CN112348165A - 基于混合循环网络的水声通信信号分类识别方法及系统 - Google Patents
基于混合循环网络的水声通信信号分类识别方法及系统 Download PDFInfo
- Publication number
- CN112348165A CN112348165A CN202011020253.7A CN202011020253A CN112348165A CN 112348165 A CN112348165 A CN 112348165A CN 202011020253 A CN202011020253 A CN 202011020253A CN 112348165 A CN112348165 A CN 112348165A
- Authority
- CN
- China
- Prior art keywords
- signal
- network
- underwater acoustic
- acoustic communication
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种基于混合循环网络的水声通信信号分类识别方法及系统,将输入的数据进行数据预处理以实现数据长度匹配;将处理的后的数据输入混合循环网络提取多种信号调制分类;将分类后的水声通信信号进行输出。采用混合循环网络可以有效避免深度网络可能会过多地获得信号种类识别信息,导致过度拟合信号数据集的问题。混合循环网络内部结构设计更有利于学习隐式时间信号特征,提高识别效果。
Description
技术领域
本申请涉及神经网络技术领域,具体涉及一种基于混合循环网络的水声通信信号分类识别方法及系统。
背景技术
在非合作通信系统中,信号的种类识别属于该技术的核心。近年来,对自动信号种类分类技术进行了广泛的研究。在民用和军事领域,信号种类识别技术已被证明具有很大的实用价值。信号种类识别识别已成为智能无线电系统的基本组成部分,尤其是在认知无线电和软件无线电领域。在民用领域,有链路自适应系统,它可以根据信道情况自适应地选择适合于信号传输的最佳调制方案。在军事领域,它主要用于电子战。典型的情况是拦截和干扰敌方通信,首先需要确定敌方调制方案,该方案适用于通过发射在相同频带中超过敌方通信的更高功率信号,来达到干扰敌方通信的目的。该过程必须采用信号种类识别分类器来检测敌方调制方案以调制中断信号。然而,在水下通信领域,关于调制识别的研究尚未得到深入研究。
从水下通信的角度来看,信息传递的载体是水体。与陆地无线通信相比,水声通信的介质水体相当于无线信道。但是,水下通道具有许多不同于陆地无线信道的特征,这是由于通信环境的特殊性造成的。而且,它更容易受到诸如水温,盐度和水深等多个因素的影响。大多数现有的经典陆地无线通信模型不能直接用于分析水下通信过程。考虑到时间分布,水下通道相当于慢衰落通道,考虑到水介质的分布和随机性,这是不均匀的。容易丢失信号能量并引起较大的衰落,从而导致多普勒频移和严重的多径干扰。由于这些原因,水下通道的可用带宽有限,通道容量小,传输效率低。因此,采用高效的调制方法是绝对必要的,它可以大大提高通信系统的传输效率。
深度学习方法在文本,语音和图像处理的许多基准测试任务中均取得了显著成果。深度学习方法主要是通过深化的人工神经网络架构实现的,从网络结构的角度来看,卷积神经网络(Convolutional Neural Networks,CNN)在图像域领域应用更多,而循环神经网络(Recurrent Neural Network,RNN)在自然语言处理领域应用更多。两种常规网络模型之间最大的区别在于RNN中具有内存临时存储功能,该功能可量化过去输入的影响并与当前时间输入反应以参与网络中的训练。在通信领域,也有深度学习方法的应用,例如信道编码和解码,信道估计和均衡,信道检测,基于自动编码器的通信系统结构等。
对信号种类分类识别任务中的深度学习方法已有一些研究,主要是卷积神经网络(CNN)和递归神经网络(RNN)的网络形式。CNN通常被视为高性能的特征提取器,在识别效果方面比传统的机器学习方法具有明显的优势。CNN处理由通信过程生成的实际信号种类数据,并执行所需的分类属性。同时,转换算法保证了CNN的稳定学习过程,提高了训练效果。为了提高CNN的泛化能力,在网络结构中增加了合并数据处理方式,降低在低SNR情况下的信号畸变。修改后的CNN显着降低了计算负担,并显着提高了识别结果。考虑到CNN结构是最流行的图像识别基础算法之一,将各种原始信号种类转换为图像进行分类也是重要的解决思路之一。CNN保持良好的分类性能,并避免了人工选择的特征带来的额外负担。有相关深度学习算法将两个基于CNN的高级网络体系结构引入到信号种类识别任务中,被证明具有识别信号星座拓扑的一致性和规则性的潜力。考虑目前所使用的算法,RNN在信号种类识别域中应用较少。通过长期短期记忆(Long Short Term Memory,LSTM)进行识别分类十一种接收信号,LSTM是RNN的变体形式之一,这种方法的出色识别能力已通过高信噪比得到印证。这是因为LSTM的RNN变体有效提取了时域中信号调制的相位和幅度特征。常规用于信号识别的算法还有一种异构深度模型融合(Heterogeneous Deep Model Fusion,HDMF)网络,它通过获取全域独特的信号分类成分来实现识别任务,该网络由CNN和LSTM以及多个并行框架组成。HDMF不仅提高了获得信号种类表示的能力,而且降低了训练复杂度。在声学通信的情况下,相关研究相对较少。其中采用CNN深度学习方法可以有效地分析初始信号的信号种类格式,该方法从低频无线电声波中严重的干扰时域数据中检索类别的特殊性。
