CN112132027A - 基于改进稠密神经网络的水声信号调制方式类间识别方法 - Google Patents

Abstract

本发明公开了一种基于改进稠密神经网络的水声信号调制方式类间识别方法，首先接收待识别的水声调制信号，提取水声调制信号特征；运用主分量分析法对水声调制信号特征进行降维去噪；再进行归一化与维度变更；基于稠密神经网络，去掉池化层，得到改进的稠密神经网络，并对该神经网络进行训练；将处理后的水声调制信号特征输入到训练好的改进的稠密神经网络中，最终完成调制方式类间识别。本发明最终实现低延迟、高准确率的水声信号调制方式类间识别，识别方法抗干扰能力强、计算成本低、识别准确率高。

Description

基于改进稠密神经网络的水声信号调制方式类间识别方法

技术领域

本发明属于水声通信技术领域，具体地说，涉及一种基于改进稠密神经网络的水声信号调制方式类间识别方法。

背景技术

水下无线数据传输技术是建设海洋强国的关键技术。水声通信以其传播损耗小、传输距离远等优势，成为了目前应用最广泛的水下通信方式。目前，可以根据信道状况选择调制方式的自适应调制编码(Adaptive modulation coding，AMC)技术已广泛用于水声通信系统，该技术需要通信双方通过多次握手来匹配调制方式，而水下复杂的信道环境可能会导致握手信号出错，致使接收端采用了不匹配的解调方式，进而导致解调数据的严重错误。

调制方式智能识别可以帮助接收端自动识别接收信号的调制方式，保证接收端采用正确的解调方式解调数据。目前调制方式智能识别的方法主要有基于最大似然比假设检验的调制方式识别、基于特征提取的调制方式识别以及基于不同神经网络模型的调制方式识别方法。基于最大似然比假设检验的调制方式识别方法需要信号的先验信息且计算复杂，并不适用于实际应用；传统的基于特征提取的调制方式识别方法尽管技术思路简单清晰，易于工程应用，但却极其依赖提取特征的质量。然而在繁杂多变的水下信道中，信号特征受噪声干扰严重，难以用于调制方式的识别；在基于神经网络模型的调制方式识别方法中，具有较好识别性能的模型主要有卷积神经网络等，然而，采用的大多数神经网络均为已有的网络模型，对模型进行针对性改进的研究相对较少，另外，训练一个深度神经网络需要大量的训练样本，而目前我国水声通信数据稀缺且获取成本高昂，已有的水声数据量不足以支撑神经网络的训练。

发明内容

针对现有水声信号调制方式类间识别方法的抗干扰能力差、计算成本高、识别准确率低等技术问题，本发明的目的是提供一种基于改进稠密神经网络的水声信号调制方式类间识别方法，以解决上述问题。

为实现上述发明目的，本发明采用下述技术方案予以实现：

一种基于改进稠密神经网络的水声信号调制方式类间识别方法，包括以下步骤：

S1:接收待识别的水声调制信号，提取水声调制信号特征；

S2：运用主分量分析法(PCA)对S1提取的水声调制信号特征进行降维去噪；

S3：对S2处理后的水声调制信号特征进行归一化与维度变更；

S4：基于稠密神经网络，去掉池化层，得到改进的稠密神经网络，并对该神经网络进行训练；

S5：将S3处理后的水声调制信号特征输入到S4中训练好的改进的稠密神经网络中，最终完成调制方式类间识别。

进一步的，所述S1中提取水声调制信号特征，具体为：

S1-1：首先求出所述水声调制信号的功率谱、奇异谱、包络谱、频谱及相位谱；

S1-2：再计算谱特征和熵特征；

所述谱特征：Q参数、功率谱谱峰数、R参数、零中心归一化瞬时幅度谱密度的最大值γ_max；

所述熵特征：功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵。

其中，Q参数的物理意义及具体公式为：

Q＝V/μ

式中V和μ分别代表信号的方差与均值。

其中，功率谱谱峰数的物理意义为，信号功率谱的峰值数目。

其中，R参数的物理意义与计算公式为：

R＝σ²/μ²

式中σ²和μ表示信号包络平方的方差和均值，R参数能够反映包络谱的变化程度。

其中，零中心归一化瞬时幅度谱密度的最大值γ_max的具体公式为：γ_max＝max{DFTa_cn(n)}²/N

式中N为采样点数，a_cn(n)为零中心归一化瞬时幅度，其公式如下：

a_cn(n)＝a_n(n)-1

式中，a_cn(n)＝a(n)/m_a，m_a为瞬时幅度a(n)的均值。

其中，功率谱香农熵与功率谱指数熵的计算公式如下：

功率谱香农熵：

功率谱指数熵：

式中p_i为信号功率谱中各点的权值，K为功率谱的点数。

其中，奇异谱香农熵和奇异谱指数熵的计算方法为：

将离散的水声采样信号嵌入维数m和延迟时间n后得到重构相空间矩阵：

对该矩阵进行奇异值分解得：

其中矩阵Q为对角矩阵，对角线上的奇异值σ构成奇异值谱σ＝{σ₁，σ₂，...，σ_i|j≤K}。定义归一化后奇异值为σ_i的权值为p_i，则可分别得到奇异谱香农熵和指数熵为：

