CN112464837B - 基于小数据样本的浅海水声通信信号调制识别方法及系统 - Google Patents
基于小数据样本的浅海水声通信信号调制识别方法及系统 Download PDFInfo
- Publication number
- CN112464837B CN112464837B CN202011395694.5A CN202011395694A CN112464837B CN 112464837 B CN112464837 B CN 112464837B CN 202011395694 A CN202011395694 A CN 202011395694A CN 112464837 B CN112464837 B CN 112464837B
- Authority
- CN
- China
- Prior art keywords
- data
- noise reduction
- signal
- encoder
- training
- 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.)
- Active
Links
Images
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明属于信号分类识别技术领域,特别涉及一种基于小数据样本的浅海水声通信信号调制识别方法及系统,将预制的已知水域信号的样本数据划分为用于降噪自编码器训练学习的训练数据一、结合训练后的降噪自编码器对卷积神经网络进行训练学习的训练数据二、及用于对训练后的降噪自编码器和卷积神经网络进行测试的测试数据,并利用数据迁移通过增加不同水域不同传输条件下的相同或相似信道特性数据来扩充测试数据;利用训练后的降噪自编码器对接收到的待识别水声通信信号进行降噪处理;通过训练后的卷积神经网络从降噪处理后的待识别信号频域提取特征向量,并利用分类器对特征向量进行分类识别,能够有效提升分类识别性能和实用性,具有较高可靠性。
Description
技术领域
本发明属于信号分类识别技术领域,特别涉及一种基于小数据样本的浅海水声通信信号调制识别方法及系统。
背景技术
信号的自动识别技术是信号检测与信号解调之间的关键技术,在民用领域,主要用于空间频谱资源的管理,对频谱资源使用者确认身份,防止无线频谱被非法利用,保证通信活动的安全进行。随着通信环境越来越复杂,为了提高频谱的利用率,对不同的通信信号通常会采用多种不同的调制方式,因此,通信信号调制方式的自动识别具有重要应用价值。
目前,基于模式识别的通信信号调制识别方法较为完善。这种方法主要分为特征参数的提取和分类识别两个阶段,提取的特征参数主要包括瞬时信息特征参数、高阶累积量、循环累积量、以及谱特征参数等,基于模式识别的调制识别方法实现简单,相比人工识别方法不再依赖操作员的经验,识别结果有更好的稳定性。但是,这种方法对信号的特征提取依赖于人工算法设计,而且,当待识别信号种类不同时,提取的特征参数不同,需要设计不同的特征提取算法。人工智能技术被认为是研发颠覆性装备和技术的支撑。近些年,随着神经网络在语音识别、计算机视觉上的成功应用,将其应用在水声识别领域成为国内外研究的热门课题。基于深度神经网络的识别方法首先对原始信号进行模态域转换,然后设计神经网络结构,从模态域信号中提取深层抽象特征向量,最后利用分类器对特征向量识别分类。该方法的核心是利用深度神经网络从信号中自动提取特征向量,而不再依赖人工设计算法提取特征参数,因此,识别过程减少了人的工作量,提取的特征向量虽然抽象,但对分类器而言往往有更好的分类效果。但是,目前基于深度神经网络的识别方法通常需要大量的训练数据对神经网络进行训练优化,在水域环境噪声干扰严重或在未知水域信道训练数据不足的情况下很难取得理想识别性能。
发明内容
为此,本发明提供一种基于小数据样本的浅海水声通信信号调制识别方法及系统,解决在浅海环境下,基于深度学习的识别方法对信号模态识别性能有限、鲁棒性差以及可获取的信号数据量难以满足深度学习训练要求等问题,在浅海脉冲噪声环境下能够保持较高的识别率。
按照本发明所提供的设计方案,一种基于小数据样本的浅海水声通信信号调制识别方法,用于水声通信信号识别,包含如下内容:
将预制的已知水域信号的样本数据划分为用于降噪自编码器训练学习的训练数据一、结合训练后的降噪自编码器对卷积神经网络进行训练学习的训练数据二、及用于对训练后的降噪自编码器和卷积神经网络进行测试的测试数据,并利用数据迁移通过增加不同水域不同传输条件下的相同或相似信道特性数据来扩充测试数据;
利用训练后的降噪自编码器对接收到的待识别水声通信信号进行降噪处理;
通过训练后的卷积神经网络从降噪处理后的待识别信号频域提取特征向量,并利用分类器对特征向量进行分类识别。
