè)火熱的研究課題，其目的是使得機(jī)器學(xué)習(xí)更接近人工智能(ai)的目標(biāo)。深度學(xué)習(xí)可以被理解為具有多個(gè)非線性層的深度神經(jīng)網(wǎng)絡(luò)，其通過自學(xué)習(xí)過程從數(shù)據(jù)中學(xué)習(xí)特征，而不是由人類工程師來進(jìn)行人工設(shè)計(jì)。深度學(xué)習(xí)中最著名的突破之一是googledeepmind的電腦程序“alphago”，他們首次在棋盤游戲中以自學(xué)習(xí)的能力擊敗了專業(yè)的選手。另外，作為目前的研究熱點(diǎn)，深度學(xué)習(xí)在無人駕駛飛行器，醫(yī)療診斷，情緒分析等各種應(yīng)用領(lǐng)域取得了重大進(jìn)展。然而據(jù)我們所知，在光通信系統(tǒng)領(lǐng)域卻幾乎沒有基于深度學(xué)習(xí)的研究工作。

同時(shí)，在光通信領(lǐng)域中，測量光信號質(zhì)量是光通信中最重要的任務(wù)之一。一般來說，在強(qiáng)度調(diào)制直接檢測(im-dd)系統(tǒng)中，眼圖作為常用的分析對象，其定性地反映了所有損傷對信號質(zhì)量的影響，特別是對于開關(guān)鍵控(ook)和脈沖幅度調(diào)制(pam)。然而近年來，隨著相干光通信系統(tǒng)和先進(jìn)的調(diào)制格式如m進(jìn)制相移鍵控(psk)和正交幅度調(diào)制(qam)不斷的發(fā)展，由于眼圖缺少相位信息，使用它來進(jìn)行性能分析不再能得到很好的效果。而星座圖可以同時(shí)顯示幅度和相位信息，并且能夠全面度量psk和qam信號的多種性能。通過對星座圖的觀察，可以從中識別調(diào)制格式、估計(jì)光信噪比(osnr)、計(jì)算誤差矢量幅度(evm)，并且可以對各種損傷進(jìn)行分析。然而，傳統(tǒng)的星座圖分析方法在很大程度上取決于很高的專業(yè)知識，僅適用于經(jīng)驗(yàn)豐富的工程師。同時(shí)，手動操作只能做定性估計(jì)，難以獲得準(zhǔn)確的結(jié)果。此外，傳統(tǒng)的統(tǒng)計(jì)方法需要獲取每個(gè)星座點(diǎn)的信息，這意味著需要收集所有的同相分量和正交分量的數(shù)據(jù)，過程耗時(shí)，不適用于實(shí)時(shí)測試系統(tǒng)。因此，預(yù)期的星座圖分析方法仍然希望能夠采用更先進(jìn)的技術(shù)來進(jìn)行智能分析，無需人工干預(yù)，做到精確測量，無需數(shù)據(jù)統(tǒng)計(jì)即時(shí)處理，真正實(shí)現(xiàn)性能分析的智能化和自動化。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于將深度學(xué)習(xí)技術(shù)應(yīng)用到光通信領(lǐng)域，提供一種智能、可靠的基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)智能星座圖分析方法，解決傳統(tǒng)星座圖性能分析中無法直接處理原始數(shù)據(jù)、需進(jìn)行人工干預(yù)的弊端，實(shí)現(xiàn)了對星座圖原始圖像進(jìn)行性能分析的智能化和自動化。

為達(dá)到上述目的，本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)智能星座圖分析方法，將基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)應(yīng)用到星座圖分析中，利用卷積神經(jīng)網(wǎng)絡(luò)對星座圖進(jìn)行多種性能分析，所述方法包括以下步驟：步驟一、獲取所需分析的星座圖訓(xùn)練數(shù)據(jù)集；步驟二、星座圖圖像預(yù)處理；步驟三、訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(cnn)模塊對星座圖進(jìn)行特征提??；步驟四、將所需分析星座圖輸入訓(xùn)練完成的cnn模塊進(jìn)行模式識別和性能分析；步驟五、輸出分析結(jié)果。

