基于分布式深度神经网络模场识别的多模串扰分析方法

本发明涉及通信的光传输技术，尤其涉及一种基于分布式深度神经网络模场识别的多模串扰分析方法。

背景技术：

1、随着网络用户的持续增加、网络数据新型业务的不断涌现，对于网络容量的需求不断增长，基于普通单模光纤的光通信系统已经无法应对蓬勃的网络容量需求，多模光纤中的模式作为一种新型的光的复用维度受到了世界范围内的广泛关注。

2、要实现模分复用光传输系统，除了多模光纤，也必须使用与其匹配的分立模式器件，如模式转换器、模式复用器/解复用器等。这些分立模式器件与多模光纤一起决定了模分复用光传输系统的性能。因此如何精确测量这些分立模式器件的模式间串扰水平已成当务之急。作为分立模式器件的代表，模式复用/解复用器的分立式模式间串扰测量得到了较多的研究。

3、深度神经网络具有多层结构，其表达学习也是层级分布的，对输入向量而言，逐层传输会给深度神经网络后面层带来延迟，而且随着运算参数不断累积，计算耗能也逐层增多，是不利于下一代移动网络无线电资源的实时控制的。在此基础上，提出分布式深度神经网络模型，其具有分布式计算层次结构，面向边缘计算的分布式深度神经网络是指将单个深度神经网络的部分映射到分布式异构设备上，包括云、边缘和地理分布的终端设备。

4、分布式深度神经网络不仅能够允许在云端进行深度神经网络的推理，还允许在边缘和终端设备上使用神经网络的浅层部分进行快速、本地化推理。在可伸缩的分布式计算层次结构的支持下，分布式深度神经网络可以在神经网络规模上进行扩展和在地理范围上扩展。由于分布式的性质，分布式深度神经网络增强了传感器融合、系统容错性和数据隐私性。在实现分布式深度神经网络时，将深度神经网络部分映射到分布式计算层次结构下。通过联合训练这些部分，最小化设备的通信和资源使用量，最大化利用云计算中提取的特性。分布式深度神经网络可以利用传感器的地理多样性来提高目标识别的准确性和降低通信成本。

技术实现思路

1、发明目的：本发明的目的是提供一种基于分布式深度神经网络模场识别的多模串扰分析方法。

2、技术方案：本发明所述方法包括如下步骤：

3、(1)对所用到的分布式深度神经网络进行训练，在不同的光传输系统中，通过改变光信号的传播模式，得到不同的串扰信息；

4、(2)将串扰信息生成图像并输入分布式深度神经网络进行训练，得到了所需要的分布式深度神经网络模式串扰识别模型；

5、(3)将得到的串扰识别模型与不同的光传输系统结合，获得相对应的更快速、更精确的模式串扰信息。

6、进一步地，所述步骤(1)中的分布式深度神经网络逐层提取图像的特征，逐级学习出更加复杂的特征。

7、进一步地，所述步骤(2)中的分布式深度神经网络模式串扰识别模型采用交叉熵成本函数代替均方差误差成本函数。

8、进一步地，所述步骤(3)包括将多个光发射机发出的光信号进行复用，在经过多模光纤传输之后，将光信号分为1％和99％的两部分，1％光信号进入图像传感器生成图像，这些图像在通过已经训练好的分布式深度神经网络模型，得到更快速、更精确的模式串扰信息。

9、进一步地，所述多个光发射机发出的光信号通过模式复用器进行复用。

10、进一步地，所述光信号通过光隔离器进行分离。

11、进一步地，所述光信号进行复用并耦合进入多模光纤中。

12、进一步地，所述步骤(2)中在分布式深度神经网络中加入dropout的方法。

13、进一步地，所述dropout的方法是通过改变神经网络模型结构来计算多个模型的平均值。

14、进一步地，所述步骤(2)中的分布式深度神经网络按照前向传播逐层计算。

15、有益效果：本发明与现有技术相比，具有如下显著优点：本发明通过运用分布式深度神经网络模型，对多模光纤传输模式串扰进行识别，可以提高目标识别的准确性和降低通信成本，与传统的图像识别技术相比，分布式深度神经网络提高了图像识别的精度、通信和延迟需求，同时获得较高的容错性和隐私性。

技术特征：

1.一种基于分布式深度神经网络模场识别的多模串扰分析方法，其特征在于：所述方法包括如下步骤：

2.根据权利要求1所述的基于分布式深度神经网络模场识别的多模串扰分析方法，其特征在于：所述步骤(1)中的分布式深度神经网络逐层提取图像的特征，逐级学习出更加复杂的特征。

3.根据权利要求1所述的基于分布式深度神经网络模场识别的多模串扰分析方法，其特征在于：所述步骤(2)中的分布式深度神经网络模式串扰识别模型采用交叉熵成本函数代替均方差误差成本函数。

4.根据权利要求1所述的基于分布式深度神经网络模场识别的多模串扰分析方法，其特征在于：所述步骤(3)包括将多个光发射机发出的光信号进行复用，在经过多模光纤传输之后，将光信号分为1％和99％的两部分，1％光信号进入图像传感器生成图像，这些图像在通过已经训练好的分布式深度神经网络模型，得到更快速、更精确的模式串扰信息。

5.根据权利要求4所述的基于分布式深度神经网络模场识别的多模串扰分析方法，其特征在于：所述多个光发射机发出的光信号通过模式复用器进行复用。

6.根据权利要求4所述的基于分布式深度神经网络模场识别的多模串扰分析方法，其特征在于：所述光信号通过光隔离器进行分离。

7.根据权利要求4所述的基于分布式深度神经网络模场识别的多模串扰分析方法，其特征在于：所述光信号进行复用并耦合进入多模光纤中。

8.根据权利要求1所述的基于分布式深度神经网络模场识别的多模串扰分析方法，其特征在于：所述步骤(2)中在分布式深度神经网络中加入dropout的方法。

9.根据权利要求8所述的基于分布式深度神经网络模场识别的多模串扰分析方法，其特征在于：所述dropout的方法是通过改变神经网络模型结构来计算多个模型的平均值。

10.根据权利要求1所述的基于分布式深度神经网络模场识别的多模串扰分析方法，其特征在于：所述步骤(2)中的分布式深度神经网络按照前向传播逐层计算。

技术总结
本发明公开了一种基于分布式深度神经网络模场识别的多模串扰分析方法，包括对所用到的分布式深度神经网络进行训练，在不同的光传输系统中，通过改变光信号的传播模式，得到不同的串扰信息；将串扰信息生成图像并输入分布式深度神经网络进行训练，得到了所需要的分布式深度神经网络模式串扰识别模型；将得到的串扰识别模型与不同的光传输系统结合，获得相对应的更快速、更精确的模式串扰信息。本发明可以提高目标识别的准确性和降低通信成本，与传统的图像识别技术相比，分布式深度神经网络提高了图像识别的精度、通信和延迟需求，同时获得较高的容错性和隐私性。

技术研发人员：刘博,任建新,毛雅亚,陈庚胤,吴翔宇,吴泳锋,孙婷婷,赵立龙,戚志鹏,李莹,王凤,哈特
受保护的技术使用者：南京信息工程大学
技术研发日：
技术公布日：2024/1/14