作为本发明基于小数据样本的浅海水声通信信号调制识别方法,进一步的,降噪自编码器包含由卷积层构成的编码器和由反卷积层构成的解码器,两者通过残差结构连接;采用编码器卷积层对信号数据逐层压缩,并与随机噪声相连接输入解码器;利用解码器反卷积层对输入进行解码重构还原信号数据;利用还原信号数据与无噪声数据平均绝对值作为损失函数来衡量降噪效果以优化降噪自编码器参数。
作为本发明基于小数据样本的浅海水声通信信号调制识别方法,进一步地,针对降噪处理后的信号进行谱估计,获取信号谱图;利用卷积神经网络对信号谱图进行分类识别。
作为本发明基于小数据样本的浅海水声通信信号调制识别方法,进一步地,卷积神经网络采用残差网络Resnet50的网络结构。
作为本发明基于小数据样本的浅海水声通信信号调制识别方法,进一步地,基于海洋声速剖面在跃变层、主跃层和声道轴处选择不同信道参数,构造迁移数据。
作为本发明基于小数据样本的浅海水声通信信号调制识别方法,进一步地,数据迁移过程中,首先构造迁移数据模型,然后利用迁移数据模型获取迁移数据。
作为本发明基于小数据样本的浅海水声通信信号调制识别方法,进一步地,迁移数据模型表示为其中,表示接收信号迁移数据,s(t)表示与原信号调制类型一致的发送信号,表示海洋声速剖面不同声速梯度下和/或不同传输距离的信道冲激响应,表示环境噪声。
作为本发明基于小数据样本的浅海水声通信信号调制识别方法,进一步地,采用预训练和参数微调两步迁移学习过程对降噪自编码器和卷积神经网络进行训练学习。
作为本发明基于小数据样本的浅海水声通信信号调制识别方法,进一步地,利用已知水域中的训练数据一对降噪自编码器和卷积神经网络进行预训练;利用未知水域不同信道条件下的训练数据二对预训练后的降噪自编码器和卷积神经网络进行微调。
进一步地,基于上述的方法,本发明还提供一种基于小数据样本的浅海水声通信信号调制识别系统,用于水声通信信号识别,包含:训练模块、降噪模块和识别模块,其中,
训练模块,用于将预制的已知水域信号的样本数据划分为用于降噪自编码器训练学习的训练数据一、结合训练后的降噪自编码器对卷积神经网络进行训练学习的训练数据二、及用于对训练后的降噪自编码器和卷积神经网络进行测试的测试数据,并利用数据迁移通过增加不同水域不同传输条件下的相同或相似信道特性数据来扩充测试数据;
降噪模块,用于利用训练后的降噪自编码器对接收到的待识别水声通信信号进行降噪处理;
识别模块,用于通过训练后的卷积神经网络从降噪处理后的待识别信号频域提取特征向量,并利用分类器对特征向量进行分类识别。
本发明的有益效果:
本发明先利用降噪自编码器对待识别信号进行降噪,然后对降噪信号识别分类,相比于其他识别方法更具鲁棒性;利用卷积神经网络从待识别信号中提取特征向量,相比于利用人工算法从信号中提取特征参数,不需要人为设计复杂算法,而是利用神经网络强大的表示学习能力从待识别信号中学习特征,省去大量人力操作;另外,可以保证得到的识别分类结果具有更高的可靠性。并进一步经过试验仿真,在浅海脉冲噪声环境下仍保持较高的识别率,具有较好的应用前景。
附图说明:
图1为实施例中水声通信信号调制识别流程示意;
图2为实施例中降噪自编码器结构示意;
图3为实施例中水声通信信号识别示意;
图4为实施例中训练测试流程示意;
图5为实施例中两步迁移学习训练测试流程示意;
图6为实施例中声速剖面示意;
图7为实施例中降噪效果示意;
图8为实施例中降噪前后识别率对比示意;
图9为实施例中不同特征指数下的识别率曲线示意;
图10为实施例中网络微调前后识别性能对比示意。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚、明白,下面结合附图和技术方案对本发明作进一步详细的说明。
针对基于水声通信信号的识别方法在浅海环境下识别性能差、未知水域信道训练数据稀缺难以满足训练要求等问题,本发明实施例,提供一种基于小数据样本的浅海水声通信信号调制识别方法,用于水声通信信号识别,包含如下内容:
将预制的已知水域信号的样本数据划分为用于降噪自编码器训练学习的训练数据一、结合训练后的降噪自编码器对卷积神经网络进行训练学习的训练数据二、及用于对训练后的降噪自编码器和卷积神经网络进行测试的测试数据,并利用数据迁移通过增加不同水域不同传输条件下的相同或相似信道特性数据来扩充测试数据;
利用训练后的降噪自编码器对接收到的待识别水声通信信号进行降噪处理;
通过训练后的卷积神经网络从降噪处理后的待识别信号频域提取特征向量,并利用分类器对特征向量进行分类识别。
参见图1所示,利用训练后的降噪自编码器对待识别信号进行降噪,利用训练后的卷积神经网络从降噪后的待识别信号的频域中提取特征向量后用于识别分类。同时,卷积神经网络的训练过程采用数据迁移的方法。由此,通过降噪处理和数据迁移提高信号识别的鲁棒性,从而使得在浅海环境下和未知水域信道训练数据量不足的条件下仍能获得较好的识别率。对浅海脉冲噪声的影响有更好的鲁棒性和稳健性,得到的识别分类结果具有更高的可靠性,在强脉冲噪声干扰下,仍保持较高的识别率