優(yōu)選地，所述星座圖中所需分析的多種性能為調(diào)制格式、光信噪比(osnr)、色散(cd)、線性損傷和非線性損傷。

優(yōu)選地，所述星座圖訓(xùn)練集獲取步驟一中，采集星座圖的各種性能不同指標(biāo)情況下的訓(xùn)練數(shù)據(jù)集，其中，訓(xùn)練數(shù)據(jù)集中的每組數(shù)據(jù)由輸入為星座圖圖像和輸出為特定性能的特定指標(biāo)信息對構(gòu)成。

優(yōu)選地，所述星座圖預(yù)處理步驟二中，將所述步驟一中獲取的訓(xùn)練數(shù)據(jù)集中的彩色星座圖圖像轉(zhuǎn)換為灰度圖像，并將得到的星座圖灰度圖像進(jìn)行下采樣處理。

優(yōu)選地，所述訓(xùn)練cnn模塊進(jìn)行特征提取步驟三中，將所述步驟二中預(yù)處理后的星座圖輸入構(gòu)建好的cnn模塊中，基于所述訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練過程后，所述cnn模塊自動從星座圖圖像中提取特征，并構(gòu)建特征與不同性能之間的關(guān)系。

優(yōu)選地，所述cnn模塊模式識別和性能分析步驟四中，經(jīng)預(yù)處理的所需分析的星座圖輸入所述訓(xùn)練完成的cnn模塊中，cnn模塊對輸入的星座圖進(jìn)行模式識別，并通過其以往的學(xué)習(xí)經(jīng)驗(yàn)對當(dāng)前輸入的星座圖進(jìn)行性能分析。

優(yōu)選地，所述輸出分析結(jié)果步驟五中，由所述cnn模塊輸出的信息包含所需分析的各種性能，可從輸出信息中得到不同性能的分析結(jié)果。

優(yōu)選地，所述cnn模塊的結(jié)構(gòu)主要包括：一個(gè)輸入層、n個(gè)卷積層(c1、c2、…、cn)、n個(gè)池化層(p1、p2、…、pn)、m個(gè)全連接層(f1、f2、…、fm)、一個(gè)輸出層，其中，所述輸入層的輸入為經(jīng)過預(yù)處理的星座圖圖像，輸入層與卷積層c1相連接；所述卷積層c1含有k1個(gè)大小為a1×a1的卷積核，所述輸入層圖像經(jīng)過卷積層c1得到k1個(gè)特征圖，進(jìn)而將得到的特征圖傳送至池化層p1；所述池化層p1以b1×b1的采樣大小對所述卷積層c1生成的特征圖進(jìn)行池化，得到相應(yīng)的k1個(gè)采樣后的特征圖，再將得到的特征圖傳送至下一個(gè)卷積層c2；所述n個(gè)卷積層和池化層對的順次連接，進(jìn)而不斷提取圖像深層次的抽樣特征，最后一個(gè)池化層pn與全連接層f1相連接，其中，卷積層ci含有ki個(gè)大小為ai×ai的卷積核，池化層pj的采樣大小為bj×bj，ci表示第i個(gè)卷積層，pj表示第j個(gè)池化層；所述全連接層f1為所述最后一個(gè)池化層pn所得的所有kn個(gè)特征圖的像素點(diǎn)映射而成的一維層，每個(gè)像素代表所述全連接層f1的一個(gè)神經(jīng)元節(jié)點(diǎn)，f1層的所有神經(jīng)元節(jié)點(diǎn)與下一個(gè)全連接層f2的神經(jīng)元節(jié)點(diǎn)進(jìn)行全連接；經(jīng)m個(gè)全連接層順次連接，最后一個(gè)全連接層fm與所述輸出層進(jìn)行全連接；所述輸出層輸出所需分析的星座圖不同性能的節(jié)點(diǎn)信息。

