CN110738138A - 基于循环神经网络的水声通信信号调制模式识别方法 - Google Patents

Abstract

本发明提供的是一种基于循环神经网络的水声通信信号调制模式识别方法。获取水声通信信号仿真数据或实测数据，分为训练集和测试集；对每个信号数据进行采样，进行标准化及归一化处理；分别对训练集和测试集的数据样本提取瞬时频率特征和谱熵特征；对训练集和测试集数据样本标注标签；建立Bi‑LSTM循环神经网络模型并设置参数；将训练集输入到网络模型中，训练达到最优的训练网络参数；将深度学习循环神经网络的输入切换为测试集，验证网络自动化识别。本发明采用水声通信信号具有时序性的特征，通过可以处理时序输入序列的Bi‑LSTM循环神经网络，训练得到适用于水下通信信号的网络，该网络对非合作水声通信信号有较高的识别率。

Description

基于循环神经网络的水声通信信号调制模式识别方法

技术领域

本发明涉及的是一种水声信号处理方法，确切地说是一种基于循环神经网络(RNN)的非 合作水声通信信号调制模式识别方法。

背景技术

识别非合作水声通信信号的调制模式，面临信噪比低、无先验信息、分类器设计复杂、 人工识别准确率低等困难。基于最大似然比假设检验的模式识别方法，需要已知先验信息， 不适用于非合作水声通信信号；基于特征提取的模式识别方法存在特征维度较低导致分类效 果不明显的问题；现有的一些基于深度学习的模式识别方法多为无线电领域应用，没有充分 利用水声通信信号的时序性特征或者网络架构参数不适用于非合作水声通信信号而识别效果 不佳。

发明内容

本发明的目的在于提供一种对非合作水声通信信号有较高的识别率，可实现自动化识别 的基于循环神经网络的水声通信信号调制模式识别方法。

本发明的目的是这样实现的：

步骤一：获取不同调制方式的水声通信信号仿真或实测数据，分为训练集和测试集；

步骤二：分别对训练集和测试集的每个信号数据进行采样，并进行标准化及归一化处 理；

步骤三：分别对训练集和测试集的数据样本提取瞬时频率特征和谱熵特征；

步骤四：分别对训练集和测试集数据样本标注标签；

步骤五：建立Bi-LSTM循环神经网络模型,设置Bi-LSTM循环神经网络参数；

步骤六：将划分好的训练集输入到建立的网络模型中，依据梯度下降法，调整权重,损 失函数值趋于稳定时，达到最优的训练网络参数；

步骤七：将深度学习循环神经网络的输入切换为测试集，验证网络实现水声信号调制模 式的自动化识别。

所述的Bi-LSTM循环神经网络包括四层：Input layer、Forward layer、Backwardlayer 和Output layer，Bi-LSTM循环神经网络参数设置为：输入大小为2，网络输出大小为100 的Bi-LSTM图层，设置网络允许训练数据进行20次传递，指定网络一次查看50个训练数据。

本发明的优点在于：

(1)采用循环神经网络，可实现自动化识别；

(2)采用水声通信信号具有时序性的特征，通过可以处理时序输入序列的Bi-LSTM循 环神经网络，训练得到适用于水声通信信号的网络，对非合作水声通信信号有较高的识别率 具体来说：本发明针对水声通信信号的时序特性，与其他深度学习算法相比，采用可以 处理时序输入序列的Bi-LSTM循环神经网络，在训练过程中充分学习不同调制模式的水声通 信信号的时序性特征，依据梯度下降法，调整权重，损失函数值趋于稳定时，达到最优的训 练网络参数，最终得到适用于水声通信信号的网络。这样的网络更加适合水声通信信号，在 实现自动化识别的基础上，水声通信信号调制模式识别率较高。

