搭建實驗平臺,把26個字母的圖像傳入光纖,并在輸出端采集散斑圖。把散斑圖展開到HSV色彩空間中,單使用V分量進行分類能達到不錯的分類準確率,且能縮減訓練時長。在預(yù)處理后,分別使用具有不同層數(shù)卷積結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和支持向量機（CNN+SVM）算法、SVM算法對散斑圖進行分類。測試結(jié)果發(fā)現(xiàn),使用4420張散斑圖作為訓練集,3層卷積結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)的識別準確率為88%,4層卷積結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)的識別準確率為95%,CNN+SVM算法的識別準確率為98%,而SVM算法的識別準確率達到了100%。實驗結(jié)果表明,把機器學習算法應(yīng)用在光信號上,同樣可以對多模光纖散斑圖進行分類,當圖像特征相對明顯時,直接使用SVM算法對光纖輸出散斑進行識別,可以大大提升多模光纖輸出散斑圖的識別準確率。 

【文章來源】：光學學報. 2020,40(13)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

實驗系統(tǒng)結(jié)構(gòu)

CNN是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò),是深度學習的代表算法之一[8],可以對輸入圖像信號進行特征提取,圖4為CNN提取到的不同多模光纖輸出散斑的特征。CNN由卷積層、池化層、全連接層構(gòu)成,圖5為一次卷積操作的過程。輸入端輸入一張大小為64×64的圖片和5×5×n的卷積核,其中5×5是卷積核的大小,n為卷積核的個數(shù),為保證卷積后圖片大小不變,在卷積前加入Padding層對圖片進行補0操作。卷積后圖片大小的計算公式為圖3 光纖輸出端采集到的散斑圖

光纖輸出端采集到的散斑圖


本文編號：3412879