-
公开(公告)号：CN113626960A
公开(公告)日：2021-11-09
申请号：CN202110863514.X
申请日：2021-07-29
Applicant: 南京信息工程大学
Abstract: 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。
-
公开(公告)号：CN114358061A
公开(公告)日：2022-04-15
申请号：CN202111577464.5
申请日：2021-12-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了光性能监测领域的一种空分复用信号光性能监测方法及系统，包括：由各光性能监测任务的信道中获取特征信息，构建训练数据集；利用训练数据集以多种方式训练神经网络模型光性能的监测能力，将训练后的神经网络模型作为教师模型；由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型；收集到待检测信道的信号特征并输入给学生模型，获取信道性能监测结果；本发明实现只用一个轻量级的神经网络模型即可实现空分复用光纤中所有信道的光性能监测任务。
-
公开(公告)号：CN112804048B
公开(公告)日：2021-06-29
申请号：CN202110386285.7
申请日：2021-04-12
Applicant: 南京信息工程大学
Abstract: 本发明是一种基于生成对抗网络的物理层混沌加密光传输方法，该方法将发送的二进制比特数据流转换成二进制标签序列。接下来通过调制器映射到QAM的复数星座点符号序列上。再将得到的符号序列经过两次扰动加密，然后将IFFT运算的得到的时域信号进行加循环前缀后，经数模转换器转换成模拟电信号，再与光信号耦合进行传输。经光纤信道传输后，在接收端，光接收机接收到的光信号转换为电信号，采用与发射端处理的逆过程进行解调等处理，恢复原来的信息。该方法利用基于GAN网络的混沌系统产生扰动序列分别对星座图的星座点的相位和子载波的位置进行加密，提高加密系统复杂性的同时加速了信息加密的迭代过程，增强了通信系统的安全性。
-
公开(公告)号：CN114358061B
公开(公告)日：2025-05-09
申请号：CN202111577464.5
申请日：2021-12-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了光性能监测领域的一种空分复用信号光性能监测方法及系统，包括：由各光性能监测任务的信道中获取特征信息，构建训练数据集；利用训练数据集以多种方式训练神经网络模型光性能的监测能力，将训练后的神经网络模型作为教师模型；由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型；收集到待检测信道的信号特征并输入给学生模型，获取信道性能监测结果；本发明实现只用一个轻量级的神经网络模型即可实现空分复用光纤中所有信道的光性能监测任务。
-
公开(公告)号：CN114598582A
公开(公告)日：2022-06-07
申请号：CN202210145229.9
申请日：2022-02-17
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于迁移学习的超高阶信号调制格式快速识别方法，包括：将带标签的低阶信号作为源域，无标签的超高阶信号作为目标域；构建卷积神经网络模型；应用领域自适应方法对构建的卷积神经网络模型进行训练，得到预训练的卷积神经网络模型；将从源域中学到的知识和预训练的卷积神经网络模型迁移到目标域中，利用目标域对预训练的卷积神经网络模型的参数进行微调，得到具有识别能力的卷积神经网络模型；在信号接收端，将接收到的信号预处理后送入具有识别能力的卷积神经网络模型，得到信号调制格式识别结果。本发明通过引入迁移学习，可以在极有限的训练时间、训练样本数量的基础上，准确恢复出原始信号，实现通信系统的可靠、高效传输。
-
Patent Agency Ranking
公开(公告)号：CN112804048A
公开(公告)日：2021-05-14
申请号：CN202110386285.7
申请日：2021-04-12
Applicant: 南京信息工程大学
Abstract: 本发明是一种基于生成对抗网络的物理层混沌加密光传输方法，该方法将发送的二进制比特数据流转换成二进制标签序列。接下来通过调制器映射到QAM的复数星座点符号序列上。再将得到的符号序列经过两次扰动加密，然后将IFFT运算的得到的时域信号进行加循环前缀后，经数模转换器转换成模拟电信号，再与光信号耦合进行传输。经光纤信道传输后，在接收端，光接收机接收到的光信号转换为电信号，采用与发射端处理的逆过程进行解调等处理，恢复原来的信息。该方法利用基于GAN网络的混沌系统产生扰动序列分别对星座图的星座点的相位和子载波的位置进行加密，提高加密系统复杂性的同时加速了信息加密的迭代过程，增强了通信系统的安全性。
-
公开(公告)号：CN114513394B
公开(公告)日：2023-12-05
申请号：CN202210036660.X
申请日：2022-01-13
Applicant: 南京信息工程大学
IPC: H04L27/00 , H04L25/03 , H04B10/2513 , H04B10/2543 , G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 识别。本发明公开了一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质，属于通信技术领域，所述方法包括：获取接收信号并对其进行预处理；将预处理后的接收信号输入预训练好的注意力机制图神经网络，输出带有识别标签的接收信号，所述注意力机制图神经网络是根据发送信号星座成形后的信号数
-
公开(公告)号：CN115694783A
公开(公告)日：2023-02-03
申请号：CN202211332365.5
申请日：2022-10-28
Applicant: 南京信息工程大学
IPC: H04L9/00
Abstract: 本发明公开了一种基于流形学习编码重构的物理层混沌加密方法，旨在解决现有技术中混沌加密方法在混沌序列数量需求增加后效率会受影响的技术问题。其包括：通过基于流形学习的生成对抗网络模型得到混沌密钥序列；利用混沌密钥序列对物理层中待发送的信号数据进行相位掩盖加密和频率掩盖加密，得到加密后的信号数据。本发明借助流形学习辅助神经网络学习混沌密钥序列的分布特征，进而重构序列数据，通过网络并行计算优势，能够有效提高混沌序列生成效率，提升系统传输性能。
-
公开(公告)号：CN114915398A
公开(公告)日：2022-08-16
申请号：CN202210466207.2
申请日：2022-04-29
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于变分自编码器的混沌加密方法、应用、计算机设备及存储介质，混沌加密方法包括获取原始混沌序列；将原始混沌序列数据输入到预训练的变分自编码器模型中进行重构处理，输出重构混沌序列；根据获得的重构混沌序列对通信数据进行相位掩盖加密和频率掩盖加密。所述变分自编码器模型包括编码器网络和解码器网络，编码器网络包括交替设置的残差连接块和自注意力层，解码器网络块包括卷积层以及设置在每个卷积层后的丢失层。通过引入变分自编码器模型，学习混沌序列的生成规则，取代线性解微分方程的低效混沌序列生成，通过大量的混沌序列训练资料，训练模型表现能力和泛化能力，能有效提升混沌序列的生成效率，并保证传输性能。
-
公开(公告)号：CN113626960B
公开(公告)日：2022-06-14
申请号：CN202110863514.X
申请日：2021-07-29
Applicant: 南京信息工程大学
Abstract: 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。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.022 seconds)
