(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110863514.X (22)申请日 2021.07.2 9 (65)同一申请的已公布的文献号 申请公布号 CN 113626960 A (43)申请公布日 2021.11.09 (73)专利权人 南京信息 工程大学 地址 210044 江苏省南京市江北新区宁六 路219号 (72)发明人 朱筱嵘　刘博　毛雅亚　朱旭　 李明烨　雷思亮　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 孙永生 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) H04L 27/00(2006.01) H04B 10/60(2013.01) G06F 111/02(2020.01) (56)对比文件 CN 113052267 A,2021.0 6.29 CN 112380939 A,2021.02.19 CN 108886374 A,2018.1 1.23 CN 112953871 A,2021.0 6.11 CN 113050042 A,2021.0 6.29 CN 109890 043 A,2019.0 6.14 CN 110535803 A,2019.12.0 3 US 2018198520 A1,2018.07.12 Godwin Brown Tunze. 《Sparsely Connected CN N for Ef ficient Automatic Modulati on Recogn ition》 . 《IEEE Transacti ons on Vehicular Tec hnology》 .2020, 审查员 杨帆 (54)发明名称 一种抗模式耦合少模信号复杂格式解析方 法及装置 (57)摘要 本发明公开一种抗模式耦合少模信号复杂 格式解析方法及装置， 针对基于少模光纤的弹性 光网络调制格式识别效果差、 训练成本高问题， 通过领域自适应理论， 把波分复用技术作为源 域， 把模分复用技术当作目标域。 将受激拉曼散 射效应类比于模式耦合效应， 让神经网络学习到 能量迁移的规律。 相对比于重新训练的网络模 型， 该方法可以仅需要少量的少模 数据就可以实 现少模信号的调制格式识别， 显著降低神经网络 的训练成本， 加快网络模型的收敛速度， 减少模 型训练时间与计算复杂度。 同时， 借助迁移学习 的理论优势， 该网络具有更好的泛化能力和识别 性能， 可以适应少模光纤中的模式耦合对于调制格式的影 响， 实现少模光网络的调制格式识别任 务。 权利要求书2页 说明书7页 附图3页 CN 113626960 B 2022.06.14 CN 113626960 B 1.一种抗模式耦合少模信号复杂格式解析 方法， 其特 征在于， 包括以下步骤： 采集源域和目标域的数据样本并对收集的数据进行数据增强， 得到不同调制格式信号 的星座图， 再对收集到的所有 星座图进行归一 化处理， 获取训练数据； 获取源域的网络模型， 并根据 所述训练数据， 对所述网络模型进行训练， 获得训练好的 网络模型； 获取接收信号的目标域的数据并进行数据增强， 提取所述训练好的网络模型， 并针对 少模固有的链路损伤微调训练好的网络模型， 获得目标网络模型， 通过所述 目标网络模型 得到接收信号的调制格式； 所述源域为波分复用技术， 所述目标域为模分复用技术； 所述源域的数据来源于波分 复用系统的不同调制格式信号， 所述目标域的数据由基于单芯四模光纤的模分 复用系统得 到； 所述网络模型为卷积神经网络； 对网络模型进行训练的方法包括以下步骤： 通过网络迭代进行 领域对抗训练， 使源域和目标域的数据在特 征空间上分布一 致； 所述领域对抗训练是指对 网络模型中的领域分类器和特征提取器两者训练学习； 所述 领域分类器用于分辨出数据来自目标域还是源域， 所述特征提取器用于提取原始数据的特 征且同时欺骗领域分类 器数据来自哪个域； 所述领域对抗训练的方法包括以下步骤： 通过领域分类 器分辨出不同的数据来自源域还是目标域以提高领域分类 器的性能； 在性能提升的领域分类 器的情况 下， 对抗训练特 征提取器的特 征提取能力； 对于提升特征提取能力后的特征提取器， 将其与领域分类器进一步对抗训练， 以最终 达到收敛。 