優(yōu)選地，所述輸出層輸出的節(jié)點(diǎn)信息為l位的二進(jìn)制比特序列，其中，所述n個(gè)不同的性能分別以l1、l2、…、ln位二進(jìn)制比特信息來表示，li位用于表示第i個(gè)性能的li種不同的指標(biāo)信息，其中l(wèi)＝l1+l2+…+ln。

優(yōu)選地，基于cnn的星座圖處理算法將作為示波器的星座圖軟件處理模塊或仿真軟件的星座圖分析模塊，進(jìn)而嵌入到測試儀器中進(jìn)行智能信號分析和性能監(jiān)測。

本發(fā)明的有益效果在于：本發(fā)明解決了傳統(tǒng)星座圖分析的弊端，將基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)應(yīng)用到星座圖分析中，利用卷積神經(jīng)網(wǎng)絡(luò)對星座圖進(jìn)行多種性能分析，應(yīng)用本發(fā)明可以對星座圖原始圖像數(shù)據(jù)進(jìn)行直接處理，無需由人工干預(yù)來進(jìn)行特征提取，實(shí)現(xiàn)星座圖性能分析的智能化和自動化，進(jìn)而可以作為示波器的星座圖軟件處理模塊或仿真軟件的星座圖分析模塊，嵌入到測試儀器中進(jìn)行智能信號分析和性能監(jiān)測。

附圖說明

圖1示出了本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)智能星座圖分析方法的流程圖；

圖2示出了本發(fā)明一個(gè)實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)智能星座圖分析結(jié)構(gòu)示意圖；

圖3示出了本發(fā)明一個(gè)實(shí)施例收集的不同調(diào)制格式和不同osnr的部分星座圖圖像；

圖4示出了本發(fā)明一個(gè)實(shí)施例的不同調(diào)制格式下所估計(jì)的osnr的精確度示意圖；

圖5示出了本發(fā)明一個(gè)實(shí)施例的不同調(diào)制格式下cnn與其他機(jī)器學(xué)習(xí)算法對于星座圖性能分析精確度的對比示意圖；

圖6示出了本發(fā)明一個(gè)實(shí)施例的訓(xùn)練數(shù)據(jù)集較小的情況下不同迭代次數(shù)對調(diào)制格式識別的精確度示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例，對本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說明本發(fā)明，但不用來限制本發(fā)明的保護(hù)范圍。

如圖1所示，本發(fā)明提出的基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)智能星座圖分析方法，將基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)應(yīng)用到星座圖分析中，利用卷積神經(jīng)網(wǎng)絡(luò)對星座圖進(jìn)行多種性能分析，包括以下步驟：步驟一、獲取所需分析的星座圖訓(xùn)練數(shù)據(jù)集；步驟二、星座圖圖像預(yù)處理；步驟三、訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(cnn)模塊對星座圖進(jìn)行特征提??；步驟四、將所需分析星座圖輸入訓(xùn)練完成的cnn模塊進(jìn)行模式識別和性能分析；步驟五、輸出分析結(jié)果。