从上面的分析可以看出,CNN,RNN或这两个网络的组合可以充分学习信号特性,从而更好地解决信号分类问题。在CNN网络结构规模大小扩展的情况下,深度网络可能会过多地获得信号种类识别信息,导致过度拟合信号数据集的问题,从而引发不可靠的识别效果。
发明内容
本申请为了解决上述技术问题,提出了如下技术方案:
第一方面,本申请实施例提供了一种基于混合循环网络的水声通信信号分类识别方法,所述方法包括:将输入的数据进行数据预处理以实现数据长度匹配;将处理的后的数据输入混合循环网络提取多种信号调制分类;将分类后的水声通信信号进行输出。
采用上述实现方式,采用混合循环网络可以有效避免深度网络可能会过多地获得信号种类识别信息,导致过度拟合信号数据集的问题。混合循环网络内部结构设计更有利于学习隐式时间信号特征,提高识别效果。
结合第一方面,在第一方面第一种可能的实现方式中,所述将输入的数据进行数据预处理以实现数据长度匹配包括:通过裁剪或填充输入信号的方式以使得数据长度匹配,其中裁剪或填充信号以零为目标符号。
结合第一方面第一种可能的实现方式,在第一方面第二种可能的实现方式中,处理填充信号的输入信号时,将输入信号进行反填充,已删除添加的额外数据。
结合第一方面,在第一方面第三种可能的实现方式中,所述混合循环网络包括多层Bi-GRU层和Dense层。
结合第一方面第三种可能的实现方式,在第一方面第四种可能的实现方式中,所述将处理的后的数据输入混合循环网络提取多种信号调制分类,包括:通过多层所述Bi-GRU层对水声通信的信号进行分类识别;然后进一步提取信号深层信息提高网络的识别效果。
结合第一方面第三种可能的实现方式,在第一方面第五种可能的实现方式中,所述将分类后的水声通信信号进行输出包括:通过Dense层和GRU层的输出特征配合,获得最终的识别结果,完成分类判定。
第二方面,本申请实施例提供了一种基于混合循环网络的水声通信信号分类识别系统,所述系统包括:预处理模块,用于将输入的数据进行数据预处理以实现数据长度匹配;提取模块,用于将处理的后的数据输入混合循环网络提取多种信号调制分类;识别输出模块,用于将分类后的水声通信信号进行输出。
第三方面,本申请实施例提供了一种设备,包括:处理器;存储器,用于存储计算机可执行指令;当所述处理器执行所述计算机可执行指令时,所述处理器执行第一方面或第一方面任一可能实现方式所述的基于混合循环网络的水声通信信号分类识别方法。
附图说明
图1为本申请实施例提供的一种基于混合循环网络的水声通信信号分类识别方法的流程示意图;
图2为本申请实施例提供的混合循环网络结构示意图;
图3为本申请实施例提供的Masking示意图;
图4为本申请实施例提供的网络的不同形式中的识别性能示意图;
图5为本申请实施例提供的十种调制模式的识别能力示意图;
图6为本申请实施例提供的各种网络模型之间的比较识别效力示意图;
图7为本申请实施例提供的训练完成之后产生的参数示意图;
图8为本申请实施例提供的一种基于混合循环网络的水声通信信号分类识别系统的示意图;
图9为本申请实施例提供的一种设备的示意图。
具体实施方式
下面结合附图与具体实施方式对本方案进行阐述。
图1为本申请实施例提供的一种基于混合循环网络的水声通信信号分类识别方法的流程示意图,参见图1,所述方法包括:
S101,将输入的数据进行数据预处理以实现数据长度匹配。
为了应对水下声波通信中的信号调制种类的挑战,变体RNN类网络方法优化了输入样式和模型架构设计。本申请所采用的混合循环网络如图2所示。
本申请所采用的时间序列模型的输入信号数据的长度是可变的,在处理之前必须先对其进行统一。主要问题在于同一批输入数据中的序列长度不一致,因此没有通过网络输入数据的要求来划分输入数据的长度的要求。但是,该方法中存在一些隐藏的危险。首先,输入数据批量大小不一致的问题。一些输入数据批量样本太小,导致训练缓慢。其次,这将导致难以划分训练集和验证集,特别是在K折交叉验证中。最后,该方法可能导致样本在输入数据批量之间的分配不一致,这可能会影响到识别性能,从而导致结果不理想。神经网络的输入需要一个规则的张量,然而信号数据通常是长度可变的模式。这样,就需要裁剪或填充输入信号的方式以使数据长度固定。一般情况下,习惯上使用零作为填充符号。
