一种信号眼图评估方法、装置、电子设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种信号眼图评估方法、装置、电子设备及存储介质。

背景技术

在信号完整性领域中，眼图包含了信号在传输过程中所产生的大量信息，能全面且整体地体现信号的特征，是一种评判数字信号质量和系统性能优劣的常用方法。眼图张开的程度越大，误码率越低，意味着系统设计的可靠性就越高。传统的眼图评估方法往往基于专业技术人员的经验和知识，而深度学习技术以其自动特征提取能力和优异的性能表现为眼图的性能监测提供了一条高精度、智能化的途径。

目前，在光通信领域已有基于卷积神经网络(Convolutional Neural Networks，CNN)模型进行眼图分析的方法，其通过训练卷积神经网络模型，并使用训练后的卷积神经网络模型对眼图进行特征提取，实现不同信号调制方式下的性能评估。

但是，现有的模型训练过程需要对全部训练样本进行标注，测试人员对样本进行人工标注的成本较高；其次，卷积神经网络模型对于信号连续变化的复杂性缺乏自适应性，无法准确地评估信号质量，特别是对于高速信号的眼图来说，所包含的噪声和失真都会对分类器的性能产生负面影响，致使误差率增加。

发明内容

本发明提供了一种信号眼图评估方法、装置、电子设备及存储介质，可以节省信号眼图评估模型训练过程消耗的时间成本和人力成本，提高信号眼图评估结果的鲁棒性和可靠性。

根据本发明的一方面，提供了一种信号眼图评估方法，所述方法包括：

获取多个信号眼图样本，根据所述多个信号眼图样本生成训练集，并按照预设比例在训练集中随机选择部分样本作为初始训练集；

对所述初始训练集中每个样本对应的标签进行标注，并使用标注后的初始训练集对长短期记忆网络(Long Short Term Memory，LSTM)模型进行初始训练；

根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值，根据所述熵值选择部分未标注样本进行标注，并生成标注训练集；

使用标注训练集对LSTM模型进行迭代训练，然后返回执行根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值的操作，直至训练集对应的标注轮数满足预设阈值为止；

将训练完成的LSTM模型作为信号眼图评估模型，并使用所述信号眼图评估模型对目标信号眼图进行评估。

可选的，使用标注后的初始训练集对LSTM模型进行初始训练，包括：

在标注后的初始训练集中，依次获取每个信号眼图样本作为当前样本；

将所述当前样本对应的特征向量输入至LSTM模型，然后通过所述LSTM模型输出当前样本对应的预测结果；

使用交叉熵损失函数，确定所述预测结果与当前样本对应的真实标签之间的误差，并根据所述误差对LSTM模型的参数进行更新；

判断是否完成对初始训练集中全部样本的处理；

若否，则返回执行在标注后的初始训练集中，依次获取每个信号眼图样本作为当前样本的操作，直至完成对初始训练集中全部样本的处理。

可选的，在将所述当前样本对应的特征向量输入至LSTM模型之前，还包括：

将所述当前样本输入至预训练的CNN模型中；

通过所述CNN模型，对所述当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的特征向量。

可选的，通过所述CNN模型，对所述当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的特征向量，包括：

通过所述CNN模型中的多个卷积层，对所述当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的多张特征图；

通过所述CNN模型中的Flatten层，对各所述特征图进行张量扁平化处理，得到每个特征图分别对应的特征向量。

可选的，获取多个信号眼图样本，根据所述多个信号眼图样本生成训练集，包括：

获取多个信号眼图样本，按照预设标准图像尺寸对各所述信号眼图样本进行调整，并将调整结果转换为灰度图像；

根据处理后的多个信号眼图样本，生成样本数据集，并按照预设权重比例对所述样本数据集进行划分，得到训练集和测试集。

可选的，根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值，根据所述熵值选择部分未标注样本进行标注，包括：