水声通信信号经过不同的水域信道传输,接收信号往往受到各种噪声干扰以及多途信道的影响,在浅海信道中,脉冲噪声的干扰较为明显,通过降噪自编码器对接收信号降噪处理可以很好的抑制脉冲噪声,并且一定程度上补偿信道衰落的影响,保留了水声通信信号的本质特征。
接收信号模型可表示为:
其中,y(t)表示接收信号,s(t)为发送的调制信号,调制类型包括:多进制频移键控(Multiple Frequency Shift Keying,MFSK)、多进制相移键控(Multiple Phase ShiftKeying,MPSK)和正交频分复用(Orthogonal Frequency Division Multiple,OFDM)、线性调频(Linear Frequency Modulation,LFM),表示卷积运算,h(t)为水声信道的冲激响应,n(t)为脉冲噪声。
浅海水声信道往往存在不同强度的脉冲噪声,服从Alpha稳定分布,其特征函数如式(2)所示:
φ(u)=exp{jau-γ|u|α[1+jβsgn(u)ω(u,α)]} (2)
其中,-∞<a<+∞表示分布的中心位置,γ>0为分散系数,0<α≤2是特征指数,表示脉冲的强度,α值越小脉冲越强;-1≤β≤1为对称参数,表示该分布的对称程度,sgn(·)表示符号函数。
由于Alpha稳定分布在α<2时不存在二阶及以上各阶统计量,因此采用混合信噪比衡量信号和噪声之间的功率关系,其表达式为:
MSNR=10lg(σS 2/γ) (3)
其中,σS 2表示水声通信信号的方差。
信号不仅随时间变化,还与频率、相位等信息有关,将信号在时域上的表征通过傅里叶变换转换到频域信号Y(f)是信号分析最常见的方法。频域信号显示信号的频率分布情况,频谱的结构、谱线的位置、谱峰的个数和相对关系往往包含有水声通信信号信息。如调频信号MFSK的频谱在载频处有与调制阶数相同个数的谱峰,BPSK信号的平方谱在二倍载频处出现离散谱线,QPSK信号的四次方谱在四倍载频处出现离散谱线,8PSK信号的八次方谱在八倍载频处出现离散谱线。频谱幅度是数字信号重要的调制特征。
在降噪处理阶段,首先,利用DAE对接收信号y(t)进行降噪处理,减弱背景环境中的脉冲噪声,如图2所示,DAE网络呈对称结构,包括由卷积层构成的编码器和由反卷积层构成的解码器两部分,并通过残差结构相连接。在编码压缩阶段,采用卷积层对高维信号数据逐层压缩,去除冗余信息,提取信号的本质特征,将输入的信号压缩成一个低维特征向量c,并与随机噪声z相连接输入至解码器。在解码重构阶段,利用反卷积层对该向量进行解码重构出原始高维信号数据。通过计算DAE输出数据y′(t)和无噪声数据s(t)的L1损失项来衡量降噪效果,通过Adam优化器优化调整网络参数,使DAE输出信号逼近无噪声信号,从而使网络具有降噪功能。L1损失项的表达式为:
L1=|y′(t)-s(t)| (4)
其中,y′(t)表示DAE输出的信号,s(t)表示发送信号训练数据。
在分类识别阶段,首先对y′(t)进行谱估计,得到功率谱图、二次方谱图、四次方谱图,然后将y′(t)的谱图Y作为识别对象,基于CNN对信号谱图进行分类识别。实施例中,可利用经典的Resnet50对降噪信号谱图Y进行分类。Restnet50具有深层网络结构,有较好特征提取能力,其主要由卷积层、池化层、全连接层以及残差块组成,其中残差块能够较好地防止因网络层数过多而引起的过拟合。网络通过卷积、池化和残差等操作提取降噪信号谱图的高维特征,并通过Softmax分类器对特征进行分类。图3给出了基于卷积神经网络(Resnet50)的分类识别流程。
卷积神经网络可以对频域信号实现抽象表征。以降噪后的待识别信号在频域的样本作为网络的输入,提取深层抽象特征向量。卷积神经网络为Resnet50,Resent50具有深层网络结构,有较好特征提取能力,其主要由卷积层、池化层、全连接层以及残差块组成,其中残差块能够较好地防止因网络层数过多而引起的过拟合。Resent50的匹配对象是二维矩阵,数据通常以“图”的形式输入,所以需要对信号转换为二维表征形式才能利用网络提取特征。
首先将训练数据1输入至DAE进行降噪网络训练,待降噪网络训练完成后,再将训练数据2输入降噪处理模块,将降噪后的数据形成降噪信号功率谱密度图像用于CNN分类识别网络的预训练,其中训练数据2基于海洋声速剖面图选择在跃变层、主跃层、声道轴处进行构造。测试过程中,测试数据通过训练好的DAE和CNN网络,依次完成降噪和调制识别。
为了使训练好的DAE和CNN在测试数据上依然能够有效完成调制识别任务,通常要求训练数据和测试数据具有相同或相近的分布特性。然而,不同水域和信号传输条件下的水声信道往往存在差异。不同信道对接收信号功率谱具有不同的影响。在第三方接收条件下,很难预先获取被测水域信道相关信息,即面临着难以预先获取与被测水域数据具有相同或相似信道特性的训练数据的问题。训练数据样本不足,将严重影响网络的降噪和分类识别效果。