奇异谱香农熵：

奇异谱指数熵：

其中，频谱幅度香农熵与频谱幅度指数熵的计算公式如下：

频谱幅度香农熵：

频谱幅度指数熵：

式中p_i为信号幅频响应曲线中各点的权值，K为幅频响应曲线的点数。

其中，相位谱香农熵与相位谱指数熵的计算公式如下：

相位谱香农熵：

相位谱指数熵：

式中p_i为信号相频响应曲线中各点的权值，K为相频响应曲线的点数。

进一步的，所述S2中主分量分析法具体步骤为：

S2-1假设水声信号的第k个特征为X_k＝(x₁，x₂，...，x_n)^T，则K个特征的协方差矩阵为

K为特征总数量，

为全体特征参数的均值；

S2-2计算S矩阵的特征值λ₁，λ₁，λ₂，λ₃，...，λ_n与特征向量α₁，α₂，α₃，...，α_n，并将特征值降序排列；

S2-3计算前m个特征分量的累计方差贡献率：

S2-4选择X_k中累计方差贡献率达到90％的前m个特征分量，对其进行线性变换：Y_k＝A^TX_k，其中A为前m个特征值对应的特征向量，Y_k为经PCA处理后的最终特征向量。

进一步的，所述S3中，对提取特征进行归一化与维度变更；

特征归一化公式为：

X为原始特征数据，X′是归一化后的数据，Max与Min分别为特征数据的最大值和最小值；

维度变更具体为：

将原始的n×m维的特征数据转化成适合稠密神经网络的n×m×1维的特征数据，特征数据的特征数量不发生变化，但在逻辑上由二维变为三维。

进一步，所述S4中，所述稠密神经网络训练步骤，包括：

S4-1：改进稠密神经网络，在原稠密神经网络的基础上，删去了用于精简特征的池化层，避免因池化作用引起的重要特征丢失问题；

S4-2：使用已有的海试真实数据与仿真数据，利用贪心算法对该神经网络进行预训练；

S4-3：将预训练好的神经网络在目标海域中进行迁移学习，得到适于目标海域的神经网络模型。

进一步的，所述贪心算法可以通过一系列局部最优解来获取全局最优解，用贪心算法训练网络步骤如下：

(1)单独训练第一层神经网络直至达到给定精度；

(2)保留第一层网络数据，单独训练第二层网络直至达到给定精度；

(3)重复以上流程直至整个神经网络训练完成。

进一步的，所述迁移学习的方法为：

将预训练好的改进稠密神经网络卷积层的权值保持不变，将其投入目标海域，根据实际的水声信号，调制神经网络的全连接层部分。

与现有技术相比，本发明的优点和积极效果是：

本发明的水声信号调制方式类间识别方法，首先，选择提取对噪声不敏感的谱特征与熵特征，提高了特征的鲁棒性；其次，使用主分量分析法对特征进行降维优化，减少计算成本的同时实现了一定的信噪分离；最后，使用迁移学习，极大程度解决了水声信号训练样本不足的问题，保证了神经网络分类器的准确率，最终实现低延迟、高准确率的水声信号调制方式类间识别，该识别方法抗干扰能力强、计算成本低、识别准确率高。

附图说明

图1是本发明实施例的流程图。

图2是本发明实施例中改进稠密神经网络的模型图。

图3是本发明实施例中使用贪心算法预训练网络的流程图。

图4是本发明所实施例中使用迁移学习训练网络的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。

实施例1

在水声自适应调制编码通信系统中，信号发射端与接收端通常会通过握手信号约定调制方式，但水声信道复杂多变，握手信号容易产生错误，接收端可通过调制方式智能识别方法自动识别接收信号的调制方式，保障数据解调正确。

