Page 31 - 网络电信2022年9/10月刊
P. 31
在80%～ 84%之间，人工智能方法一直呈现持续上升的趋势，参 图5为信号类别划分细化程度，对图 5 中的内容进行分
数识别精度最高可达86%，稳定性较强。说明人工智能方法可以 析可以看出，在多次实验中常规方法与人工智能方法的类别划
对信号频谱参数的识别能力相对较高，高精度的频谱识别参数 分细化程度有所不同。引用文献方法的信号划分精度在整体信
可以有效提升信号分类处理效率，并在最短的时间内获取可靠 号上与人工智能方法相差不大，而在单一信号、信号帧以及信
性较高的分类结果。与人工智能方法相比，常规方法在信号分 号帧数据的细化程度明显低于人工智能方法的细化成都。说明
类的过程中，均未构建单独单元完成信号频谱识别工作，仅将 人工智能方法对于信号的类别分割可以精确到每一帧的光谱数
其作为信号预处理的一部分实现信号频谱的分析过程。因而， 据，以此获取精度更高的分类结果。常规方法信号类别划分细
常规方法无法获取高精度的频谱参数，这对于后续的信号分析 化能力相对较差，其类别划分细化程度仅能对信号整体进行分
具有一定的限制性，根据此实验结果可知，人工智能方法的使 类，无法深入的信号的组成部分。由上述实验结果可知，人工
用效果相对较佳。 智能方法的信号分类效果更佳。
图3 频谱参数识别精度 图5 信号类别划分细化程度
四．结束语
随着光信号系统的应用范围逐渐扩大，其信号分类结果可
作为多种设备监测过程中的重要信息，为设备的维护提供数据
来源。应用人工智能技术对常规信号分类方法展开优化，并得
在第一组实验结果的基础上，获取信号类别划分精度实验 到了相应的研究成果。由于时间的限制，使用仿真实验对其使
结果，并对其进行分析，具体如图4所示。由图4实验结果可以 用效果加以分析，在日后的研究中将通过实测方式，确定此方
看出，不同分类方法的信号分析精度具有一定的区别。献［4］ 法的应用效果，为后续的研究提供技术支持。
方法的划分精度一直在80%～84%之间波动，文献［5］方法的划
分精度在82%～4%之间波动，文献［6］方法的划分精度在80%之 参考文献：
[1] 骆俊锦，王万良，王铮，等．基于时序二维化和卷积特征融合的表面肌
间波动，人工智能方法划分精度则一直在86%～88%之间波动。
电信号分类方法［J］.模式识别与人工智能，2020，33(7):588－599．
说明人工智能方法可对数据包中的数据进行高精度的划分，确
[2] 李明，赵迎，崔飞鹏，等．基于集合经验模态分解的拉曼光谱信
保完成信号归类工作。与人工智能方法相比，常规方法的信号
号特征研究［J］.光谱学与光谱分析，2020，40(1): 54－58．
类别划分精度相对较低，且对于部分信号类别波动性较大。常
[3] 迟楠，牛文清，贾俊连，等．基于抗非线性 SVM 的几何整形可
规方法使用后，无法完成全部信号的类别划分工作，此方法使 见光通信系统［J］．应用科学学报，2020，38(4): 647－658．
用效果较差。综合以上实验结果可以发现，人工智能方法的使 [4] 王娟，王彤，吴建新．一种适用于小样本的迭代多重信号
用效果更优秀。 分类算法［J］．电子与信息学报，2020，42(2):445－451．
[5] 张俊，庄震华，陈新．一种基于频谱态势的通信信号整编
图4 信号类别划分精度
方法［J］．航天电子对抗，2019，35(5):17－19+27．
[6] 郑飞洋，张铁军．基于神经网络的水下通信信号的检测与
分类［J］．网络新媒体技术，2019，8(2): 46－52．
[7] 吴龙文，牛金鹏，王昭，等．基于同步压缩小波变换的主信号抑
制技术［J］．电子与信息学报，2020，42(08) : 2045－2052．
[8] 姚宇晨，彭虎．基于深度学习的通信信号自动调制识别技
术［J］．电子技术应用，2019，45(2):12－15．
[9] 邹鹏，赵一衡，胡昉辰，等．基于机器学习的可见光通信信号处
理研究现状［J］．激光与光电子学进展，2020，57(1):9－21．
[10] 白芃远，许华，孙莉．基于卷积神经网络与时频图纹理信息的信号调制
方式分类方法［J］．西北工业大学学报，2019，37(04):816－823．
网络电信 二零二二年九，十月 51