根据LSTM模型的训练结果，确定LSTM模型针对每个未标注样本在不同类别标签下的预测概率；

根据所述预测概率，确定每个未标注样本的熵值，并选择熵值最高的未标注样本进行标注。

可选的，将训练完成的LSTM模型作为信号眼图评估模型，包括：

使用所述测试集，对训练完成的LSTM模型进行测试，并根据测试结果绘制LSTM模型对应的混淆矩阵；

如果根据所述混淆矩阵，确定训练完成的LSTM模型性能满足预设标准，则将所述训练完成的LSTM模型作为信号眼图评估模型。

根据本发明的另一方面，提供了一种信号眼图评估装置，所述装置包括：

样本获取模块，用于获取多个信号眼图样本，根据所述多个信号眼图样本生成训练集，并按照预设比例在训练集中随机选择部分样本作为初始训练集；

初始训练模块，用于对所述初始训练集中每个样本对应的标签进行标注，并使用标注后的初始训练集对LSTM模型进行初始训练；

主动学习模块，用于根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值，根据所述熵值选择部分未标注样本进行标注，并生成标注训练集；

迭代训练模块，用于使用标注训练集对LSTM模型进行迭代训练，然后返回执行根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值的操作，直至训练集对应的标注轮数满足预设阈值为止；

眼图评估模块，用于将训练完成的LSTM模型作为信号眼图评估模型，并使用所述信号眼图评估模型对目标信号眼图进行评估。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的信号眼图评估方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的信号眼图评估方法。

本发明实施例提供的技术方案，通过获取多个信号眼图样本，根据多个信号眼图样本生成训练集，并按照预设比例在训练集中随机选择部分样本作为初始训练集，对初始训练集中每个样本对应的标签进行标注，使用标注后的初始训练集对LSTM模型进行初始训练，根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值，根据熵值选择部分未标注样本进行标注生成标注训练集，使用标注训练集对LSTM模型进行迭代训练，判断训练集对应的标注轮数是否满足预设阈值，若是，将训练完成的LSTM模型作为信号眼图评估模型，使用信号眼图评估模型对目标信号眼图进行评估的技术手段，可以节省信号眼图评估模型训练过程消耗的时间成本和人力成本，提高信号眼图评估结果的鲁棒性和可靠性，便于LSTM模型更好地拟合训练数据，提高分类性能，可以准确有效地输出训练样本的特征向量，便于LSTM模型对特征向量进行处理，提高LSTM模型的训练效率，可以消除信号眼图样本中的无关信息，增强信号眼图样本中有关信息的可检测性，最大限度地简化样本数据，实现通过较少的标注数据达到较高的模型推理能力，可以直观地展示LSTM模型分类结果的精度，便于对LSTM模型的性能进行评估。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例提供的一种信号眼图评估方法的流程图；

图2a是根据本发明实施例提供的另一种信号眼图评估方法的流程图；

图2b是根据本发明实施例提供的一种LSTM模型的结构示意图；

图3是根据本发明实施例提供的另一种信号眼图评估方法的流程图；

图4是根据本发明实施例提供的一种信号眼图评估装置的结构示意图；

图5是实现本发明实施例的信号眼图评估方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1为本发明实施例提供的一种信号眼图评估方法的流程图，本实施例可适用于对信号眼图的质量进行评估的情形，所述方法可以由信号眼图评估装置来执行，该信号眼图评估装置可以采用硬件和/或软件的形式实现，该信号眼图评估装置可配置于电子设备中。如图1所示，该方法包括：

步骤110、获取多个信号眼图样本，根据所述多个信号眼图样本生成训练集，并按照预设比例在训练集中随机选择部分样本作为初始训练集。

在本实施例中，可以获取多个用于反映不同信号质量以及信号性能的眼图作为样本(也即信号眼图样本)，并根据多个信号眼图样本生成训练集。获取到所述训练集后，可以不对训练集中的全部样本进行标注，而是按照预设比例随机选择部分样本作为初始训练集。