本案通过构建迁移数据模型,利用数据迁移,解决训练数据不足问题。迁移数据模型如式(5)所示。
式中,表示接收信号迁移数据,s(t)表示与式(1)调制类型一致的发送信号,基于海洋声速剖面图构造,表示不同水域、不同传输条件的信道冲激响应,可以根据需要来设计信道迁移数据,本案采用典型声剖面不同声速梯度条件下、不同传输距离的信道冲激响应作为迁移数据,表示环境噪声。
首先对迁移数据进行谱估计,然后采用两步迁移学习策略来完成网络的训练和测试,具体流程如图5所示,预训练数据用于完成网络的预训练,再利用待测信道条件下已知的少量标注数据构成微调数据集,对分类识别网络进行微调,使其能够适应待测水域的数据特点,最后对待测数据进行测试。微调过程中为了防止因数据量过少而引起的过拟合,可采用先冻结再训练的方法,将CNN除最后两层外的网络参数冻结,微调数据集仅对最后两层参数进行训练优化。
基于上述的方法,本发明实施例还提供一种基于小数据样本的浅海水声通信信号调制识别系统,用于水声通信信号识别,包含:训练模块、降噪模块和识别模块,其中,
训练模块,用于将预制的已知水域信号的样本数据划分为用于降噪自编码器训练学习的训练数据一、结合训练后的降噪自编码器对卷积神经网络进行训练学习的训练数据二、及用于对训练后的降噪自编码器和卷积神经网络进行测试的测试数据,并利用数据迁移通过增加不同水域不同传输条件下的相同或相似信道特性数据来扩充测试数据;
降噪模块,用于利用训练后的降噪自编码器对接收到的待识别水声通信信号进行降噪处理;
识别模块,用于通过训练后的卷积神经网络从降噪处理后的待识别信号频域提取特征向量,并利用分类器对特征向量进行分类识别。
为验证本案方案有效性,下面结合仿真数据做进一步解释说明:
选择两个水域分别作为训练和测试环境,记为水域1和水域2,声速剖面图如图6所示,水域1是典型深海声剖面,包含了典型海洋声学特征。水域2为典型的浅海声剖面。为了尽可能充分地反映水声信道特点,声源位置分别选择在跃变层、主跃层、声道轴。然后利用Bellhop水声信道仿真仿真软件,仿真产生不同传输条件下的水声信道,其参数见表1。
表1信道参数
表2信号参数
各信道的传递函数可表示如下:
H1(z)=0.04+z-353+0.508z-570+0.283z-644 (6)
H2(z)=0.32+0.45z-48+z-61+0.9318z-267 (7)
H3(z)=0.68+z-184+0.882z-403 (8)
H4=0.8838+0.3175z-365+z-1095+0.8129z-1274+0.8663z-2963 (9)
实验中,在不同水域条件下生成式(1)中八类水声通信信号{2FSK、4FSK、8FSK、2PSK、4PSK、8PSK、LFM、OFDM},除LFM信号外每类信号时长1s,LFM信号时长为20ms,采样频率48kHz,具体参数如表1所示,其中,“/”表示不需要设置此参数,“{}”表示在所给集合内随机选择;B表示信号带宽。不同实验中将采用上述不同信道用于产生训练和测试数据集。此外,依据表2中的信号参数,每类信号产生1000个样本,构成图3中DAE的训练数据1,特征指数α在[1.5,2]范围内随机选取,混合信噪比在[-5,10]dB范围内随机选取,训练过程采用Adam优化器进行优化,学习率设定为0.0002,批大小(batch size)为32,所有数据迭代100个epochs后停止训练。图中训练数据2包含每类信号500个样本,特征指数α在[1.5,2]范围内随机选取,混合信噪比在[-5,10]dB范围内随机选取,经降噪处理后的数据输入CNN中,并采用SGD优化器进行优化,学习率设定为0.01,batch size为128,所有数据迭代60epochs。
为了验证采用DAE降噪方法对调制识别性能的提升效果,实验在信道h1、h2和h3下产生训练和测试数据,以8FSK信号为例,给出了DAE对接收信号的降噪结果,如图7所示,(a)为发送信号功率谱图,(b)为接收信号的功率谱图,(c)为本案方法得到降噪信号功率谱图。可以看出降噪后的信号功率谱图特征明显,易于区分,更有利于后续的分类识别。
图8对比了降噪前后八类信号的平均识别率曲线,实验中,混合信噪比在[-6,10]dB范围内间隔2dB选取,α选取1.6,每种信噪比下每类信号生成200个样本用于测试。可以看出混合信噪比为6dB时,各类信号均识别正确,验证了本案方法的有效性。图9对比了不同强度的脉冲噪声对识别率的影响,实验中,混合信噪比选取-2dB,α在[1.5,2]范围内间隔0.1选取,每种信噪比下每类信号200个样本用于测试。从曲线可以看出,本案方法可以较好对信号进行分类识别,进一步验证了本案方法的有效性。
最后,为了验证本案方法在目标水域只有少量数据可用的情况下,本案所采用的迁移学习方法的有效性,在h1、h2和h3信道条件下构建了预训练数据集,h4设为目标水域测试信道,该信道下采用每类信号仅50个样本可用于微调网络,得到性能曲线如图10所示,可以看出,针对目标水域训练样本不足条件下,基于典型声速剖面图构造训练数据样本以及两步学习策略的有效性。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