本實(shí)施例中，所述要進(jìn)行分析的星座圖性能為調(diào)制格式和osnr。

所述獲取星座圖訓(xùn)練數(shù)據(jù)集步驟一中，基于vpitransmissionmaker9.0建立了基本的仿真系統(tǒng)，由偽隨機(jī)二進(jìn)制序列生成六種不同調(diào)制格式的光信號，分別為：qpsk，8psk，8qam，16qam，32qam，64qam。該六種調(diào)制格式均是基于相干檢測方式，傳遞的信息反映在信號的幅度和相位上，適合于后續(xù)的星座圖分析。仿真系統(tǒng)中使用摻鉺光纖放大器(edfa)將放大的自發(fā)發(fā)射(ase)噪聲添加到光信號中，并且在1db的步長下，利用可變光衰減器(voa)將osnr調(diào)整為10至25db。為了盡可能模擬真實(shí)的光信號，系統(tǒng)中加入了色散(cd)仿真器，使得模擬生成的星座圖更能反映真實(shí)的情況。在接收機(jī)處，通過與兩個(gè)平衡光電探測器(bpd)連接的90°光混合接收機(jī)對信號進(jìn)行相干檢測。通過兩個(gè)模數(shù)轉(zhuǎn)換器(adc)進(jìn)行同步采樣之后，分別獲得六個(gè)信號包含同相分量(i)和正交分量(q)信息的兩個(gè)數(shù)字信號。為了獲得更為逼真的視覺效果，本實(shí)施例采用示波器中專門的星座圖生成模塊，將接收到的i、q分量轉(zhuǎn)換為相應(yīng)的星座圖。

基于所述仿真系統(tǒng)，本實(shí)施例規(guī)定每種調(diào)制格式生成16個(gè)不同osnr值的星座圖圖像，對每種調(diào)制格式的每個(gè)osnr值收集100張像素大小為720×720的“jpg”格式的星座圖圖像，這里，以每種調(diào)制格式的每個(gè)osnr值及其相應(yīng)的星座圖圖像作為一組訓(xùn)練數(shù)據(jù)，因此整個(gè)訓(xùn)練數(shù)據(jù)集合總共包括9600(1600×6)組訓(xùn)練數(shù)據(jù)。

所述星座圖圖像預(yù)處理步驟二中，為了減少計(jì)算量和增強(qiáng)泛化能力，將步驟一中收集到的星座圖圖像經(jīng)灰度變換后使得原來的彩色圖像轉(zhuǎn)換為灰度圖像，并經(jīng)過下采樣使得原始星座圖的像素大小降至28×28，最后將處理后的訓(xùn)練數(shù)據(jù)集輸入到建立好的cnn模塊中。如圖3所示，不同的星座圖可以呈現(xiàn)出不同的調(diào)制格式，并且如果對所觀察到的星座圖在視覺上進(jìn)行仔細(xì)分析，其同樣可以看出星座圖與osnr值的一階近似關(guān)系。

所述訓(xùn)練cnn模塊進(jìn)行特征提取步驟三中，其中輸入cnn模塊的星座圖訓(xùn)練數(shù)據(jù)集，其每個(gè)星座圖圖像均與一個(gè)由22個(gè)比特組成的標(biāo)簽向量一一對應(yīng)，標(biāo)簽向量的前6位代表不同的調(diào)制格式(qpsk：000001、8psk：000010、8qam：000100、16qam：001000、32qam：010000、64qam：100000)，后16位代表不同的osnr值(10db：0000000000000001、11db：0000000000000010，…，25db：1000000000000000)。在所述的訓(xùn)練過程中，cnn模塊逐漸提取輸入星座圖圖像的有效特征。同時(shí)，為了最小化理想標(biāo)簽向量和實(shí)際輸出標(biāo)簽向量之間的誤差，cnn模塊通過反向傳播使用梯度下降的方法來逐步調(diào)整其內(nèi)核的參數(shù)。