为了使用零填充将数据长度控制为相同样式,如果使用CNN类型的网络形式,可以自动将填充的零数据视为无效。但是,如果使用时间序列模型,比如RNN,GRU和LSTM等,填充一堆无意义的零,这将对结果产生影响。因此,采用屏蔽层(Masking)用于处理这些添加的零。在这种情况下,当将输入数据移交给时序网络模型进行处理时,数据也必须进行反填充,以删除添加的额外数据。通过Masking层后,可以忽略所有零,并将其添加到数据中。可以理解为在后续处理中删除随后的零,但是该方法还将删除信号序列中包含的零数据。对于最初包含在数据中的零,需要通过数据映射形成索引以进行进一步处理。这种形式将节省数据存储空间,通过索引将大量数据从数百GB映射到只有几GB。对应于索引为零的数据,通常对应一些低频无法转换为向量的数据。在索引之后,这些数据没有对应向量,并且在整个信号序列的处理上忽略它们对最终结果是没有影响的。在屏蔽处理中,可以将其与填充零一起忽略。此处的忽略表示将不对其进行处理,而不会直接删除在之后添加的零。屏蔽位置之后的零将不参与计算。屏蔽是为了防止模型看到后续多余数据信息。如图3所示,屏蔽将沿对角线用零覆盖灰色区域,而不给模型看到任何将来的信息。详细地,第一信号数据α1′只能具有其自身的注意力范围。作为第二信号数据,α2′具有两个注意点α1′,α2′。α3′是第三信号数据,注意α1′,α2′,α3′的前三个信号数据。在最后一个信号α4′,能够关注序列的四个信号数据。θμν表示预测信号数据的出现概率,取值范围是0~1。
S102,将处理的后的数据输入混合循环网络提取多种信号调制分类。
所述混合循环网络包括多层Bi-GRU层和Dense层。所述将处理的后的数据输入混合循环网络提取多种信号调制分类,包括:通过多层所述Bi-GRU层对水声通信的信号进行分类识别;然后进一步提取信号深层信息提高网络的识别效果。
传统的RNN结构只能基于前一时刻的时序信息来预测下一次的输出。在信号调制模式识别中,当前时刻的输出不仅与先前状态有关,而且可能与将来状态有关。当预测某种调制模式时,有必要根据先前的信号序列进行判断,并考虑其自身后面的信号序列。使得真正的结果判断源于前后信号,从而提高精准度。Bi-GRU由上下堆叠的两个GRU组成,输出由两个GRU的状态决定。Bi-GRU考虑了图3中的前顺序和后顺序之间的信号分类信息,提出该信号分类信息是为了更好地表达输入数据。特别是对于大量信号数据,一系列信号包含了与前后序列有关的多种调制类别。Bi-GRU可以分别训练正向和反向时间序列,输出数据可以获得正向和反向信号序列的信息。这种形式更有利于提取调制类别区分信息,提高最终的表现结果。
通常,输入沿实线箭头传输到隐藏层节点,而隐藏层节点则沿实线传输到输出节点。沿实线完成前向传播后,Bi-GRU没有直接进行后向传播,而是从结束时间起沿虚线的方向将其发送回去。最后,将在两个方向上获得的激活值连接为最终输出激活值Bi-output。后向传播也类似,必须转向传输回来学习到的值。双向循环网络具有基本循环网络的前向组件和后向组件。连接方式与前向组件相同。与反向传播不同的是此处不计算导数,它构成了有向无环图。注意,前向组件和后向组件不相互连接。一般来说,计算过程是独立进行的,没有干扰。可以理解为网络将最后一个信号视为序列中的输入,而反向将与第一层相同。最后,同时处理两个结果。它考虑了所有位置的输入,并且可以在信号序列中的任何位置输出预测值。
通过GRU进一步提取信号深层信息,可以有效提高网络的识别效果。
堆叠了多个循环层,通过增加结构尺寸来提高所网络的学习能力。每层的隐藏状态输出将传递到下一刻,此刻的输出将用作下一层的输入。这是两个方向上最后一个隐藏状态层的串联结果。RNN的内部结构问题使得无法掌握信号序列调制的长期依赖性,从而导致最终识别效果不佳。GRU可以很好地解决该问题。与RNN相比,GRU具有较少的门控和较少的参数,但与RNN相比,可以获得更好的效果。考虑到计算能力,硬件时间成本以及参数过多导致的过拟合问题。GRU更容易训练,可以大大提高训练效率。
堆叠的GRU网络随时间扩展。在提取多层Bi-GRU特征后,将定义为时间t处第λ层的隐藏状态,而具有相似的含义。它由时间t-1处的λ层的隐藏状态和时间t处的λ-1层的Bi-GRU隐藏状态确定。公式表达为
S103,将分类后的水声通信信号进行输出。
通过Dense层可以有效和GRU层的输出特征配合,获得最终的识别结果,有效完成最终的分类判定。
仿真实验的水下信道模型使用浅海模型参数。发射端和接收端相距5000m,深度为10m。风速为20节。载波设置为10kHz,带宽为2kHz。SNR范围为-20dB至20dB。该噪声被假定为具有零均值和10-SNR/10标准偏差的加性高斯白噪声。包括10种调制模式,16正交幅度调制(16Quadrature Amplitude Modulation,16QAM),32QAM,二进制相移键控(Binary Phase-Shift Keying,BPSK),正交相移键控(Quadrature PSK,QPSK)和8PSK,脉冲幅度调制(PulseAmplitude Modulation,PAM),恒定相频移键控(Constant Phase Frequency-ShiftKeying,CPFSK),高斯频移键控(Gaussian FSK,GFSK),调频(Frequency Modulation,FM),单边(Single-SideBand,SSB)。