附图说明

图1为水声通信信号调制模式识别过程示意图；

图2为Bi-LSTM网络训练流程图；

图3为LSTM网络训练的流程图；

图4为仿真测试结果表；

图5为仿真测试混淆矩阵图；

图6为试验测试结果表；

图7为试验测试混淆矩阵图。

具体实施方式

本发明的基于循环神经网络的非合作水声通信信号的调制模式识别方法主要包括如下步 骤：

(1)获取不同调制方式的水声通信信号仿真或实测数据，分为训练集和测试集；

(2)对每个信号数据进行采样，并对其进行标准化及归一化处理；

(3)对数据样本提取瞬时频率特征和谱熵特征；

(4)对原始样本类别标注标签；

(5)建立Bi-LSTM的循环神经网络模型,设置Bi-LSTM循环神经网络参数；

(6)将训练集输入到建立的网络模型中，损失函数收敛后,达到最优的训练网络参数；

(7)将深度学习循环神经网络的输入切换为数据样本测试集，验证训练得到的网络适 用于非合作水声通信信号自动化识别。

下面举例对本发明做更详细的描述。

(1)获取不同调制方式的水声通信信号的仿真或实测数据，分为训练集和测试集，其 中训练集中的信号调制类型要包含测试集中水声通信信号的调制类型；

(2)对每个信号数据进行N点采样，并对其进行标准化及归一化处理，得到训练集和 测试集数据样本，存储在两个N×1的向量中；

(3)对两个数据集的数据样本提取瞬时频率特征，记为f(t)，分别存储在大小为N×2 矩阵X₁和X₂的第一列；对数据样本提取谱熵特征，记为H(t)，分别存储在矩阵X₁和X₂的第二列；

(4)对两个数据集的数据样本类别标注标签，存储在N×1的矩阵Y₁和Y₂中；

(5)建立Bi-LSTM的循环神经网络模型,设置Bi-LSTM循环神经网络参数；

(6)将训练集输入到建立的网络模型中，损失函数收敛后,达到最优的训练网络参数；

(7)将深度学习循环神经网络的输入切换为数据样本测试集，验证训练得到的网络适 用于非合作水声通信信号自动化识别。

结合图2，说明上述步骤(7)中Bi-LSTM网络训练的流程如下：

Bi-LSTM网络可以分为四层：Input layer，Forward layer，Backward layer，Output layer。

(1)将数据x输入Input layer，数据从Input layer进入到Forward layer，权重向量记为w₁。

(2)Forward layer从1时刻到t时刻计算，运算法则记为f，并保存每个时刻向前隐含层的输出h，权重向量为w₂。该层t时刻对应输入为w₁x_t+w₂h_t-1,经过运算t时刻对应输出为h_t＝f(w₁x_t+w₂h_t-1)。

(3)数据从Output layer进入到Backward layer，权重向量为w₃。

(4)Backward layer从t时刻1时刻反向计算，运算法则记为g，并保存每个时刻向后隐含层的输出h'，该层的权重向量为w₄。该层t时刻对应输入为w₃x_t+w₄h'_t+1，经过运算t时刻对应输出为h'_t＝g(w₃x_t+w₄h'_t+1)。

(5)Output layer运算规则为y，每个时刻Forward layer向Output layer输入，权重向量为w₅。对应每个时刻Backward layer向Output layer输入，权重向量为w₆。相应 时刻Output layer输出结果为o_t＝y(w₅h_t+w₆h'_t)。

结合图3，说明上述步骤(2)中Forward layer运算流程(即LSTM网络训练的流程)如下：

LSTM网络包含输入门、遗忘门、输出门。h表示LSTM单元输出，c表示LSTM记忆单元的值，输入数据用x表示。

(1)计算当前时刻候补记忆单元状态值c_t＝tanh(W_xcx_t+W_hch_t-1+b_c)，式中W_xc为输入数 据的权值，W_hc为前一时刻LSTM隐层单元输出的连接权值；

(2)计算输入门的值i_t＝σ(W_xix_t+W_hih_t-1+W_cic_t-1+b_i)，其中σ是激活函数；

(3)计算遗忘门的值f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f)；

(4)计算当前时刻记忆单元状态值

式中为当前时刻候补记忆单 元状态值；

(5)计算输出门的值o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t-1+b_o)；

(6)计算LSTM单元隐藏层输出h_t＝o_t⊙tanh(c_t)，并保存每时刻向后隐含层输出；

Backward layer运算流程与Forward layer相似，要注意的是时刻顺序完全相反。

2、仿真研究：

仿真条件：海浅负声速梯度，水深500m，发射换能器布放深度50m，接收换能器布放深 度100m，收发间距5km，窄带高斯白噪声。

评价标准：

假设在预测过程中仅存在两种分类目标：正例(positive)和反例(negative)。

将被分类器划分为正的正样本数定义为True positives(TP)；被分类器划分为正的反 样本数为False positives假正(FP)、被分类器划分为反的正样本数定义为Falsenegatives (FN)假反；被分类器划分为反的反样本数定义为True negatives(TN)真反。其对应的 样例数，则有TP+FP+TN+FN＝总样例数。