在一个具体的实施例中，所述预设比例可以为10％，具体数值可以根据实际样本数量进行调整，本实施例对此并不进行限制。

步骤120、对所述初始训练集中每个样本对应的标签进行标注，并使用标注后的初始训练集对LSTM模型进行初始训练。

在此步骤中，获取到初始训练集后，可以对初始训练集中每个样本对应的标签进行标注，所述标签对应的类别可以为低风险、中风险或高风险，用于表征对应样本反映的信号质量。具体的，可以将初始训练集发送至标注平台，由测试人员根据初始训练集中每个样本对应的信号质量，标注每个样本对应的真实标签。

这样设置的好处在于，现有的眼图评估方法往往只能对信号眼图进行行二分类，无法对信号的细节和多样性进行更好的评估。相比于现有技术，本实施例中通过在信号眼图样本中标注三种不同类别的标签，可以将待评估的信号眼图转换为(低风险、中风险、高风险)三种类别中的一种，从而可以对信号的细节和多样性进行更好的评估。

LSTM是基于循环神经网络(Recurrent Neural Networks，RNN)衍生的具有记忆能力的神经网络，可以解决RNN短时记忆的不足，当一条序列足够长时，RNN将很难将信息从较早的时间步传送到后面的时间步，而LSTM能够学习长期依赖信息，记忆较早时间步的信息，因此可以做到联系上下文。在本实施例中，可以将LSTM层与全连接层相结合，构建得到三分类(优、中、劣)的LSTM模型，所述LSTM模型的输出结果分别对应信号眼图样本质量的低风险、中风险和高风险。

在此步骤中，获取到标注后的初始训练集后，可以将初始训练集中的每个样本依次输入至LSTM模型，并根据各样本对应的标签对LSTM模型进行初始训练。

这样设置的好处在于，由于信号眼图样本中的数据是序列数据，通过使用LSTM模型作为评估信号眼图样本质量的模型，可以更好地捕捉样本中的序列信息，获取信号的动态变化信息，从而有效地评估信号质量。相比于现有技术中使用CNN模型对信号眼图进行分析，本实施例的技术方案可以更好地处理输入数据中的噪声和干扰，提高模型输出结果的鲁棒性和可靠性。

步骤130、根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值，根据所述熵值选择部分未标注样本进行标注，并生成标注训练集。

在本实施例中，使用初始训练集对LSTM模型进行初始训练之后，可以设置主动学习训练阶段中标注轮数的阈值，并采用主动学习的方法自动选择训练集中剩余未标注样本进行标注，然后对LSTM模型进行迭代训练。

在此步骤中，对LSTM模型进行初始训练之后，可以获取训练集中剩余的未标注样本，并根据LSTM模型的当前训练结果，确定LSTM模型针对每个未标注样本的输出结果不确定度(也即熵值)，并选择熵值较高的未标注样本进行标注，然后将训练集中全部标注的样本作为标注训练集。

步骤140、使用标注训练集对LSTM模型进行迭代训练，并判断训练集对应的标注轮数是否满足预设阈值，若是，则执行步骤150，若否，则返回执行步骤130的操作，直至训练集对应的标注轮数满足预设阈值为止。

在本实施例中，可以将标注训练集中的每个样本依次输入至LSTM模型，并根据各样本对应的标签对LSTM模型进行迭代训练。

每次使用标注训练集对LSTM训练完成之后，可以统计当前标注轮数，并判断当前标注轮数是否满足预设阈值，若是，则确定LSTM模型训练结束，若否，则返回执行步骤130中根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值，根据所述熵值选择部分未标注样本进行标注，并生成标注训练集的操作，以对LSTM模型继续进行迭代训练。