在训练过程中,Bi-GRU网络的参数设置如下:优化器选择Adam,均方误差(MeanSquared Error,MSE)用于交叉熵函数。合并模式在双向层中选择为平均方法,并且批处理大小为128个信号数据。为了使所使用的网络具有更强的泛化性能,将提前停止机制设置为5。
第一步,针对水声数据集的特点,选择合适的中间迭代Bi-GRU和GRU的层数。
图4示出了在所提出的网络的不同形式中的识别性能。Bi-GRU+GRU(X+X)表示存在Bi-GRU的X层,其后是GRU的X层,X=1,2,…,5。Masking和Input分别表示信号数据输入形式。Masking层以屏蔽方式输入分析的信号数据,而Input层使用传统方法对数据进行处理。从-20dB到-10dB,输入为η=1,2,…,5的Bi-GRU+GRUη+η)具有相似的调制识别精度,并且比具备Masking的Bi-GRU+GRU(1+1)小约1%。在SNR>-10dB时,具有Input层的Bi-GRU+GRU(1+1)平均比带Masking的相同网络模型低26.9%,比使用Input的其他四个网络模型平均高5.9%。这主要归因于:Masking层是一种比Input层更有效的方法,可以处理输入无效数据的问题。在Masking形式中,Bi-GRU+GRU(1+1),(2+2)和(3+3)具有几乎等效的识别性能。在SNR≤0时,它们之间的精度差异要低大约1%。在相同的SNR范围内,Bi-GRU+GRU(4+4)比Bi-GRU+GRU(5+5)高出1.5%,比其他三种方式的识别率高出近3.1%。当SNR超过0dB时,Bi-GRU+GRU(4+4)分别比(1+1),(2+2),(3+3)和(5+5)高5.4%,3.7%,3.1%和1.7%。随着Bi-GRU和GRU的不断增加,识别效果大大提高。这是因为通过更深的网络形式可以获取到更多可用的分类表示。同时,应该注意的是,对比Bi-GRU+GRU(4+4)和(5+5)识别效果,所用的网络达到了一定层数后,识别能力并不会持续提高。这种现象主要是归因于深度学习网络的过度拟合问题。
第二步,分析在典型SNR条件下的具体信号种类识别效果。
在三种典型的SNR(-2dB,0dB,2dB)下,图5显示了十种调制模式的识别结果。4FSK,16QAM,32QAM和QPSK的错误识别率更高,平均达到23%,其他六种调制方式的正确平均识别率超过95.6%。
第三步,对比本申请所采用的混合循环网络和其他方法深度学习算法的识别效果。
图6示出了包括各种网络结构的各种网络模型之间的比较识别效力。混合时间序列网络称为混合顺序网络(Hybrid Sequential Network,HSNet),它是Bi-GRU和GRU(4+4)的形式,其输入形式为Masking,具有最佳识别结果。保持Masking输入不变,GRU和Bi-GRU(4+4)颠倒了两者的前后网络顺序。4层GRU跟随4层Bi-GRU。Bi-LSTM+LSTM(4+4)使用LSTM在双向层和后层中替换GRU,后者具有4层的Bi-LSTM和4层的LSTM。Bi-GRU(8)表示Bi-GRU网络结构叠加了8层,而GRU(8)具有相似的含义,其中包含8层GRU网络。LSTM(8)类似于包含8层的LSTM。上述网络模型都属于时序网络体系结构。其他类型的网络模型包括时间卷积网(TCN),具有按点分组卷积和路线混洗的ShuffleNet,以及具有特征重新校准功能的SENet。它们属于典型的卷积神经网络类型。当SNR在-14dB到-6dB范围内时,HSNet比TCN识别精度高出18.5%,并且比SENet以外的其他网络模型平均精确近5.9%。在-7dB≤SNR≤2dB处,将Bi-GRU(8)与GRU和Bi-GRU(4+4)进行比较,得到的结果最为相关,并且在GRU(8)和LSTM(8)之间也存在类似的现象,平均效率分别比HSNet低10.4%和12.8%。在相同的SNR范围内,HSNet的识别度比Bi+LSTM(4+4)高约19.4%;TCN,ShuffleNet和SENet分别比HSNet约低42.9%,19.2%和8.3%。HSNet从Bi-GRU的正负时序中提取调制分类特征,GRU可以根据学习到的数据进一步获得更深的识别信息。它解释了HSNet的识别结果优于其他形式网络模型的原因,例如Bi-GRU(4+4),Bi-GRU(8),LSTM(8)等。在SNR>2dB的通信条件较好的情况下,所有网络模型都可以达到更高的精度,并且HSNet极大地提高了识别精度的水平。Bi-LSTM+LSTM(4+4)的时序网络的准确度比HSNet低近5.7%。在相同信噪比条件下,HSNet的精度分别比TCN,ShuffleNet和SENet提高了19.6%,14.4%和9.3%。HSNet显然比用于比较分析的网络形式拥有更强大的数据提取能力,在识别效果上优势明显。
