Page 30 - 网络电信2022年9/10月刊

光 通 信
式中，η i 表示信号相位跳变角度;z表示变频信号的实际取
值结果; i表示信号帧内符号的序号。
使用上述公式，完成信号跳变补偿计算。
3. 光通信信号分类
在上文中对采集到光通信信号进行了初步的处理，在本部
分中使用人工智能技术中的先验函数提取光通信信号的特征参
数，并完成信号分类工作。将光通信信号特征参数设定为信号
均值、方差、峰值三部分。具体计算过程如下:
均值参数: 信号的均值体现了信号频点的平均强度，其计
算公式可表示为:
式中，v表示信号中每一帧的数据量; g表示经过分析处理
后的信号数据。
方差参数: 此参数表示了信号频点强度的波动情况，具体
计算公式可表示为:
其中，v表示信号中每一帧的数据量; g表示经过分析处理
后 的 信 号 数 据; F表示信号中包含的数据点均值。
峰值参数: 此参数表示了信号强度超出阈值的能量值，具
体公式显示如下:
使用此公式可得到第一峰值点、第二峰值点与第三峰值
点。根据上述参数构建光通信信号分类模型，由于使用卷积神
经网络完成了信号数据的处理工作，为了保证分类模型具有可
行性，使用BP神经网络 ［18－19］ 完成模型的构建工作。为了提升
分类模型的使用效果，在模型中增设隐形节点。节点个数设定
如下:
其中，N 表示信号样本数量; N2 表示分类模型中的隐形节
点个数。
根据此公式可得到模型输入层的节点个数:
50
（14） （19）
上述公式完成分类模型的构建工作，并将公式( 15) ～ (
17) 代入到此模型中，提升模型的信号分类性能。对文中设计
部分进行整合，至此，基于人工智能技术的复杂光通信信号分
类方法设计完成。
三．仿真实验
1.实验环境设定
为证实人工智能技术在信号分类中的可行性与使用效果，
在设计完成后构建实验环节完成验证过程。本次实验过程使用
仿真实验的形式，提取光通信信号数据作为实验数据来源，信
号频率范围固定在4000MHz～5200MHz 范围内容，由于信号来源
的不同，信号大致可分为5类，每个类别采集适量完整数据作为
实验数据，将数据混合后，随机分为10组作为实验组，具体实
（15） 验数据设定结果如下表1所示:
表1 实验数据设定结果
（16）
GXH－01，数据量150条，类型3类;GXH－02，数据量450
条，类型4类;GXH－03，数据量341条，类型4类;GXH－04，数
（17）
据量620条，类型2类; GXH－05数据量145条，类型2类;GXH－
06，数据量174条，类型3类; GXH－07，数据量560条，类3类;
GXH－08，数据量423条，类型2类;GXH－09，数据量625条，类
型5类;GXH－10，数据量685条，类型5类。选择常规分类方法作
为对照组与人工智能方法展开对比测试，在验证人工智能方法
使用效果的同时，对比人工智能方法与常规方法的优劣性。
2. 实验方案
并将实验指标设定为频谱参数识别精度、信号类别划分精
度以及信号类别划分细化程度。在实验的过程中，按照实验组
序号依次完成信号分类过程，每组重复 5 次，取其平均值作为
（18）
最终结果输出，并对实验结果加以分析，实现实验目的。
3. 验结果分析
频谱参数识别精度如图3所示。对实验结果展开分析后可以
发现，文献［4］方法参数识别精度在80% ～ 84%间波动，文献
［5］方法参数识别精度波动较大，非常的不稳定，文献［6］
方法参数识别精度随实验组数的增加，大多数的参数识别精度
网络电信 二零二二年九，十月