在一个具体的实施例中，标注轮数的阈值可以设置为10次，具体数值可以根据LSTM实际的训练结果进行调整，本实施例对此并不进行限制。

这样设置的好处在于，通过采用主动学习的方法自动选择训练集中剩余未标注样本进行部分标注，并使用全部标注数据对LSTM模型进行迭代训练，可以通过较少的标注数据实现较高的模型推理能力，大大减少模型训练过程对标注数据数量的需求。相比于现有技术中CNN模型训练过程需要对全部训练样本进行标注的方式，本实施例无需对全部样本进行标注，由此可以节省样本标注过程消耗的时间成本和人力成本，提高信号眼图评估模型的训练效率。

步骤150、将训练完成的LSTM模型作为信号眼图评估模型，并使用所述信号眼图评估模型对目标信号眼图进行评估。

在本实施例中，具体的，可以将待评估的信号眼图(也即目标信号眼图)输入至LSTM模型，通过LSTM模型根据训练好的模型参数，输出目标信号眼图对应的评估结果(例如低风险、中风险或高风险)。

本发明实施例提供的技术方案，通过获取多个信号眼图样本，根据多个信号眼图样本生成训练集，并按照预设比例在训练集中随机选择部分样本作为初始训练集，对初始训练集中每个样本对应的标签进行标注，使用标注后的初始训练集对LSTM模型进行初始训练，根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值，根据熵值选择部分未标注样本进行标注生成标注训练集，使用标注训练集对LSTM模型进行迭代训练，判断训练集对应的标注轮数是否满足预设阈值，若是，将训练完成的LSTM模型作为信号眼图评估模型，使用信号眼图评估模型对目标信号眼图进行评估的技术手段，可以节省信号眼图评估模型训练过程消耗的时间成本和人力成本，提高信号眼图评估结果的鲁棒性和可靠性。

图2a为本发明实施例提供的另一种信号眼图评估方法的流程图，本实施例以上述实施例为基础进行细化。如图2a所示，该方法包括：

步骤210、获取多个信号眼图样本，根据多个信号眼图样本生成训练集，并按照预设比例在训练集中随机选择部分样本作为初始训练集，对初始训练集中每个样本对应的标签进行标注。

步骤220、在标注后的初始训练集中，依次获取每个信号眼图样本作为当前样本。

步骤230、将当前样本对应的特征向量输入至LSTM模型，然后通过LSTM模型输出当前样本对应的预测结果，使用交叉熵损失函数确定预测结果与当前样本对应的真实标签之间的误差，并根据误差对LSTM模型的参数进行更新。

在此步骤中，具体的，交叉熵损失函数公式如下：

L＝-[y

其中，L表示损失值，y

这样设置的好处在于，通过使用交叉熵损失函数确定预测结果与当前样本对应的真实标签之间的误差，可以便于LSTM模型更好地拟合训练数据，提高分类性能。

在本实施例中，具体的，可以使用Adam优化器对LSTM模型的参数进行更新，在使用初始训练集对LSTM模型进行初始训练的过程中，可以采用较小的学习率(例如0.05)，以防止模型过拟合。

在本实施例的一个实施方式中，在将当前样本对应的特征向量输入至LSTM模型之前，还包括：将当前样本输入至预训练的CNN模型中；通过CNN模型对当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的特征向量。

在本实施例中，预训练的CNN模型可以选取开源通用的VGG16-imagenet预训练模型，仅用于对LSTM模型的训练样本进行特征提取，而不参与LSTM模型的训练任务。具体的，预训练的CNN模型中可以包括16个卷积层和3个全连接层。为了快速提取训练样本的特征，本实施例可以将3个全连接层进行删除，通过卷积层和Flatten层输出当前样本对应的特征向量。

这样设置的好处在于，通过使用预训练的CNN模型可以准确有效地输出训练样本的特征向量，由此可以提高信号眼图评估模型输出结果的鲁棒性和可靠性。

在一个具体的实施例中，通过CNN模型对当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的特征向量，包括：通过CNN模型中的多个卷积层，对所述当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的多张特征图；通过CNN模型中的Flatten层，对各特征图进行张量扁平化处理，得到每个特征图分别对应的特征向量。