基于上述的系统,本发明实施例还提供一种服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的系统。
基于上述的系统,本发明实施例还提供一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现上述的系统。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述系统实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述系统实施例中相应内容。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述系统实施例中的对应过程,在此不再赘述。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和系统,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种基于小数据样本的浅海水声通信信号调制识别方法,用于水声通信信号识别,其特征在于,包含如下内容:
将预制的已知水域信号的样本数据划分为用于降噪自编码器训练学习的训练数据一、结合训练后的降噪自编码器对卷积神经网络进行训练学习的训练数据二、及用于对训练后的降噪自编码器和卷积神经网络进行测试的测试数据,并利用数据迁移通过增加不同水域不同传输条件下的相同或相似信道特性数据来扩充测试数据;
利用训练后的降噪自编码器对接收到的待识别水声通信信号进行降噪处理;
通过训练后的卷积神经网络从降噪处理后的待识别信号频域提取特征向量,并利用分类器对特征向量进行分类识别;
降噪自编码器包含由卷积层构成的编码器和由反卷积层构成的解码器,两者通过残差结构连接;采用编码器卷积层对信号数据逐层压缩,并与随机噪声相连接输入解码器;利用解码器反卷积层对输入进行解码重构还原信号数据;利用还原信号数据与无噪声数据平均绝对值作为损失函数来衡量降噪效果以优化降噪自编码器参数;
在编码压缩阶段,采用卷积层对高维信号数据逐层压缩,去除冗余信息,提取信号的本质特征,将输入的信号压缩成一个低维特征向量c,并与随机噪声z相连接输入至解码器;
在解码重构阶段,利用反卷积层对向量进行解码重构出原始高维信号数据;
通过计算降噪自编码器DAE输出数据y′(t)和无噪声数据a(t)的L1损失项来衡量降噪效果,通过Adam优化器优化调整网络参数,使降噪自编码器DAE输出信号逼近无噪声信号,L1损失项的表达式表示为:L1=|y′(t)-a(t)|;
基于海洋声速剖面在跃变层、主跃层和声道轴处选择不同信道参数,构造迁移数据;
数据迁移过程中,首先构造迁移数据模型,然后利用迁移数据模型获取迁移数据;
2.根据权利要求1所述的基于小数据样本的浅海水声通信信号调制识别方法,其特征在于,针对降噪处理后的信号进行谱估计,获取信号谱图;利用卷积神经网络对信号谱图进行分类识别。
3.根据权利要求1或2所述的基于小数据样本的浅海水声通信信号调制识别方法,其特征在于,卷积神经网络采用残差网络Resnet50的网络结构。
4.根据权利要求1所述的基于小数据样本的浅海水声通信信号调制识别方法,其特征在于,采用预训练和参数微调两步迁移学习过程对降噪自编码器和卷积神经网络进行训练学习。
5.根据权利要求4所述的基于小数据样本的浅海水声通信信号调制识别方法,其特征在于,利用已知水域中的训练数据一对降噪自编码器和卷积神经网络进行预训练;利用未知水域不同信道条件下的训练数据二对预训练后的降噪自编码器和卷积神经网络进行微调。
6.一种基于小数据样本的浅海水声通信信号调制识别系统,用于水声通信信号识别,其特征在于,基于权利要求1所述的方法实现,包含:训练模块、降噪模块和识别模块,其中,
训练模块,用于将预制的已知水域信号的样本数据划分为用于降噪自编码器训练学习的训练数据一、结合训练后的降噪自编码器对卷积神经网络进行训练学习的训练数据二、及用于对训练后的降噪自编码器和卷积神经网络进行测试的测试数据,并利用数据迁移通过增加不同水域不同传输条件下的相同或相似信道特性数据来扩充测试数据;
降噪模块,用于利用训练后的降噪自编码器对接收到的待识别水声通信信号进行降噪处理;