圖2表示本發(fā)明一個(gè)具體實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的智能星座圖分析結(jié)構(gòu)示意圖，所述cnn模塊的結(jié)構(gòu)主要包括以下幾個(gè)部分：一個(gè)輸入層、兩個(gè)卷積層(c1、c2)、兩個(gè)池化層(p1、p2)、一個(gè)全連接層(f1)、一個(gè)輸出層。經(jīng)過預(yù)處理的28×28星座圖圖像作為輸入層輸入cnn模塊，與卷積層c1相連接；輸入的星座圖圖像經(jīng)過含有6個(gè)大小為5×5的卷積核的卷積層c1，得到6個(gè)大小為24×24特征圖，進(jìn)而將得到的特征圖傳送至池化層p1；池化層p1以2×2的采樣大小對6個(gè)特征圖進(jìn)行最大池化，得到相應(yīng)的6個(gè)大小為12×12的采樣后的特征圖，進(jìn)而將得到的特征圖傳送至卷積層c2；卷積層c2含有12個(gè)大小為5×5的卷積核，池化層p1所得的6個(gè)特征圖經(jīng)卷積層c2得到12個(gè)大小為8×8的特征圖，進(jìn)而將得到的特征圖傳送至池化層p2；池化層p2同樣以2×2的采樣大小對卷積層c2生成的12個(gè)大小為4×4特征圖進(jìn)行最大池化，得到相應(yīng)的12個(gè)采樣后的特征圖，接著將得到的特征圖傳送至全連接層f1；池化層p2所得的所有特征圖的像素點(diǎn)映射為一維的全連接層f1，每個(gè)像素代表全連接層f1的一個(gè)神經(jīng)元節(jié)點(diǎn)，全連接層f1的每個(gè)神經(jīng)元節(jié)點(diǎn)與輸出層進(jìn)行全連接；最后輸出層輸出所需分析的星座圖性能的節(jié)點(diǎn)信息。

其中，卷積層是cnn模塊的核心構(gòu)件。該層中的參數(shù)由一組卷積核組成，它們具有較小的局部感受野，但卻可以延伸到星座圖圖像的整個(gè)深度。在向前傳播的過程中，每個(gè)卷積核與星座圖圖像的寬度和高度上的像素點(diǎn)進(jìn)行卷積，輸出一個(gè)二維的平面，其被稱為從該卷積核生成的特征圖。與數(shù)學(xué)中的經(jīng)典卷積不同，cnn中的操作是離散卷積，可以被看作是矩陣相乘。卷積核可以被看作為特征檢測器，通過卷積核，cnn模塊可以從輸入的圖像中學(xué)習(xí)到其獨(dú)有的特征，同時(shí)為了構(gòu)建一個(gè)更加有效的模型，一般需要多個(gè)卷積核來檢測多個(gè)特征，以便在卷積層中產(chǎn)生多個(gè)特征圖。在經(jīng)過卷積層的特征提取后，池化層會將語義上類似的特征合并成相應(yīng)的一個(gè)，典型的池化方式是計(jì)算一個(gè)特征圖中局部單元塊的最大值，進(jìn)行特征圖的子采樣。本實(shí)施例中每個(gè)子采樣單元從卷積特征圖中2×2的單位區(qū)域獲取輸入，并將這些輸入的最大值作為池化后的數(shù)值，進(jìn)而構(gòu)成池化后的特征圖。

所述cnn模塊模式識別性能分析步驟四中，經(jīng)預(yù)處理的所需分析的6種不同調(diào)制格式、每種調(diào)制格式具有范圍為的osnr值(以1db為步長)的星座圖圖像輸入到上述訓(xùn)練完成的cnn模塊中，cnn模塊對輸入的不同情況下的星座圖進(jìn)行模式識別，并通過訓(xùn)練階段的學(xué)習(xí)經(jīng)驗(yàn)對輸入的星座圖進(jìn)行調(diào)制格式和osnr的性能分析，將分析結(jié)果以22位的比特向量的形式輸出。

所述輸出分析結(jié)果步驟五中，從cnn模塊輸出的22位比特向量中，其前6位可得到所分析星座圖的調(diào)制格式信息，后16位可得到相應(yīng)的osnr值。