在一个具体的实施例中，将当前样本输入至预训练的CNN模型后，CNN模型会输出当前样本对应的512个特征图，然后使用Flatten层，对各特征图进行张量扁平化处理，得到512个特征向量。

这样设置的好处在于，通过对各特征图进行张量扁平化处理，得到每个特征图分别对应的特征向量，便于LSTM模型对特征向量进行处理，提高LSTM模型的训练效率。

具体的，图2b为本发明实施例提供的一种LSTM模型结构示意图，所述LSTM模型包括LSTM层、Flatten层和全连接层。具体的，可以将当前样本对应的512张特征图的特征向量输入至LSTM模型，以对LSTM模型进行训练。

步骤240、判断是否完成对初始训练集中全部样本的处理，若是，执行步骤250，若否，返回执行步骤220的操作，直至完成对初始训练集中全部样本的处理。

步骤250、根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值，根据所述熵值选择部分未标注样本进行标注，并生成标注训练集。

步骤260、使用标注训练集对LSTM模型进行迭代训练，并判断训练集对应的标注轮数是否满足预设阈值，若是，则执行步骤270，若否，则返回执行步骤250的操作，直至训练集对应的标注轮数满足预设阈值为止。

在本实施例中，具体的，可以采用与步骤220-230相同的方式，使用标注训练集对LSTM模型进行迭代训练。

步骤270、将训练完成的LSTM模型作为信号眼图评估模型，并使用所述信号眼图评估模型对目标信号眼图进行评估。

本发明实施例提供的技术方案，通过根据多个信号眼图样本生成训练集，在训练集中随机选择部分样本作为初始训练集，对初始训练集中每个样本对应的标签进行标注，在标注后的初始训练集中依次获取当前样本，将当前样本的特征向量输入至LSTM模型，使用交叉熵损失函数确定预测结果与当前样本真实标签之间的误差，根据误差对LSTM模型的参数进行更新，判断是否完成对初始训练集中全部样本的处理，若是，根据LSTM模型的训练结果确定训练集中每个未标注样本的熵值，根据熵值选择部分未标注样本进行标注，使用标注训练集对LSTM模型进行迭代训练，判断训练集对应的标注轮数是否满足预设阈值，若是，将训练完成的LSTM模型作为信号眼图评估模型，使用信号眼图评估模型对目标信号眼图进行评估的技术手段，可以节省信号眼图评估模型训练过程消耗的时间成本和人力成本，提高信号眼图评估结果的鲁棒性和可靠性。

图3为本发明实施例提供的另一种信号眼图评估方法的流程图，本实施例以上述实施例为基础进行细化。如图3所示，该方法包括：

步骤310、获取多个信号眼图样本，按照预设标准图像尺寸对各所述信号眼图样本进行调整，并将调整结果转换为灰度图像。

在本实施例中，获取多个信号眼图样本后，可以对各信号眼图样本进行预处理，例如按照标准图像尺寸，将所有信号眼图样本调整为相同大小，并将调整后的信号眼图样本转换为灰度图像。

这样设置的好处在于，通过对全部信号眼图样本进行统一预处理，可以消除信号眼图样本中的无关信息，增强信号眼图样本中有关信息的可检测性，最大限度地简化样本数据。

步骤320、根据处理后的多个信号眼图样本，生成样本数据集，并按照预设权重比例对所述样本数据集进行划分，得到训练集和测试集。

在此步骤中，可选的，可以将处理后的全部信号眼图样本作为样本数据集，并将样本数据集的80％作为训练集，将剩余的20％作为测试集。具体的权重比例可以根据实际样本数量进行调整，本实施例对此并不进行限制。

步骤330、按照预设比例在训练集中随机选择部分样本作为初始训练集，对所述初始训练集中每个样本对应的标签进行标注，并使用标注后的初始训练集对LSTM模型进行初始训练。