第四步,分析本申请所采用方法和对比深度学习方法的参数规模情况。
图7示出了在训练完成之后产生的参数大小,并且可以将训练后的模型直接部署在水声通信系统中以判断和识别各种调制模式。纵轴是训练后的参数量,单位为kB(千字节),圆圈越大,图中标记的位置越高,意味着参数越多。HSNet和GRU+Bi-GRU(4+4)在结构上是近似的,并且它们的参数规模非常接近,接近1MB。LSTM在内部组成上比GRU多一个门单元,LSTM(8)的参数比HSNet大65.6kB。同时,HSNet比Bi-LSTM+LSTM(4+4)小338.6kB。Bi-GRU需要之前和之后时间信号序列的参与数据,该数据要大于仅与包含先前序列相关的GRU。Bi-GRU(8)比HSNet小302.1kB,而GRU(8)比HSNet小128.1kB。但是,这些时序网络模型的识别效果不如HSNet。TCN,ShuffleNet和SENet的参数分别是HSNet的3.0倍,46.5倍和34.8倍,识别结果明显差于HSNet。HSNet结构设计的优势可以很好地控制训练模型的参数规模。HSNet的参数量较低,识别能力较高,更适合在资源有限的实际通信系统中工作。
与上述实施例提供的一种基于混合循环网络的水声通信信号分类识别方法相对应,本申请还提供了一种基于混合循环网络的水声通信信号分类识别系统的实施例。参见图8,基于混合循环网络的水声通信信号分类识别系统20包括:预处理模块201、提取模块202和识别输出模块203。
所述预处理模块201,用于将输入的数据进行数据预处理以实现数据长度匹配。
所述将输入的数据进行数据预处理以实现数据长度匹配包括:通过裁剪或填充输入信号的方式以使得数据长度匹配,其中裁剪或填充信号以零为目标符号。处理填充信号的输入信号时,将输入信号进行反填充,已删除添加的额外数据。
所述提取模块202,用于将处理的后的数据输入混合循环网络提取多种信号调制分类。
所述混合循环网络包括多层Bi-GRU层和Dense层。所述将处理的后的数据输入混合循环网络提取多种信号调制分类,包括:通过多层所述Bi-GRU层对水声通信的信号进行分类识别;然后进一步提取信号深层信息提高网络的识别效果。
所述识别输出模块203,用于将分类后的水声通信信号进行输出。通过Dense层和GRU层的输出特征配合,获得最终的识别结果,完成分类判定。
本申请还提供了一种设备,参见图9,设备30包括:处理器301、存储器302和通信接口303。
在图9中,处理器301、存储器302和通信接口303可以通过总线相互连接;总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器301通常是控制设备30的整体功能,例如设备30的启动、以及设备启动后将输入的数据进行数据预处理以实现数据长度匹配;将处理的后的数据输入混合循环网络提取多种信号调制分类;将分类后的水声通信信号进行输出。
此外,处理器301可以是通用处理器,例如,中央处理器(英文:centralprocessing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。处理器也可以是微处理器(MCU)。处理器还可以包括硬件芯片。上述硬件芯片可以是专用集成电路(ASIC),可编程逻辑器件(PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(CPLD),现场可编程逻辑门阵列(FPGA)等。
存储器302被配置为存储计算机可执行指令以支持设备30数据的操作。存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
启动设备30后,处理器301和存储器302上电,处理器301读取并执行存储在存储器302内的计算机可执行指令,以完成上述基于混合循环网络的水声通信信号分类识别方法实施例中的全部或部分步骤。
通信接口303用于设备30传输数据,例如实现与用户之间的数据通信。通信接口303包括有线通信接口,还可以包括无线通信接口。其中,有线通信接口包括USB接口、MicroUSB接口,还可以包括以太网接口。无线通信接口可以为WLAN接口,蜂窝网络通信接口或其组合等。
在一个示意性实施例中,本申请实施例提供的设备30还包括电源组件,电源组件为设备30的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为设备30生成、管理和分配电力相关联的组件。
通信组件,通信组件被配置为便于设备30和其他设备之间有线或无线方式的通信。设备30可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