2.根据权利要求1所述的抗模式耦合少模信号复杂格式解析方法， 其特征在于， 网络训 练部分整体采用端到端的网络架构进行模型训练， 超参数的选择如下： 1)学习率:初始学习率设置为0.0 01， 每训练10轮减小20%； 2)优化器:使用Adam优化器； 3)其他:批处理大小设置为64， 总共训练10 00轮。 3.根据权利要求1所述的抗模式耦合少模信号复杂格式解析方法， 其特征在于， 所述领 域分类器包括3个全连接层和1个Sigmoid激活层， 输出当前输入数据属 于源域与目标域的 分类概率值。 4.根据权利要求1所述的抗模式耦合少模信号复杂格式解析方法， 其特征在于， 所述网 络模型采用简化版的残差网络结构， 包括 1个普通卷积层， 3个残差连接层， 2个转录块和2个 注意力层。 5.根据权利要求4所述的抗模式耦合少模信号复杂格式解析方法， 其特征在于， 所述普 通卷积层对初始的输入数据进行压缩处 理， 使用的卷积核大小为5， 步长为2； 所述残差连接层的卷积核的大小设置为3， 采用ReLu作为激活函数， 通过Stride实现数 据的降维； 注意力层采用多头注意力机制。 6.根据权利要求5所述的抗模式耦合少模信号复杂格式解析方法， 其特征在于， 所述转权　利　要　求　书 1/2 页 2 CN 113626960 B 2录块包括批标准化层、 ReLu激活层、 卷积层和池化层； 所述卷积层选取大小为1的卷积核以 减少特征维度， 且每 个转录块之后接上一个Dropout层， 其drop_rate设置为0.2。 7.一种用于实现如权利要求1 ‑6任一项所述的解析方法的抗模式耦合少模信号复杂格 式解析装置， 其特 征在于， 所述装置包括： 数据生成模块： 用于采集源域和目标域的数据样本并对收集的数据进行数据增强， 得 到不同调制格式信号的星座图， 再对收集到的所有 星座图进行归一 化处理， 获取训练数据； 网络训练模块： 用于获取源域的网络模型， 并根据 所述训练数据， 对所述网络模型进行 训练， 获得训练好的网络模型； 判别预测模块： 用于获取接收信号的目标域的数据并进行数据增强， 提取所述训练好 的网络模 型， 并针对少模固有的链路损伤微调训练好的网络模 型， 获得目标网络模型， 通过 所述目标网络模型 得到接收信号的调制格式； 所述源域为波分复用技术， 所述目标域为模分复用技术； 所述源域的数据来源于波分 复用系统的不同调制格式信号， 所述目标域的数据由基于单芯四模光纤的模分 复用系统得 到； 所述网络模型为卷积神经网络； 对网络模型进行训练的方法包括以下步骤： 通过网络迭代进行 领域对抗训练， 使源域和目标域的数据在特 征空间上分布一 致； 所述领域对抗训练是指对 网络模型中的领域分类器和特征提取器两者训练学习； 所述 领域分类器用于分辨出数据来自目标域还是源域， 所述特征提取器用于提取原始数据的特 征且同时欺骗领域分类 器数据来自哪个域； 所述领域对抗训练的方法包括以下步骤： 通过领域分类 器分辨出不同的数据来自源域还是目标域以提高领域分类 器的性能； 在性能提升的领域分类 器的情况 下， 对抗训练特 征提取器的特 征提取能力； 对于提升特征提取能力后的特征提取器， 将其与领域分类器进一步对抗训练， 以最终 达到收敛。 8.一种抗模式耦合少模信号复杂格式解析装置， 其特 征在于， 包括处 理器及存 储介质； 所述存储介质用于存 储指令； 所述处理器用于根据 所述指令进行操作以执行根据权利要求1~6任一项所述方法的步 骤。权　利　要　求　书 2/2 页 3 CN 113626960 B 3