步骤340、根据LSTM模型的训练结果，确定LSTM模型针对训练集中每个未标注样本在不同类别标签下的预测概率。

在此步骤中，可选的，可以根据LSTM模型针对初始训练集中每个样本的预测结果，以及初始训练集中每个样本与训练集中剩余未标注样本之间的相似度，确定LSTM模型针对训练集中每个未标注样本在不同类别标签下的预测概率。

步骤350、根据所述预测概率确定每个未标注样本的熵值，并选择熵值最高的未标注样本进行标注，然后生成标注训练集。

在此步骤中，具体的，可以通过以下公式确定每个未标注样本的熵值：

H＝-∑(p

其中，p

在本实施例中，确定出每个未标注样本的熵值后，熵值越大代表对应样本分类的不确定度越高，因此可以将熵值最高的未标注样本进行标注。

这样设置的好处在于，通过确定LSTM模型针对训练集中每个未标注样本在不同类别标签下的预测概率，并根据预测概率确定每个未标注样本的熵值，可以在训练集中的剩余未标注样本中，准确快速地筛选出分类结果不确定度最高的未标注样本，通过对此类未标注样本进行标注，可以实现通过较少的标注数据达到较高的模型推理能力。

步骤360、使用标注训练集对LSTM模型进行迭代训练，并判断训练集对应的标注轮数是否满足预设阈值，若是，则执行步骤370，若否，则返回执行步骤340的操作，直至训练集对应的标注轮数满足预设阈值为止。

步骤370、使用所述测试集对训练完成的LSTM模型进行测试，并根据测试结果绘制LSTM模型对应的混淆矩阵，如果根据所述混淆矩阵，确定训练完成的LSTM模型性能满足预设标准，则将所述训练完成的LSTM模型作为信号眼图评估模型。

在本实施例中，使用测试集对训练完成的LSTM模型进行测试后，可以根据测试结果确定LSTM模型的分类精度，并根据所述分类精度绘制混淆矩阵。具体的，所述混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。

这样设置的好处在于，通过对LSTM模型进行测试，根据测试结果绘制混淆矩阵，可以直观地展示LSTM模型分类结果的精度，便于对LSTM模型的性能进行评估。如果训练完成的LSTM模型性能满足预设标准，则将训练完成的LSTM模型作为信号眼图评估模型，由此可以提高信号眼图评估结果的鲁棒性和可靠性。

步骤380、使用所述信号眼图评估模型对目标信号眼图进行评估。

本发明实施例提供的技术方案，通过对各信号眼图样本进行调整转换为灰度图像，根据处理后的多个信号眼图样本生成样本数据集，划分得到训练集和测试集，在训练集中随机选择部分样本作为初始训练集，对初始训练集中每个样本对应的标签进行标注，使用标注后的初始训练集对LSTM模型进行初始训练，确定LSTM模型针对每个未标注样本在不同类别标签下的预测概率，根据预测概率确定每个未标注样本的熵值，选择熵值最高的未标注样本进行标注，使用标注训练集对LSTM模型进行迭代训练，如果训练集的标注轮数满足预设阈值，使用测试集对LSTM模型进行测试，根据测试结果绘制混淆矩阵，如果确定LSTM模型性能满足预设标准，则将LSTM模型作为信号眼图评估模型，使用信号眼图评估模型对目标信号眼图进行评估的技术手段，可以节省信号眼图评估模型训练过程消耗的时间成本和人力成本，提高信号眼图评估结果的鲁棒性和可靠性。

图4为本发明实施例提供的一种信号眼图评估装置的结构示意图，所述装置应用于电子设备中。如图4所示，该装置包括：样本获取模块410、初始训练模块420、主动学习模块430、迭代训练模块440和眼图评估模块450。