四个术语的混淆矩阵

查准率(Precision)与查全率(Recall)分别定义为：

F-score为综合评价，综合考虑Precision和Recall

β用于调整两者权重，这里取β＝1，记为F1-score

在对比多个混淆矩阵、综合考虑分类效果时，先在各混淆矩阵上分别计算出查准率和查全 率，记为(P₁,R₁),(P₂,R₂),…,(P_n,R_n)，通过平均运算，得到“宏查准率(macro-P)”， “宏查全率(macro-R)”和“宏F1(macro-F1)”:

图4的表为不同信噪比下Bi-LSTM网络的抗噪性能。在信噪比高于-10dB时，Bi-LSTM网 络可以达到较高的识别率。从宏查准率、宏查全率、宏F1值，三个评价标准来看，随信噪比 的降低，基于Bi-LSTM网络的调制模式识别算法识别准确率下降。

附图5为SNR＝10dB条件下，基于Bi-LSTM网络的调制模式识别算法的混淆矩阵。可以看 出对于OFDM和DSSS信号识别错误率几乎为0，对于MPSK类信号会产生比较小的识别错误。 对于实际应用而言，识别正确率足以判断非合作通信信号的调制模式类别。

3、试验研究：

为了验证本发明的实用性，发明人于2016年到2018年间在松花江、鲅鱼圈、俄罗斯岛 海域、中国南海、北极开展定点水声通信试验，调制方式为BPSK、QPSK、8PSK、DSSS、OFDM。

数据集分为训练集和测试集，训练数据集和测试集数据集中的样本互不包含，完全不重 叠。数据集中的信号由多次实验获取，各次实验的时间、地点、水深、声速梯度、换能器布 放位置、信道条件等各有不同，且每次实验使用多个换能器，数据集中信号复杂度高，存在 2kHz～35kHz中多种频率的信号。数据从700多个不同环境下的接收信号中截取，且各次试验 水听器位置不同，这使得不同信道接收到的同一发射信号信噪比不同，数据集样本的信噪比 在0-15dB之间。

训练集：数据从外场实验数据中随机选取，五种调制方法的信号各选取4000个样本，每 个样本0.1s，共计20000个样本。

测试集：数据从三个地点实验数据中随机选取，五种调制方法的信号各选取1000个样本， 每个样本0.1s，共计5000个样本。

图6的表为试验测试结果，附图7为试验测试得到的混淆矩阵，结果表明对于五种类型 的调制模式，基于Bi-LSTM网络的水声通信信号调制模式识别方法具有较好的识别率，充分 证明了算法具有很好的实用性。

Claims (3)

1.一种基于循环神经网络的水声通信信号调制模式识别方法，其特征是：

步骤一：获取不同调制方式的水声通信信号仿真或实测数据，分为训练集和测试集；

步骤二：分别对训练集和测试集的每个信号数据进行采样，并进行标准化及归一化处理；

步骤三：分别对训练集和测试集的数据样本提取瞬时频率特征和谱熵特征；

步骤四：分别对训练集和测试集数据样本标注标签；

步骤五：建立Bi-LSTM循环神经网络模型,设置Bi-LSTM循环神经网络参数；

步骤六：将划分好的训练集输入到建立的网络模型中，依据梯度下降法，调整权重,损失函数值趋于稳定时，达到最优的训练网络参数；

步骤七：将深度学习循环神经网络的输入切换为测试集，验证网络实现水声信号调制模式的自动化识别。

2.根据权利要求1所述的基于循环神经网络的水声通信信号调制模式识别方法，其特征是：所述的Bi-LSTM循环神经网络包括四层：Input layer、Forward layer、Backwardlayer和Output layer。

3.根据权利要求2所述的基于循环神经网络的水声通信信号调制模式识别方法，其特征是：Bi-LSTM循环神经网络参数设置为：输入大小为2，网络输出大小为100的Bi-LSTM图层，设置网络允许训练数据进行20次传递，指定网络一次查看50个训练数据。

Images