本实施例是一种基于改进稠密神经网络的快速准确水声信号调制方式类间识别方法，接收水声调制信号之后，包括以下部分，如图1所示：

S1调制信号特征提取与处理步骤，包括：

S11、求出调制信号的功率谱、奇异谱、包络谱、频谱及相位谱；

S12、计算信号的谱特征与熵特征；

本实施例选择抗噪声能力强的谱特征与熵特征作为调制方式类间识别的特征；其中，信号的谱特征与熵特征具体包括：

所述谱特征：Q参数、功率谱谱峰数、R参数、零中心归一化瞬时幅度谱密度的最大值γ_max；

所述熵特征：功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵。

其中，Q参数的物理意义及具体公式为：

Q＝V/μ

式中V和μ分别代表信号的方差与均值。

其中，功率谱谱峰数的物理意义为，信号功率谱的峰值数目。

其中，R参数的物理意义与计算公式为：

R＝σ²/μ²

式中σ²和μ表示信号包络平方的方差和均值，R参数能够反映包络谱的变化程度。

其中，零中心归一化瞬时幅度谱密度的最大值γ_max的具体公式为：γ_max＝max{DFTa_cn(n)}²/N

式中N为采样点数，a_cn(n)为零中心归一化瞬时幅度，其公式如下：

a_cn(n)＝a_n(n)-1

式中，a_cn(n)＝a(n)/m_a，m_a为瞬时幅度a(n)的均值。

其中，功率谱香农熵与功率谱指数熵的计算公式如下：

功率谱香农熵：

功率谱指数熵：

式中p_i为信号功率谱中各点的权值，K为功率谱的点数。

其中，奇异谱熵的计算方法为：

将离散的水声采样信号嵌入维数m和延迟时间n后得到重构相空间矩阵：

对该矩阵进行奇异值分解得：

其中矩阵Q为对角矩阵，对角线上的奇异值σ构成奇异值谱σ＝{σ₁，σ₂，...，σ_i|j≤K}。定义归一化后奇异值为σ_i的权值为p_i，则可分别得到奇异谱香农熵和指数熵为：

奇异谱香农熵：

奇异谱指数熵：

其中，频谱幅度香农熵与频谱幅度指数熵的计算公式如下：

频谱幅度香农熵：

频谱幅度指数熵：

式中p_i为信号幅频响应曲线中各点的权值，K为幅频响应曲线的点数。

其中，相位谱香农熵与相位谱指数熵的计算公式如下：

相位谱香农熵：

相位谱指数熵：

式中p_i为信号相频响应曲线中各点的权值。K为相频响应曲线的点数。

S13、使用主分量分析法对提取的特征进行降维去噪；

主分量分析法具体步骤为：

S131、假设水声信号的第k个特征为x_k＝(x₁，x₂，...，x_n)^T，则K个特征的协方差矩阵为

K为特征总数量，

为全体特征参数的均值；

S132、计算S矩阵的特征值λ₁，λ₁，λ₂，λ₃，...，λ_n与特征向量α₁，α₂，α₃，...，α_n，并将特征值降序排列；

S133、计算前m个特征分量的累计方差贡献率：

S134、选择X_k中累计方差贡献率达到90％的前m个特征分量，对其进行线性变换：Y_k＝A^TX_k，其中A为前m个特征值对应的特征向量，Y_k为经PCA处理后的最终特征向量。

S2：神经网络训练步骤，包括：

S21、使用已有的海试数据与仿真数据，利用贪心算法对神经网络进行预训练；

本实施例所用神经网络为改进稠密神经网络，如图2所示，该网络在原稠密神经网络的基础上，删去了用于精简特征的池化层，避免因池化作用引起的重要特征丢失问题；

贪心算法可以通过一系列局部最优解来获取全局最优解，如图3所示，贪心算法训练网络步骤如下：

S211、单独训练第一层神经网络直至达到给定精度；

S212、保留第一层网络数据，单独训练第二层网络直至达到给定精度；

S213、重复以上流程直至整个神经网络训练完成；

S3类间识别步骤，包括：

S31、对提取特征进行归一化与维度变更；

进一步的，特征归一化公式为：

X为原始特征数据，X′是归一化后的数据，Max与Min分别为特征数据的最大值和最小值。

维度变更具体为：

将原始的n×m维的特征数据转化成适合稠密神经网络的n×m×1维的特征数据，特征数据的特征数量不发生变化，但在逻辑上由二维变为三维。

S32、将处理好的特征输入到训练好的神经网络中，完成调制方式类间识别。

S4、为了验证本方法，本实施例中使用Matlab软件仿真不同类别的调制信号，调制方式分别为：BPSK、QPSK、BFSK、QFSK、16QAM、64QAM、OFDM；信噪比范围为【-30dB，30dB】，间隔5dB；各种类别的调制信号在不同信噪比下均有100组时域波形数据；数据量总计5200组。

S41、分析信号时域波形数据的功率谱、奇异谱、包络谱、频谱及相位谱，并计算得到Q参数、功率谱谱峰数、R参数、零中心归一化瞬时幅度谱密度的最大值γ_max、功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵共计12维的特征向量。