本申请说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于系统及设备实施例而言,由于其中的方法基本相似于方法的实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
当然,上述说明也并不仅限于上述举例,本申请未经描述的技术特征可以通过或采用现有技术实现,在此不再赘述;以上实施例及附图仅用于说明本申请的技术方案并非是对本申请的限制,如来替代,本申请仅结合并参照优选的实施方式进行了详细说明,本领域的普通技术人员应当理解,本技术领域的普通技术人员在本申请的实质范围内所做出的变化、改型、添加或替换都不脱离本申请的宗旨,也应属于本申请的权利要求保护范围。
Claims (8)
1.一种基于混合循环网络的水声通信信号分类识别方法,其特征在于,所述方法包括:
将输入的数据进行数据预处理以实现数据长度匹配;
将处理的后的数据输入混合循环网络提取多种信号调制分类;
将分类后的水声通信信号进行输出。
2.根据权利要求1所述的基于混合循环网络的水声通信信号分类识别方法,其特征在于,所述将输入的数据进行数据预处理以实现数据长度匹配包括:通过裁剪或填充输入信号的方式以使得数据长度匹配,其中裁剪或填充信号以零为目标符号。
3.根据权利要求2所述的基于混合循环网络的水声通信信号分类识别方法,其特征在于,处理填充信号的输入信号时,将输入信号进行反填充,已删除添加的额外数据。
4.根据权利要求1所述的基于混合循环网络的水声通信信号分类识别方法,其特征在于,所述混合循环网络包括多层Bi-GRU层和Dense层。
5.根据权利要求4所述的基于混合循环网络的水声通信信号分类识别方法,其特征在于,所述将处理的后的数据输入混合循环网络提取多种信号调制分类,包括:
通过多层所述Bi-GRU层对水声通信的信号进行分类识别;
然后进一步提取信号深层信息提高网络的识别效果。
6.根据权利要求4所述的基于混合循环网络的水声通信信号分类识别方法,其特征在于,所述将分类后的水声通信信号进行输出包括:通过Dense层和GRU层的输出特征配合,获得最终的识别结果,完成分类判定。
7.一种基于混合循环网络的水声通信信号分类识别系统,其特征在于,所述系统包括:
预处理模块,用于将输入的数据进行数据预处理以实现数据长度匹配;
提取模块,用于将处理的后的数据输入混合循环网络提取多种信号调制分类;
识别输出模块,用于将分类后的水声通信信号进行输出。
8.一种设备,其特征在于,包括:
处理器;
存储器,用于存储计算机可执行指令;
当所述处理器执行所述计算机可执行指令时,所述处理器执行权利要求1-6任一项所述的基于混合循环网络的水声通信信号分类识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011020253.7A CN112348165A (zh) | 2020-09-25 | 2020-09-25 | 基于混合循环网络的水声通信信号分类识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011020253.7A CN112348165A (zh) | 2020-09-25 | 2020-09-25 | 基于混合循环网络的水声通信信号分类识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348165A true CN112348165A (zh) | 2021-02-09 |
Family
ID=74360317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011020253.7A Pending CN112348165A (zh) | 2020-09-25 | 2020-09-25 | 基于混合循环网络的水声通信信号分类识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348165A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114599A (zh) * | 2021-03-12 | 2021-07-13 | 电子科技大学 | 基于轻量级神经网络的调制识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
-
2020
- 2020-09-25 CN CN202011020253.7A patent/CN112348165A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
Non-Patent Citations (2)
Title |
---|
张帆: "基于电子病历的临床试验标准分类研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