其中，样本获取模块410，用于获取多个信号眼图样本，根据所述多个信号眼图样本生成训练集，并按照预设比例在训练集中随机选择部分样本作为初始训练集；

初始训练模块420，用于对所述初始训练集中每个样本对应的标签进行标注，并使用标注后的初始训练集对长短期记忆网络LSTM模型进行初始训练；

主动学习模块430，用于根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值，根据所述熵值选择部分未标注样本进行标注，并生成标注训练集；

迭代训练模块440，用于使用标注训练集对LSTM模型进行迭代训练，然后返回执行根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值的操作，直至训练集对应的标注轮数满足预设阈值为止；

眼图评估模块450，用于将训练完成的LSTM模型作为信号眼图评估模型，并使用所述信号眼图评估模型对目标信号眼图进行评估。

本发明实施例提供的技术方案，通过获取多个信号眼图样本，根据多个信号眼图样本生成训练集，并按照预设比例在训练集中随机选择部分样本作为初始训练集，对初始训练集中每个样本对应的标签进行标注，使用标注后的初始训练集对LSTM模型进行初始训练，根据LSTM模型的训练结果，确定训练集中每个未标注样本的熵值，根据熵值选择部分未标注样本进行标注生成标注训练集，使用标注训练集对LSTM模型进行迭代训练，判断训练集对应的标注轮数是否满足预设阈值，若是，将训练完成的LSTM模型作为信号眼图评估模型，使用信号眼图评估模型对目标信号眼图进行评估的技术手段，可以节省信号眼图评估模型训练过程消耗的时间成本和人力成本，提高信号眼图评估结果的鲁棒性和可靠性。

在上述实施例的基础上，样本获取模块410包括：

样本处理单元，用于获取多个信号眼图样本，按照预设标准图像尺寸对各所述信号眼图样本进行调整，并将调整结果转换为灰度图像；

数据集划分单元，用于根据处理后的多个信号眼图样本，生成样本数据集，并按照预设权重比例对所述样本数据集进行划分，得到训练集和测试集。

初始训练模块420包括：

向量输入单元，用于在标注后的初始训练集中，依次获取每个信号眼图样本作为当前样本，将所述当前样本对应的特征向量输入至LSTM模型，然后通过所述LSTM模型输出当前样本对应的预测结果；

参数更新单元，用于使用交叉熵损失函数，确定所述预测结果与当前样本对应的真实标签之间的误差，并根据所述误差对LSTM模型的参数进行更新；

全部样本处理单元，用于判断是否完成对初始训练集中全部样本的处理，若否，则返回执行在标注后的初始训练集中，依次获取每个信号眼图样本作为当前样本的操作，直至完成对初始训练集中全部样本的处理；

CNN模型处理单元，用于将所述当前样本输入至预训练的CNN模型中，通过所述CNN模型，对所述当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的特征向量；

特征图输出单元，用于通过所述CNN模型中的多个卷积层，对所述当前样本对应的特征进行提取，并根据特征提取结果，输出当前样本对应的多张特征图；

特征图处理单元，用于通过所述CNN模型中的Flatten层，对各所述特征图进行张量扁平化处理，得到每个特征图分别对应的特征向量。

主动学习模块430包括：

概率确定单元，用于根据LSTM模型的训练结果，确定LSTM模型针对每个未标注样本在不同类别标签下的预测概率；

样本标注单元，用于根据所述预测概率，确定每个未标注样本的熵值，并选择熵值最高的未标注样本进行标注。

眼图评估模块450包括：

模型测试单元，用于使用所述测试集，对训练完成的LSTM模型进行测试，并根据测试结果绘制LSTM模型对应的混淆矩阵；

评估模型确定单元，用于如果根据所述混淆矩阵，确定训练完成的LSTM模型性能满足预设标准，则将所述训练完成的LSTM模型作为信号眼图评估模型。

上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。

图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如信号眼图评估方法。

在一些实施例中，信号眼图评估方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的信号眼图评估方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信号眼图评估方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。