识别模块,用于通过训练后的卷积神经网络从降噪处理后的待识别信号频域提取特征向量,并利用分类器对特征向量进行分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395694.5A CN112464837B (zh) | 2020-12-03 | 2020-12-03 | 基于小数据样本的浅海水声通信信号调制识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395694.5A CN112464837B (zh) | 2020-12-03 | 2020-12-03 | 基于小数据样本的浅海水声通信信号调制识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464837A CN112464837A (zh) | 2021-03-09 |
CN112464837B true CN112464837B (zh) | 2023-04-07 |
Family
ID=74805345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011395694.5A Active CN112464837B (zh) | 2020-12-03 | 2020-12-03 | 基于小数据样本的浅海水声通信信号调制识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464837B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113242197B (zh) * | 2021-03-24 | 2022-06-07 | 厦门大学 | 基于人工智能的水声信号调制识别方法及系统 |
CN113112003A (zh) * | 2021-04-15 | 2021-07-13 | 东南大学 | 基于自编码器的数据增广改善深度学习信道估计性能方法 |
CN113259288B (zh) * | 2021-05-05 | 2023-08-08 | 青岛科技大学 | 基于特征融合与轻量化混合模型的水声调制方式识别方法 |
CN113343801B (zh) * | 2021-05-26 | 2022-09-30 | 郑州大学 | 基于轻量化卷积神经网络的无线信号自动调制识别方法 |
CN113506065B (zh) * | 2021-07-23 | 2022-12-02 | 拉扎斯网络科技(上海)有限公司 | 配送轨迹修正方法及装置 |
CN113962260A (zh) * | 2021-10-21 | 2022-01-21 | 中国人民解放军空军航空大学 | 一种基于去噪深度残差网络的雷达信号智能分选方法 |
CN114330441A (zh) * | 2021-12-28 | 2022-04-12 | 厦门大学 | 一种基于时频谱和迁移学习的水声janus信号识别方法与系统 |
CN114422311B (zh) * | 2022-01-26 | 2023-08-18 | 中国人民解放军战略支援部队信息工程大学 | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 |
CN114938250B (zh) * | 2022-04-08 | 2024-04-02 | 江苏科技大学 | 基于自编码网络的端到端水声fbmc通信方法及系统 |
CN114915526B (zh) * | 2022-04-19 | 2023-05-26 | 中国人民解放军战略支援部队信息工程大学 | 通信信号调制识别方法、装置及系统 |
CN115694664A (zh) * | 2022-08-25 | 2023-02-03 | 天津大学 | 一种基于温度序列的时变水声信道状态信息预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038471A (zh) * | 2017-12-27 | 2018-05-15 | 哈尔滨工程大学 | 一种基于深度学习技术的水声通信调制模式识别方法 |
CN110824450A (zh) * | 2019-10-15 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844755B (zh) * | 2017-10-23 | 2021-07-13 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
WO2019216504A1 (ko) * | 2018-05-09 | 2019-11-14 | 한국과학기술원 | 인간 감정 인식을 위한 딥 생리적 정서 네트워크를 이용한 인간 감정 추정 방법 및 그 시스템 |
CN109344772B (zh) * | 2018-09-30 | 2021-01-26 | 中国人民解放军战略支援部队信息工程大学 | 基于谱图和深度卷积网络的超短波特定信号侦察方法 |
CN110044554A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 |
