技术摘要：
本发明实施例提供了一种基于异或神经网络的调制格式及信噪比识别方法及装置，方法包括：获取接收端所接收的数字域信号经过预处理后的待识别信号；根据待识别信号生成星座图；将星座图输入预先训练完成的信号识别神经网络，得到待识别信号的调制格式和信噪比，信号识别  全部
背景技术：
在光通信领域，光性能监测(optical  performance  monitor，OPM)是网络管理中 的重要组成部分，对于保证各种中间节点和目的节点的高质量服务至关重要。光调制格式 识别和光信噪比识别是OPM的两个重要方面。 近年来，相干光传输和先进的调制格式在光通信领域广泛应用。由于星座图可以 显示幅度和相位信息，能够全面的呈现不同调制信号的多个性能指标，因此可以通过星座 图来识别调制格式和估计光信噪比。 然而，传统的星座图分析方法对专业知识的依赖性很强，只适用于经验丰富的工 程师。另外，传统的统计方法需要获取每个星座点的信息，这意味着需要收集所有的同相和 正交数据。这是一个相当耗时的过程，因此不适用于实时测试系统。因此，无需人工干预、无 人为误差的星座图分析方法是未来的发展方向。 近年来，出现了基于复杂神经网络进行光调制格式识别和光信噪比识别的技术， 与传统方法相比，基于复杂神经网络的技术能够取得更高的准确率。然而，复杂神经网络的 模型规模较大、占用的计算资源较多且运算速度也较慢，因此无法应用于实时系统。
技术实现要素：
本发明实施例的目的在于提供一种基于异或神经网络的调制格式及信噪比识别 方法及装置，用以解决现有的采用复杂神经网络进行信号调制格式及信噪比识别存在的模 型规模较大、占用的计算资源较多且运算速度也较慢无法应用于实时系统的技术问题。具 体技术方案如下： 为实现上述目的，本发明实施例提供了一种基于异或神经网络的调制格式及信噪 比识别方法，所述方法包括： 获取接收端所接收的数字域信号经过预处理后的待识别信号； 根据所述待识别信号生成星座图； 将所述星座图输入预先训练完成的信号识别神经网络，得到所述待识别信号的调 制格式和信噪比，所述信号识别神经网络为异或神经网络，所述信号识别神经网络是根据 训练集预先训练的，所述训练集包括多个样本信号对应的样本星座图以及每个样本信号的 调制格式标签和信噪比标签。 可选的，所述信号识别神经网络包含第一子网络和第二子网络，所述第一子网络 为全精度卷积神经网络，所述第二子网络为二值化异或卷积神经网络，所述第一子网络的 输出为所述第二子网络的输入。 可选的，所述第一子网络包含全精度卷积层、第一批归一化层、激活函数层和第一 4 CN 111614398 A 说　明　书 2/10 页 最大池化层；所述第二子网络包含第二批归一化层、二值激活函数层、二值异或卷积层、第 二最大池化层、二值全连接层和输出层。 可选的，所述全精度卷积层的卷积核数目为20；所述二值异或卷积层的卷积核数 目为500，所述二值全连接层的神经元数目为500。 可选的，按照如下方式训练所述信号识别神经网络： 获取预设的异或神经网络模型和所述训练集； 将所述样本星座图输入所述异或神经网络模型，得到样本信号的调制格式和信噪 比的识别结果； 基于所述样本信号的调制格式和信噪比的识别结果，以及样本信号的真实调制格 式标签和信噪比标签，确定损失值； 基于所述损失值判断所述异或神经网络模型是否收敛； 若否，则调整所述异或神经网络模型中的参数值，并返回所述将所述样本星座图 输入所述异或神经网络模型，得到样本信号的调制格式和信噪比的识别结果的步骤； 若是，则将当前的异或神经网络模型确定为信号识别神经网络。 为实现上述目的，本发明实施例还提供了一种基于异或神经网络的调制格式及信 噪比识别装置，所述装置包括： 获取模块，用于获取接收端所接收的数字域信号经过预处理后的待识别信号； 生成模块，用于根据所述待识别信号生成星座图； 识别模块，用于将所述星座图输入预先训练完成的信号识别神经网络，得到待识 别信号的调制格式和信噪比，所述信号识别神经网络为异或神经网络，所述信号识别神经 网络是根据训练集预先训练的，所述训练集包括多个样本信号对应的样本星座图以及每个 样本信号的调制格式标签和信噪比标签。 可选的，所述信号识别神经网络包含第一子网络和第二子网络，所述第一子网络 为全精度卷积神经网络，所述第二子网络为二值化异或卷积神经网络，所述第一子网络的 输出为所述第二子网络的输入； 所述第一子网络包含全精度卷积层、第一批归一化层、激活函数层和第一最大池 化层；所述第二子网络包含第二批归一化层、二值激活函数层、二值异或卷积层、第二最大 池化层、二值全连接层和输出层。 可选的，所述装置还包括训练模块，所述训练模块用于训练所述信号识别神经网 络，所述训练模块，具体用于： 获取预设的异或神经网络模型和所述训练集； 将所述样本星座图输入所述异或神经网络模型，得到样本信号的调制格式和信噪 比的识别结果； 基于所述样本信号的调制格式和信噪比的识别结果，以及样本信号的真实调制格 式标签和信噪比标签，确定损失值； 基于所述损失值判断所述异或神经网络模型是否收敛； 若否，则调整所述异或神经网络模型中的参数值，并返回所述将所述样本星座图 输入所述异或神经网络模型，得到样本信号的调制格式和信噪比的识别结果的步骤； 若是，则将当前的异或神经网络模型确定为信号识别神经网络。 5 CN 111614398 A 说　明　书 3/10 页 为实现上述目的，本发明实施例还提供了一种电子设备，包括处理器、通信接口、 存储器和通信总线；其中，处理器、通信接口、存储器通过通信总线完成相互间的通信； 存储器，用于存放计算机程序； 处理器，用于执行存储器上所存放的程序时，实现上述任一方法步骤。 为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机 可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法步 骤。 本发明实施例有益效果： 应用本发明实施例提供的基于异或神经网络的调制格式及信噪比识别方法及装 置，能够获取接收端所接收的数字域信号经过预处理后的待识别信号，根据待识别信号生 成星座图，将星座图输入预先训练完成的信号识别神经网络，得到待识别信号的调制格式 和信噪比，信号识别神经网络为异或神经网络，信号识别神经网络是根据训练集预先训练 的，训练集包括多个样本信号对应的样本星座图以及每个样本信号的调制格式标签和信噪 比标签。可见，采用预先训练完成的异或神经网络识别光纤通信中信号的调制格式和信噪 比，相比于复杂神经网络，显著降低网络模型规模，减少网络占用的计算资源且提升运算速 度，能够适用于实时系统。 当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优 点。 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简单地介绍，显而易见地，下面描述中的附图仅仅是本 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基于异或神经网络的调制格式及信噪比识别方法的一 种流程示意图； 图2为本发明实施例提供的光通信系统的一种示意图； 图3为本发明实施例提供的信号识别神经网络的一种结构示意图； 图4为本发明实施例提供的训练信号识别神经网络的一种流程示意图； 图5为本发明实施例提供的基于异或神经网络的调制格式及信噪比识别装置的一 种结构示意图； 图6为本发明实施例提供的电子设备的一种结构示意图。