為表現(xiàn)本發(fā)明所提方法分析的準(zhǔn)確性，圖4顯示了不同調(diào)制格式不同迭代次數(shù)下cnn模塊對osnr的估計(jì)精度。顯然，四種調(diào)制格式的精確度均隨著cnn模塊迭代次數(shù)的增加而增加。不同迭代次數(shù)所訓(xùn)練的cnn模塊具有不同的性能識別能力。在本實(shí)施例中，當(dāng)?shù)螖?shù)超過200時(shí)，六種調(diào)制格式下cnn模塊對其相應(yīng)的osnr估計(jì)的精度均達(dá)到99％，即所分析的性能接近無錯(cuò)誤結(jié)果。

同時(shí)，為證明本發(fā)明的優(yōu)勢，將cnn與其他四種著名的機(jī)器學(xué)習(xí)算法，即決策樹，dw-knn，bp-ann和svm進(jìn)行了比較。每個(gè)算法對于不同調(diào)制格式下osnr的估計(jì)精度于直方圖的形式示于圖5，由圖5可見cnn對于其他四種算法具有明顯的優(yōu)勢。其中，決策樹算法處理速度快且對內(nèi)存的要求很小，這些優(yōu)勢同時(shí)也導(dǎo)致其估計(jì)精度較低；dw-knn算法通常在低維度上具有良好的估計(jì)精度，但在高維度上可能會產(chǎn)生很大的偏差；svm算法在估計(jì)精度和內(nèi)存使用上均具有很大的優(yōu)勢，其僅需要很少的支持向量，但其本質(zhì)上只是一個(gè)二進(jìn)制分類器，所以面對多個(gè)osnr的值便需要多個(gè)svm分類器來進(jìn)行處理；雖然bp神經(jīng)網(wǎng)絡(luò)也是從神經(jīng)網(wǎng)絡(luò)發(fā)展而來，但其缺乏特征提取的能力，需要大量訓(xùn)練數(shù)據(jù)才能達(dá)到較好的效果，并且容易陷入局部最小值以及產(chǎn)生過擬合現(xiàn)象。與以上算法相比，cnn對輸入數(shù)據(jù)方差的敏感較低，所構(gòu)建的網(wǎng)絡(luò)更為強(qiáng)大，在很大程度上可以避免過擬合現(xiàn)象，并且能夠自動提取輸入數(shù)據(jù)的特征，尤其是在圖像處理上具有非常好的效果，同時(shí)，由于局部感受野、權(quán)重分配、子采樣等優(yōu)勢，cnn能夠以適當(dāng)?shù)挠?jì)算成本實(shí)現(xiàn)最佳的準(zhǔn)確性。

如圖6所示，將每種調(diào)制格式的訓(xùn)練數(shù)據(jù)集大小減小為800、400、320、200、160，分別測量不同迭代次數(shù)下本發(fā)明對于調(diào)制格式識別的精確度。當(dāng)僅進(jìn)行一次迭代時(shí)，小訓(xùn)練數(shù)據(jù)集所訓(xùn)練出的cnn模塊對于調(diào)制格式識別的精確度較差；然而隨著迭代次數(shù)的增加，調(diào)制格式識別的精確度逐漸增加，最終均達(dá)到100％的準(zhǔn)確度。因此，即使對于訓(xùn)練數(shù)據(jù)集較小的情況，本發(fā)明也可以通過增加幾次迭代很容易地實(shí)現(xiàn)無錯(cuò)誤的結(jié)果，這證明了cnn模塊對調(diào)制格式識別的突出效果。

綜上，本發(fā)明所提出的方法將基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)應(yīng)用到星座圖分析中，可以有效地作為示波器的星座圖軟件處理模塊或仿真軟件的星座圖分析模塊，進(jìn)而嵌入到測試儀器中進(jìn)行智能信號分析和性能監(jiān)測，實(shí)現(xiàn)星座圖分析的自動化和智能化。

以上實(shí)施例僅用于說明本發(fā)明，而并對本發(fā)明的保護(hù)范圍加以限制，對于相關(guān)領(lǐng)域的技術(shù)人員，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。