S42、对提取特征进行PCA处理，得到降维去噪后的7维特征数据并进行归一化与维度变更处理。

S43、将处理后的不同信噪比下的特征数据按不同调制类别均匀划分为训练集与测试集并用于神经网络的训练，其中训练集3900组数据，测试集1300组数据。

S44、使用贪心算法训练改进稠密神经网络，最终得到混合信噪比下的调制方式智能识别模型，其识别性能如表1所示：

表1神经网络模型在不同信噪比下的识别准确率结果

结果表明：该方案在信噪比为-30dB至30dB的测试集上可以达到89.23％的整体识别准确率，且对信噪比为0dB及以上的信号可达到近乎100％的识别准确率，展示出良好的识别性能以及对不同信噪比下特征数据的识别鲁棒性。

本实施例通过选择提取对噪声不敏感的谱特征与熵特征，并使用主分量分析法对特征进行降维优化，减少计算成本的同时实现了一定的信噪分离，去除了水下噪声对调制识别的干扰；然后选择具有较快收敛速度和较高准确率的稠密神经网络，并针对本发明中经过PCA处理后的特征冗余度较低的特点，针对性地去除池化层，以避免池化作用损失重要特征，在网络训练方面引入迁移学习训练深度神经网络，极大程度解决了水声信号训练样本不足的问题，保证了神经网络分类器的准确率，最终实现低延迟、高准确率的水声信号调制方式类间识别。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (7)

1.一种基于改进稠密神经网络的水声信号调制方式类间识别方法，其特征在于，该方法包括以下步骤：

S1:接收待识别的水声调制信号，提取水声调制信号特征；

S2：运用主分量分析法对S1提取的水声调制信号特征进行降维去噪；

S3：对S2处理后的水声调制信号特征进行归一化与维度变更；

S4：基于稠密神经网络，去掉池化层，得到改进的稠密神经网络，并对该神经网络进行训练；

S5：将S3处理后的水声调制信号特征输入到S4中训练好的改进的稠密神经网络中，最终完成调制方式类间识别。

2.如权利要求1所述的水声信号调制方式类间识别方法，其特征在于，所述S1中提取水声调制信号特征，具体为：

S1-1：首先求出所述水声调制信号的功率谱、奇异谱、包络谱、频谱及相位谱；

S1-2：再计算谱特征和熵特征；

所述谱特征：Q参数、功率谱谱峰数、R参数、零中心归一化瞬时幅度谱密度的最大值γ_max；

所述熵特征：功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵。

3.如权利要求1所述的水声信号调制方式类间识别方法，其特征在于，所述S2中主分量分析法具体步骤为：

S2-1假设水声信号的第k个特征为X_k＝(x₁，x₂，...，x_n)^T，则K个特征的协方差矩阵为

K为特征总数量，

为全体特征参数的均值；

S2-2计算S矩阵的特征值λ₁，λ₁，λ₂，λ₃，...，λ_n与特征向量α₁，α₂，α₃，...，α_n，并将特征值降序排列；

S2-3计算前m个特征分量的累计方差贡献率：

S2-4选择X_k中累计方差贡献率达到90％的前m个特征分量，对其进行线性变换：Y_k＝A^TX_k，其中A为前m个特征值对应的特征向量，Y_k为经PCA处理后的最终特征向量。

4.如权利要求1所述的水声信号调制方式类间识别方法，其特征在于，所述S3中，对提取特征进行归一化与维度变更；

特征归一化公式为：

X为原始特征数据，X′是归一化后的数据，Max与Min分别为特征数据的最大值和最小值；

维度变更具体为：

将原始的n×m维的特征数据转化成适合稠密神经网络的n×m×1维的特征数据，特征数据的特征数量不发生变化，但在逻辑上由二维变为三维。

5.如权利要求1所述的水声信号调制方式类间识别方法，其特征在于，所述S4中，所述稠密神经网络训练步骤，包括：

S4-1：改进稠密神经网络，在原稠密神经网络的基础上，删去了用于精简特征的池化层，避免因池化作用引起的重要特征丢失问题；

S4-2：使用已有的海试真实数据与仿真数据，利用贪心算法对该神经网络进行预训练；

S4-3：将预训练好的神经网络在目标海域中进行迁移学习，得到适于目标海域的神经网络模型。

6.如权利要求5所述的水声信号调制方式类间识别方法，其特征在于，所述贪心算法可以通过一系列局部最优解来获取全局最优解，用贪心算法训练网络步骤如下：

(1)单独训练第一层神经网络直至达到给定精度；

(2)保留第一层网络数据，单独训练第二层网络直至达到给定精度；

(3)重复以上流程直至整个神经网络训练完成。

7.如权利要求5所述的水声信号调制方式类间识别方法，其特征在于，所述迁移学习的方法为：将预训练好的改进稠密神经网络卷积层的权值保持不变，将其投入目标海域，根据实际的水声信号，调制神经网络的全连接层部分。

Images