CN110456332B (zh) * | 2019-08-12 | 2022-08-05 | 哈尔滨工程大学 | 一种基于自动编码器的水声信号增强方法 |
CN111683026B (zh) * | 2020-06-04 | 2022-09-30 | 泰州职业技术学院 | 一种基于cma-sae的水声信道信号处理方法及系统 |
-
2020
- 2020-12-03 CN CN202011395694.5A patent/CN112464837B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038471A (zh) * | 2017-12-27 | 2018-05-15 | 哈尔滨工程大学 | 一种基于深度学习技术的水声通信调制模式识别方法 |
CN110824450A (zh) * | 2019-10-15 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112464837A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112464837B (zh) | 基于小数据样本的浅海水声通信信号调制识别方法及系统 | |
Zhou et al. | Adaptive genetic algorithm-aided neural network with channel state information tensor decomposition for indoor localization | |
CN112418014B (zh) | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 | |
CN110942100B (zh) | 一种基于深度去噪神经网络的空间调制系统的工作方法 | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN109657604B (zh) | 基于循环神经网络的卫星幅相信号识别解调方法及装置 | |
CN108877832B (zh) | 一种基于gan的音频音质还原系统 | |
Erdemir et al. | Generative joint source-channel coding for semantic image transmission | |
CN112466320B (zh) | 一种基于生成对抗网络的水声信号降噪方法 | |
Wang et al. | An informed watermarking scheme using hidden Markov model in the wavelet domain | |
CN109525369B (zh) | 一种基于循环神经网络的信道编码类型盲识别方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN112115821B (zh) | 一种基于小波近似系数熵的多信号智能调制模式识别方法 | |
CN112615804A (zh) | 一种基于深度学习的短突发水声通信信号调制识别方法 | |
CN115442191B (zh) | 基于相对平均生成对抗网络的通信信号降噪方法及系统 | |
Han et al. | Generative model based highly efficient semantic communication approach for image transmission | |
CN114912486A (zh) | 一种基于轻量化网络的调制方式智能识别方法 | |
CN114422311A (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
CN113569773B (zh) | 基于知识图谱和Softmax回归的干扰信号识别方法 | |
Zhang et al. | Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding | |
Yang et al. | Modulation recognition of underwater acoustic communication signals based on denoting & deep sparse autoencoder | |
CN116738278A (zh) | 基于小波变换和多模态特征融合的自动调制分类方法 | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
CN112202696B (zh) | 基于模糊自编码器的水声信号自动调制识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |