搭建實(shí)驗(yàn)平臺(tái),把26個(gè)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(jìn)行分類能達(dá)到不錯(cuò)的分類準(zhǔn)確率,且能縮減訓(xùn)練時(shí)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(jī)（CNN+SVM）算法、SVM算法對(duì)散斑圖進(jìn)行分類。測試結(jié)果發(fā)現(xiàn),使用4420張散斑圖作為訓(xùn)練集,3層卷積結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為88%,4層卷積結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率為95%,CNN+SVM算法的識(shí)別準(zhǔn)確率為98%,而SVM算法的識(shí)別準(zhǔn)確率達(dá)到了100%。實(shí)驗(yàn)結(jié)果表明,把機(jī)器學(xué)習(xí)算法應(yīng)用在光信號(hào)上,同樣可以對(duì)多模光纖散斑圖進(jìn)行分類,當(dāng)圖像特征相對(duì)明顯時(shí),直接使用SVM算法對(duì)光纖輸出散斑進(jìn)行識(shí)別,可以大大提升多模光纖輸出散斑圖的識(shí)別準(zhǔn)確率。 

【文章來源】：光學(xué)學(xué)報(bào). 2020,40(13)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

實(shí)驗(yàn)系統(tǒng)結(jié)構(gòu)

CNN是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò),是深度學(xué)習(xí)的代表算法之一[8],可以對(duì)輸入圖像信號(hào)進(jìn)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(gè)數(shù),為保證卷積后圖片大小不變,在卷積前加入Padding層對(duì)圖片進(jìn)行補(bǔ)0操作。卷積后圖片大小的計(jì)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(hào)：3412879