邹凯: "基于神经网络和骨骼点特征的人体动作识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114599A (zh) * | 2021-03-12 | 2021-07-13 | 电子科技大学 | 基于轻量级神经网络的调制识别方法 |
CN113114599B (zh) * | 2021-03-12 | 2022-01-11 | 电子科技大学 | 基于轻量级神经网络的调制识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Deep learning-based end-to-end wireless communication systems with conditional GANs as unknown channels | |
Zhang et al. | An efficient deep learning model for automatic modulation recognition based on parameter estimation and transformation | |
Chen et al. | Automatic modulation classification scheme based on LSTM with random erasing and attention mechanism | |
CN110120926B (zh) | 基于演化bp神经网络的通信信号调制方式识别方法 | |
Wang et al. | Adoption of hybrid time series neural network in the underwater acoustic signal modulation identification | |
Zhang et al. | A data preprocessing method for automatic modulation classification based on CNN | |
CN110233810A (zh) | 一种混合噪声下基于深度学习的msk信号解调方法 | |
CN112039820A (zh) | 量子象群机制演化bp神经网络的通信信号调制识别方法 | |
CN109861932A (zh) | 一种基于智能图像分析的短波莫尔斯报文自动识别方法 | |
CN114881092A (zh) | 一种基于特征融合的信号调制识别方法 | |
Li et al. | Convolutional recurrent neural network-based channel equalization: An experimental study | |
CN112836569B (zh) | 基于序列卷积网络的水声通信信号识别方法、系统及设备 | |
CN114615118B (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
Wei et al. | Automatic modulation recognition using neural architecture search | |
CN112348165A (zh) | 基于混合循环网络的水声通信信号分类识别方法及系统 | |
CN109547374B (zh) | 一种用于水下通信调制识别的深度残差网络及系统 | |
Liang et al. | Attention mechanism based ResNeXt network for automatic modulation classification | |
Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
CN113239788A (zh) | 一种基于Mask R-CNN的无线通信调制模式识别方法 | |
CN114595729A (zh) | 基于残差神经网络与元学习融合的通信信号调制识别方法 | |
Hou et al. | Implementation of a CNN identifing Modulation Signals on an Embedded SoC | |
CN113890633B (zh) | 一种基于深度神经网络的水声通信体制自适应选取方法 | |
CN112765892B (zh) | 一种异构车联网中的智能切换判决方法 | |
Tang et al. | Data augmentation for signal modulation classification using generative adverse network | |
Yin et al. | Short-time modulation classification of complex wireless communication signal based on deep neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |