CN113242197A - 基于人工智能的水声信号调制识别方法及系统 - Google Patents
基于人工智能的水声信号调制识别方法及系统 Download PDFInfo
- Publication number
- CN113242197A CN113242197A CN202110314780.7A CN202110314780A CN113242197A CN 113242197 A CN113242197 A CN 113242197A CN 202110314780 A CN202110314780 A CN 202110314780A CN 113242197 A CN113242197 A CN 113242197A
- Authority
- CN
- China
- Prior art keywords
- signal
- modulation
- processing
- signals
- underwater acoustic
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
-
- 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)
- 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
本发明公开了一种基于人工智能的水声信号调制识别方法及系统,其中方法包括:获取水声信号,并采用对应的调制方式进行调制以得到对应的已调信号;将已调信号发送到水声信道中以在水声信道中截获多个已调信号,并进行预处理以得到多个处理信号;提取每一个处理信号对应的多类特征参数,并进行融合及数据处理以得到多特征图,以及基于短时傅里叶变换进行频谱特征提取以得到功率谱图;建立调制识别模型,并从多特征图和功率谱图中抽取一部分数据对调制识别模型进行训练;将多特征图和功率谱图中剩下的另一部分数据输入到训练好的调制识别模型,以得到识别结果及其识别准确率;从而不仅降低了算法复杂度,而且还提高了调制识别的准确率。
Description
技术领域
本发明涉及水声通信技术领域,特别涉及一种基于人工智能的水声信号调制识别方法、一种计算机可读存储介质、一种计算机设备以及一种基于人工智能的水声信号调制识别系统。
背景技术
相关技术中,在对水声信号调制识别的过程中,传统上常采用基于决策论的调制识别算法和基于统计模式的调制识别算法;其中,基于决策论的算法在不同的信道条件下需要求解不同的似然函数参数,不具有普适性,并且只能用于特定信道下的调制识别,先验知识缺乏也将导致参数估计偏差,算法性能急剧下降;基于统计模式的算法在特征选取上常采用频域特征以及瞬时统计特征,目前越来越多的学者采用星座图作为一类新颖的识别特征;在分类器的选取上,传统的水声通信信号识别常用SVM做分类器,由于水声信道的复杂,对先验知识的获取是较为困难的,算法复杂度较高。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种基于人工智能的水声信号调制识别方法,通过多类不同特征融合以及将基于短时傅里叶变换的功率谱图作为特征进行自动调制识别,从而不仅降低了算法复杂度,而且还提高了调制识别的准确率。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种基于人工智能的水声信号调制识别系统。
为达到上述目的,本发明第一方面实施例提出了一种基于人工智能的水声信号调制识别方法,包括以下步骤:获取水声信号,并采用对应的调制方式对所述水声信号进行调制处理以得到对应的已调信号;将所述已调信号发送到水声信道中,并在所述水声信道中截获多个所述已调信号,并对截获的每一个已调信号进行预处理以得到多个处理信号;根据所述多个处理信号提取每一个处理信号对应的多类特征参数,并对所述每一个处理信号对应的多类特征参数进行融合及数据处理以得到每一个处理信号对应的多特征图,以及基于短时傅里叶变换对所述每一个处理信号进行频谱特征提取以得到每一个处理信号对应的功率谱图;建立调制识别模型,并从所述每一个处理信号对应的多特征图和功率谱图中抽取一部分数据作为训练集对所述调制识别模型进行训练;将所述每一个处理信号对应的多特征图和功率谱图中剩下的另一部分数据作为测试集输入到所述训练好的调制识别模型,以便通过所述调制识别模型对所述水声信号的调制方式进行识别以得到识别结果的准确率。
根据本发明实施例的基于人工智能的水声信号调制识别方法,首先,获取水声信号,并采用对应的调制方式对水声信号进行调制处理以得到对应的已调信号;接着,将已调信号发送到水声信道中,并在水声信道中截获多个已调信号,并对截获的每一个已调信号进行预处理以得到多个处理信号;然后,根据多个处理信号提取每一个处理信号对应的多类特征参数,并对每一个处理信号对应的多类特征参数进行融合及数据处理以得到每一个处理信号对应的多特征图,以及基于短时傅里叶变换对每一个处理信号进行频谱特征提取以得到每一个处理信号对应的功率谱图;再接着,建立调制识别模型,并从每一个处理信号对应的多特征图和功率谱图中抽取一部分数据作为训练集对调制识别模型进行训练;最后,将每一个处理信号对应的多特征图和功率谱图中剩下的另一部分数据作为测试集输入到训练好的调制识别模型,以便通过调制识别模型对水声信号的调制方式进行识别以得到识别结果的准确率;从而不仅降低了算法复杂度,而且还提高了调制识别的准确率。
另外,根据本发明上述实施例提出的基于人工智能的水声信号调制识别方法还可以具有如下附加的技术特征:
可选地,可采用2ASK、2FSK、BPSK、4ASK、4FSK、QPSK和8FSK中的任意一种调制方式对所述水声信号进行调制处理,并在调制信号的首尾加入chirp信号,以及在调制信号的码元与码元之间加入保护间隔,以得到对应的已调信号。
可选地,将所述已调信号发送到水声信道中,并在所述水声信道中截获多个所述已调信号,并对截获的每一个已调信号进行预处理以得到多个处理信号,包括:采用发送端换能器将所述已调信号发送到水声信道中,并采用接收端换能器在所述水声信道中接收多个所述已调信号;采用放大器对接收的每一个已调信号进行放大处理以得到多个处理信号。
可选地,所述多类特征参数包括最大频谱均值Fmax、瞬时频差σf、幅度系数KA、功率谱峰数Np、包络方均比σ/E,平方谱均值以便通过所述最大频谱均值Fmax对MASK信号和非MASK信号进行区分,通过所述瞬时频差σf对MFSK信号和MPSK信号进行区分,通过所述幅度系数KA对2ASK信号与4ASK信号进行区分,通过所述功率谱峰数Np和包络方均比σ/E对MFSK信号的类内进行区分,通过所述平方谱均值对BPSK信号和QPSK信号进行区分。
可选地,对所述每一个处理信号对应的多类特征参数进行融合处理,包括:将所述每一个处理信号对应的多类特征参数融合处理成128*128的二维图像数据格式,并存储为txt文件。
可选地,对所述每一个处理信号对应的多类特征参数进行数据处理,包括:对所述每一个处理信号对应的多类特征参数进行归一化处理。
可选地,所述调制识别模型可为AlexNet模型或者VGG16模型。
为达到上述目的,本发明第二方面实施例提出了一种计算机可读存储介质,其上存储有基于人工智能的水声信号调制识别程序,该基于人工智能的水声信号调制识别程序被处理器执行时实现如上述的基于人工智能的水声信号调制识别方法。
根据本发明实施例的计算机可读存储介质,通过存储基于人工智能的水声信号调制识别程序,以使得处理器在执行该基于人工智能的水声信号调制识别程序时,实现如上述的基于人工智能的水声信号调制识别方法,从而不仅降低了算法复杂度,而且还提高了调制识别的准确率。
为达到上述目的,本发明第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述的基于人工智能的水声信号调制识别方法。
根据本发明实施例的计算机设备,通过存储器对计算机程序进行存储,以使得处理器在执行该计算机程序时,实现如上述的基于人工智能的水声信号调制识别方法,从而不仅降低了算法复杂度,而且还提高了调制识别的准确率。
为达到上述目的,本发明第四方面实施例提出了一种基于人工智能的水声信号调制识别系统,包括:获取模块,所述获取模块用于获取水声信号,并采用对应的调制方式对所述水声信号进行调制处理以得到对应的已调信号;数据处理模块,所述数据处理模块用于将所述已调信号发送到水声信道中,并在所述水声信道中截获多个所述已调信号,并对截获的每一个已调信号进行预处理以得到多个处理信号;特征提取模块,所述特征提取模块用于根据所述多个处理信号提取每一个处理信号对应的多类特征参数,并对所述每一个处理信号对应的多类特征参数进行融合及数据处理以得到每一个处理信号对应的多特征图,以及基于短时傅里叶变换对所述每一个处理信号进行频谱特征提取以得到每一个处理信号对应的功率谱图;训练模块,所述训练模块用于建立调制识别模型,并从所述每一个处理信号对应的多特征图和功率谱图中抽取一部分数据作为训练集对所述调制识别模型进行训练;识别模块,所述识别模块用于将所述每一个处理信号对应的多特征图和功率谱图中剩下的另一部分数据作为测试集输入到所述训练好的调制识别模型,以便通过所述调制识别模型对所述水声信号的调制方式进行识别以得到识别结果的准确率。
根据本发明实施例的基于人工智能的水声信号调制识别系统,通过设置获取模块用于获取水声信号,并采用对应的调制方式对水声信号进行调制处理以得到对应的已调信号;数据处理模块用于将已调信号发送到水声信道中,并在水声信道中截获多个已调信号,并对截获的每一个已调信号进行预处理以得到多个处理信号,形成庞大丰富的数据集,已用于后期对神经网络的训练与测试。特征提取模块用于根据多个处理信号提取每一个处理信号对应的多类特征参数,并对每一个处理信号对应的多类特征参数进行融合及数据处理以得到每一个处理信号对应的多特征图,以及基于短时傅里叶变换对每一个处理信号进行频谱特征提取以得到每一个处理信号对应的功率谱图;训练模块用于建立调制识别模型,并从每一个处理信号对应的多特征图和功率谱图中抽取一部分数据作为训练集对调制识别模型进行训练;识别模块用于将每一个处理信号对应的多特征图和功率谱图中剩下的另一部分数据作为测试集输入到训练好的调制识别模型,以便通过调制识别模型对水声信号的调制方式进行识别以得到识别结果的准确率;从而不仅降低了算法复杂度,而且还提高了调制识别的准确率。
附图说明
图1为根据本发明实施例的基于人工智能的水声信号调制识别方法的流程示意图;
图2为根据本发明一个实施例的基于人工智能的水声信号调制识别方法的六类特征参数分类逻辑示意图;
图3为根据本发明一个实施例的基于人工智能的水声信号调制识别方法的水声通信调制解调流程示意图;
图4为根据本发明一个实施例的水池实验流程示意图;
图5为根据本发明实施例的基于人工智能的水声信号调制识别系统的方框示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
相关技术中,在对水声信号调制识别的过程中,传统上常采用基于决策论的调制识别算法和基于统计模式的调制识别算法;前者在不同的信道条件下需要求解不同的似然函数参数,只能用于特定信道下的调制识别,并且需要较多的先验知识,不适用于信道环境复杂的水下非协作通信;后者在分类器的选取上,常用SVM做分类器,需要较多的参数,算法复杂度较高。根据本发明实施例的基于人工智能的水声信号调制识别方法,首先,获取水声信号,并采用对应的调制方式对水声信号进行调制处理以得到对应的已调信号;接着,将已调信号发送到水声信道中,并在水声信道中截获多个已调信号,并对截获的每一个已调信号进行预处理以得到多个处理信号;然后,根据多个处理信号提取每一个处理信号对应的多类特征参数,并对每一个处理信号对应的多类特征参数进行融合及数据处理以得到每一个处理信号对应的多特征图,以及基于短时傅里叶变换对每一个处理信号进行频谱特征提取以得到每一个处理信号对应的功率谱图;再接着,建立调制识别模型,并从每一个处理信号对应的多特征图和功率谱图中抽取一部分数据作为训练集对调制识别模型进行训练;最后,将每一个处理信号对应的多特征图和功率谱图中剩下的另一部分数据作为测试集输入到训练好的调制识别模型,以便通过调制识别模型对水声信号的调制方式进行识别以得到识别结果的准确率;从而不仅降低了算法复杂度,而且还提高了调制识别的准确率。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的基于人工智能的水声信号调制识别方法的流程示意图,如图1所示,该基于人工智能的水声信号调制识别方法包括以下步骤:
S101,获取水声信号,并采用对应的调制方式对水声信号进行调制处理以得到对应的已调信号。
作为一个实施例,可通过MATLAB产生信源以作为水声信号,并采用不同的调制方式对该水声信号进行调制处理,从而得到不同调制方式对应的已调信号。
其中,上述调制方式可采用2ASK、2FSK、BPSK、4ASK、4FSK、QPSK和8FSK中的任意一种调制方式对水声信号进行调制处理,并在调制信号的首尾加入chirp信号,以及在调制信号的码元与码元之间加入保护间隔,以得到对应的已调信号。
需要说明的是,通过在调制信号的首尾加入chirp信号,以便更好的识别信号的开始和结束位置,在调制信号的码元与码元之间加入保护间隔,从而防止信号混叠。
S102,将已调信号发送到水声信道中,并在水声信道中截获多个已调信号,并对截获的每一个已调信号进行预处理以得到多个处理信号。
作为一个实施例,可采用发送端换能器将已调信号发送到水声信道中,并采用接收端换能器在水声信道中接收多个已调信号;采用放大器对接收的每一个已调信号进行放大处理以得到多个处理信号。
作为一个具体实施例,如图4所示,在整个实验流程中,首先在LabVIEW信号发送与接收软件界面打开存有bin文件的发送文件夹,读取即将发送的bin文件(即MASK、MFSK、MPSK),其中,采集卡实现了从数字信号到模拟信号的变换,从采集卡输出端发出的数据传输到连接在水池中放置好的发送端换能器中,然后经由发送端换能器在水池中将模拟信号以声信号的形式发射,其中发送端换能器和接收端换能器间隔一定的距离,距离水面也有一定的深度。接收端换能器接收到声信号后连接到前置放大器,传输给采集卡进行模拟信号到数字信号的变换,最终经过LabVIEW数据收发程序将接收数据保存为二进制文件至接收文件夹内,即得到处理信号(实验数据),海洋实验的流程与水池实验相类似,差别在于海洋实验的环境为真实的海洋(本发明的海洋实验环境为浅海),采用的换能器功率不同等;也就是说,该实验的实验场景可为水池实验也可为海洋实验。
需要说明的是,可通过改变发送端换能器和接收端换能器的位置,获取不同接收时间等,重复上述实验,以得到多个实验数据以便作为后续神经网络的训练集和测试集。
S103,根据多个处理信号提取每一个处理信号对应的多类特征参数,并对每一个处理信号对应的多类特征参数进行融合及数据处理以得到每一个处理信号对应的多特征图,以及基于短时傅里叶变换对每一个处理信号进行频谱特征提取以得到每一个处理信号对应的功率谱图。
作为一个实施例,上述多类特征参数包括最大频谱均值Fmax、瞬时频差σf、幅度系数KA、功率谱峰数Np、包络方均比σ/E,平方谱均值以便通过所述最大频谱均值Fmax对MASK信号和非MASK信号进行区分,通过所述瞬时频差σf对MFSK信号和MPSK信号进行区分,通过所述幅度系数KA对2ASK信号与4ASK信号进行区分,通过所述功率谱峰数Np和包络方均比σ/E对MFSK信号的类内进行区分,通过所述平方谱均值对BPSK信号和QPSK信号进行区分。。
作为一个具体实施例,通过以下方式提取上述特征参数:
在最大频谱均值的提取中,N点DFT取模根据以下公式获取:
其中,N点DFT变换所得的频谱最大值表示为Amax,最大频谱均值Fmax可以根据以下公式计算:
Fmax=Amax/N
在瞬时频率方差特征参数提取中,调频与调相信号的基带信息携带在相位上运用希尔伯特变换将接受信号转为解析信号并提取其相位,若为调频信号s(t),其瞬时频差σf可以根据以下公式计算:
在瞬时幅度紧致系数特征参数的提取中,可以用幅度系数KA对MASK进行类内识别,可根据以下公式计算:
其中,An=abs(x(t)+j×H(x(t))),H(*)表示希尔伯特变换。
在功率谱峰数Np、包络方均比σ/E特征参数的提取中,采用功率谱峰数Np与、包络方均比σ/E特征(基于现代谱估计得到的幅值方差与均值平方的比值)联合对MFSK进行类内识别,可根据以下公式计算:
作为一个具体实施例,如图2所示,采用两种类间识别特征参数区分MASK、MFSK、MPSK,即最大频谱均值Fmax对MASK信号和非MASK信号区分;利用参数瞬时频差σf对MFSK与MPSK信号进行区分;利用幅度系数KA对2ASK与4ASK信号进行区分;为了加强对MFSK信号的类内识别效果,不仅利用具体信号的功率谱峰数Np,同时采用包络方均比σ/E对其双特征参数进行识别;采用平方谱均值特征参数对BPSK信号与QPSK信号进行区分。
作为一个实施例,对每一个处理信号对应的多类特征参数进行融合处理,包括:将每一个处理信号对应的多类特征参数融合处理成128*128的二维图像数据格式,并存储为txt文件。
需要说明的是,考虑到深度学习网络在图像识别领域的强大性能,将获取的六类特征参数进行融合,处理成为二维的图像数据格式,因为单一的1*6数据形式送入网络进行模型训练需要的数据采集量巨大,并且耗费时间长,在不影响特征值分布的情况下,可将1*6的数据格式转化为128*128的二维数据,存为txt文件作为数据集,text文件可以保留原有的参数值,无须把数据转为图片像素点数据,从而大大降低了数据量。
作为一个实施例,对所述每一个处理信号对应的多类特征参数进行数据处理,包括:对每一个处理信号对应的多类特征参数进行归一化处理。
需要说明的是,将数据进行归一化处理即要求输入的每一批次的数据分布相同,使构建的卷积神经网络在学习不同数据分布时更易收敛以及识别效果提高,由于上述提取的六类特征参数取值范围为(0,120),数值差异过大,因此在融合前需要对提取所得的六类特征参数进行归一化处理,使其分布在(0,1)之间,归一化过程利用以下公式获得:
作为一个实施例,基于短时傅里叶变换对每一个处理信号进行频谱特征提取以得到每一个处理信号对应的功率谱图,包括:对每一个处理信号进行加窗,截取数据的一部分,以将水声通信中的非平稳信号视为许多短时间内随机平稳信号的叠加,提取基于短时傅里叶变换的功率谱以得到每一个处理信号对应的功率谱图。
需要说明的是,基于短时傅里叶变换的功率谱图不仅包含频率分量信息,而且还含有频率所包含的持续时间信息,与基于现代谱估计的频谱图相比,识别效果更好;另外,在水声通信中,基本不存在单纯的平稳信号,会发生严重的多径效应和多普勒频移,因此通过截取数据源的一部分(加窗),可以将非平稳信号视为许多短时间内随机平稳信号的叠加,针对MFSK的识别,提出基于短时傅里叶变换(STFT)的功率谱特征提取方法,其中STFT可根据以下公式计算:
其中,x(m)是输入的离散信号,w(m)表示窗函数,窗函数有数量为n的偏移量并在时域上反转,Xn(ejω)是二维函数,具体表现在时间n与频率ω上。
S104,建立调制识别模型,并从每一个处理信号对应的多特征图和功率谱图中抽取一部分数据作为训练集对调制识别模型进行训练。
作为一个实施例,调制识别模型可为AlexNet模型或者VGG16模型。
作为一个具体实施例,在AlexNet网络中,引入ReLU激活函数巧妙解决了网络训练中梯度饱和的问题,ReLU函数可表示为:
ReLU(x)=max(0,x)
其中,x为该层神经元所接收到的来自上一层神经网络的输入向量;上一层卷积神经网络在进行前向传播时,依次调用每层的前向传播函数,得到每层的输出,将最后一层与目标函数对比得到损失函数;损失函数是评价模型的真实值与预测值的偏差程度,训练的过程即损失函数趋于最小的过程;本发明采用的损失函数是Cross Entropy交叉熵损失函数,计算分为两部分,Softmax分类器和交叉熵损失;Softlayer将最后网络输出利用指数转化为概率,计算公式为:
其中,Pi表示类别i的输出概率,ezi表示所有k个类别中第i个类别的网络输出的指数形式,倘若一共有三类,如识别狗,猫,老虎三类,则i可取1、2、3。交叉熵损失公式的计算公式为:
其中yi表示类别i的真实标签,N是样本总数量。
AlexNet网络除池化层和LRN层外,具有八个对参数训练的网络,前五层为卷积层,后三层为全连接层,最后一个全连接层输出给1000类的softmax分类器;AlexNet的ReLU激活函数进行局部标准化,提升了网络性能,可根据以下公式计算:
a表示在特征图中第i个卷积核在位置(x,y)经过ReLU后的输出,n代表了相邻卷积核的数量,N表示当前层卷积核的总数目,k,n,α以及β是一组超参数,它们的具体参数是在验证集的实验当中获得的,一般设置k=2,n=5,α=0.0001,β=0.75。
在VGGNet网络中均采用3*3的小型卷积核和2*2的池化核,反复堆叠加深网络深度,提升网络性能;每个卷积层后连接一个最大池化层,网络的最后三层为全连接层与softmax层,卷积层与全连接层采用的都是ReLU激活函数。
S105,将每一个处理信号对应的多特征图和功率谱图中剩下的另一部分数据作为测试集输入到训练好的调制识别模型,以便通过调制识别模型对水声信号的调制方式进行识别以得到识别结果的准确率。
也就是说,将每一个处理信号对应的多特征图和功率谱图分为训练集train data与测试集test data,通过将测试集test data输入到训练好的调制识别模型,以便通过调制识别模型对水声信号的调制方式进行识别以得到识别结果的准确率。
需要说明的是,在AlexNet网络中的池化层采用最大池化,能够有效避免模糊化效果,在训练过程中能够对图像的显著特征进行保留,并且AlexNet深度学习网络中池化核的尺寸比步长大,能够令池化层的输出之间重叠和覆盖,加强了特征的丰富性,减少了图像特征信息的丢失;再者,AlexNet与VGG16,均属于卷积神经网络,利用局部连接与权值共享降低了模型的参数计算量,使得网络的复杂度降低,计算量大大减小;在使用神经网路进行调制识别之前,要对网络模型进行训练;将实验所得的数据分为训练集train data与测试集test data,卷积神经网络在进行前向传播时,依次调用每层的前向传播函数,得到每层的输出,将最后一层与目标函数对比得到损失函数;最后将测试集test data输入到已训练的网络中进行自动调制识别,得到不同类型的已调信号在卷积神经网络中的调制识别准确率。
作为一个具体实施例,图3为根据发明实施例的水声通信调制解调流程示意图,如图3所示,首先通过MATLAB产生数据源,对信号分别进行MASK、MFSK、MPSK调制;而后将信号通过水听器发送到水声信道中,用另一个水听器在水中截获所发送的信号,并利用接收放大器对所截获的信号进行放大,而后进行数据处理,提取特征参数即上述的六类特征参数和基于STFT的功率谱特征,然后输入到调试识别的模块当中,进行分类识别;接着再识别完毕后,根据对应的信号类型选择解调方式,最终得到解调信号。
其中,图3中所示的调制方式识别模块,本发明将人工智能应用于水声信号调制识别;采用经典的AlexNet和VGG16两个卷积神经网络,其本质可以理解为多层感知机(MLP),能够通过独特的卷积结构有效地降低深层网络所占的内存量;其中包含卷积层、池化层与全连接层,卷积层通过局部连接与权值共享,降低了模型的复杂度和权值数目,使得网络更容易优化;池化层对图像进行采用,在保留有效信息的条件下能够减小所需要处理的数据量;同时引入ReLU函数作为激活函数,使得网络实现非线性映射。
需要说明的是,本发明采用将多特征参数融合,并进行数据预处理形成可供深度学习网络识别的图像数据以实现对不同信号调制方式的识别;从多特征参数的融合与分类器角度对数据进行了预处理,搭建并验证了两种深度学习模型AlexNet与VGG16对不同特征数据集的分类效果,并通过水池试验数据和海洋实验数据分别对本发明提出的多类别基于深度学习网络的水声信号调制方式识别算法进行了验证。与传统算法相比,本发明不仅降低了算法的复杂度,而且还提高了调制识别的准确率。
综上所述,根据本发明实施例的基于人工智能的水声信号调制识别方法,首先利用MATLAB仿真获取已调信号,通过水池实验或者海洋实验获得实验数据;接着对实验数据进行预处理,提取频谱最大均值、瞬时频率方差、瞬时幅度紧致系数、功率谱峰值数目、包络的幅值比、二次方谱最大系数均值等六类特征参数以及针对MFSK进行基于短时傅里叶变换的功率谱特征提取;再接着将人工智能应用到水声通信中,搭建适合于本发明实施例的AlexNet或者VGG16网络,将处理后的实验数据分为训练集和测试集,利用训练集对网络进行训练,使得网络中的损失函数达到最小;再将测试集送入网络中,得到不同调制信号的正确识别率。经过实验验证,该方法在实际的水声通信应用中具有可靠的正确识别率,具有较强的鲁棒性。
为了实现上述实施例,本发明实施例还提出了一种计算机可读存储介质,其上存储有基于人工智能的水声信号调制识别程序,该基于人工智能的水声信号调制识别程序被处理器执行时实现如上述的基于人工智能的水声信号调制识别方法。
根据本发明实施例的计算机可读存储介质,通过存储基于人工智能的水声信号调制识别程序,以使得处理器在执行该基于人工智能的水声信号调制识别程序时,实现如上述的基于人工智能的水声信号调制识别方法,从而不仅降低了算法复杂度,而且还提高了调制识别的准确率。
为了实现上述实施例,本发明实施例还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述的基于人工智能的水声信号调制识别方法。
根据本发明实施例的计算机设备,通过存储器对计算机程序进行存储,以使得处理器在执行该计算机程序时,实现如上述的基于人工智能的水声信号调制识别方法,从而不仅降低了算法复杂度,而且还提高了调制识别的准确率。
为了实现上述实施例,本发明实施例还提出了一种基于人工智能的水声信号调制识别系统,如图5所示,该基于人工智能的水声信号调制识别系统包括:获取模块10、数据处理模块20、特征提取模块30、训练模块40、和识别模块50。
其中,获取模块10用于获取水声信号,并采用对应的调制方式对水声信号进行调制处理以得到对应的已调信号;
数据处理模块20用于将已调信号发送到水声信道中,并在水声信道中截获多个已调信号,并对截获的每一个已调信号进行预处理以得到多个处理信号;
特征提取模块30用于根据多个处理信号提取每一个处理信号对应的多类特征参数,并对每一个处理信号对应的多类特征参数进行融合及数据处理以得到每一个处理信号对应的多特征图,以及基于短时傅里叶变换对每一个处理信号进行频谱特征提取以得到每一个处理信号对应的功率谱图;
训练模块40用于建立调制识别模型,并从每一个处理信号对应的多特征图和功率谱图中抽取一部分数据作为训练集对调制识别模型进行训练;
识别模块50用于将每一个处理信号对应的多特征图和功率谱图中剩下的另一部分数据作为测试集输入到训练好的调制识别模型,以便通过调制识别模型对水声信号的调制方式进行识别以得到识别结果的准确率。
需要说明的是,上述关于基于人工智能的水声信号调制识别方法的描述同样适用于该基于人工智能的水声信号调制识别系统,在此不做赘述。
综上所述,根据本发明实施例的基于人工智能的水声信号调制识别系统,通过设置获取模块用于获取水声信号,并采用对应的调制方式对水声信号进行调制处理以得到对应的已调信号;数据处理模块用于将已调信号发送到水声信道中,并在水声信道中截获多个已调信号,并对截获的每一个已调信号进行预处理以得到多个处理信号;特征提取模块用于根据多个处理信号提取每一个处理信号对应的多类特征参数,并对每一个处理信号对应的多类特征参数进行融合及数据处理以得到每一个处理信号对应的多特征图,以及基于短时傅里叶变换对每一个处理信号进行频谱特征提取以得到每一个处理信号对应的功率谱图;训练模块用于建立调制识别模型,并从每一个处理信号对应的多特征图和功率谱图中抽取一部分数据作为训练集对调制识别模型进行训练;识别模块用于将每一个处理信号对应的多特征图和功率谱图中剩下的另一部分数据作为测试集输入到训练好的调制识别模型,以便通过调制识别模型对水声信号的调制方式进行识别以得到识别结果的准确率;从而不仅降低了算法复杂度,而且还提高了调制识别的准确率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于人工智能的水声信号调制识别方法,其特征在于,包括以下步骤:
获取水声信号,并采用对应的调制方式对所述水声信号进行调制处理以得到对应的已调信号;
将所述已调信号发送到水声信道中,并在所述水声信道中截获多个所述已调信号,并对截获的每一个已调信号进行预处理以得到多个处理信号;
根据所述多个处理信号提取每一个处理信号对应的多类特征参数,并对所述每一个处理信号对应的多类特征参数进行融合及数据处理以得到每一个处理信号对应的多特征图,以及基于短时傅里叶变换对所述每一个处理信号进行频谱特征提取以得到每一个处理信号对应的功率谱图;
建立调制识别模型,并从所述每一个处理信号对应的多特征图和功率谱图中抽取一部分数据作为训练集对所述调制识别模型进行训练;
将所述每一个处理信号对应的多特征图和功率谱图中剩下的另一部分数据作为测试集输入到所述训练好的调制识别模型,以便通过所述调制识别模型对所述水声信号的调制方式进行识别以得到识别结果的准确率。
2.如权利要求1所述的基于人工智能的水声信号调制识别方法,其特征在于,可采用2ASK、2FSK、BPSK、4ASK、4FSK、QPSK和8FSK中的任意一种调制方式对所述水声信号进行调制处理,并在调制信号的首尾加入chirp信号,以及在调制信号的码元与码元之间加入保护间隔,以得到对应的已调信号。
3.如权利要求1所述的基于人工智能的水声信号调制识别方法,其特征在于,将所述已调信号发送到水声信道中,并在所述水声信道中截获多个所述已调信号,并对截获的每一个已调信号进行预处理以得到多个处理信号,包括:
采用发送端换能器将所述已调信号发送到水声信道中,并采用接收端换能器在所述水声信道中接收多个所述已调信号;
采用放大器对接收的每一个已调信号进行放大处理以得到多个处理信号。
5.如权利要求1所述的基于人工智能的水声信号调制识别方法,其特征在于,对所述每一个处理信号对应的多类特征参数进行融合处理,包括:
将所述每一个处理信号对应的多类特征参数融合处理成128*128的二维图像数据格式,并存储为txt文件。
6.如权利要求1所述的基于人工智能的水声信号调制识别方法,其特征在于,对所述每一个处理信号对应的多类特征参数进行数据处理,包括:对所述每一个处理信号对应的多类特征参数进行归一化处理。
7.如权利要求1所述的基于人工智能的水声信号调制识别方法,其特征在于,所述调制识别模型可为AlexNet模型或者VGG16模型。
8.一种计算机可读存储介质,其特征在于,其上存储有基于人工智能的水声信号调制识别程序,该基于人工智能的水声信号调制识别程序被处理器执行时实现如权利要求1-7中任一项所述的基于人工智能的水声信号调制识别方法。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现如权利要求1-7中任一项所述的基于人工智能的水声信号调制识别方法。
10.一种基于人工智能的水声信号调制识别系统,其特征在于,包括:
获取模块,所述获取模块用于获取水声信号,并采用对应的调制方式对所述水声信号进行调制处理以得到对应的已调信号;
数据处理模块,所述数据处理模块用于将所述已调信号发送到水声信道中,并在所述水声信道中截获多个所述已调信号,并对截获的每一个已调信号进行预处理以得到多个处理信号;
特征提取模块,所述特征提取模块用于根据所述多个处理信号提取每一个处理信号对应的多类特征参数,并对所述每一个处理信号对应的多类特征参数进行融合及数据处理以得到每一个处理信号对应的多特征图,以及基于短时傅里叶变换对所述每一个处理信号进行频谱特征提取以得到每一个处理信号对应的功率谱图;
训练模块,所述训练模块用于建立调制识别模型,并从所述每一个处理信号对应的多特征图和功率谱图中抽取一部分数据作为训练集对所述调制识别模型进行训练;
识别模块,所述识别模块用于将所述每一个处理信号对应的多特征图和功率谱图中剩下的另一部分数据作为测试集输入到所述训练好的调制识别模型,以便通过所述调制识别模型对所述水声信号的调制方式进行识别以得到识别结果的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110314780.7A CN113242197B (zh) | 2021-03-24 | 2021-03-24 | 基于人工智能的水声信号调制识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110314780.7A CN113242197B (zh) | 2021-03-24 | 2021-03-24 | 基于人工智能的水声信号调制识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113242197A true CN113242197A (zh) | 2021-08-10 |
CN113242197B CN113242197B (zh) | 2022-06-07 |
Family
ID=77130711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110314780.7A Active CN113242197B (zh) | 2021-03-24 | 2021-03-24 | 基于人工智能的水声信号调制识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113242197B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115051759A (zh) * | 2022-06-23 | 2022-09-13 | 华南理工大学 | 一种物理层声电融合的跨水气界面/介质通信系统及方法 |
CN118413422A (zh) * | 2024-05-27 | 2024-07-30 | 青岛科技大学 | 基于希尔伯特变换和改进卷积神经网络的通用水声信号解调方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150287422A1 (en) * | 2012-05-04 | 2015-10-08 | Kaonyx Labs, LLC | Methods and systems for improved measurement, entity and parameter estimation, and path propagation effect measurement and mitigation in source signal separation |
CN112132027A (zh) * | 2020-09-23 | 2020-12-25 | 青岛科技大学 | 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 |
CN112257521A (zh) * | 2020-09-30 | 2021-01-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于数据增强和时频分离的cnn水声信号目标识别方法 |
CN112364779A (zh) * | 2020-11-12 | 2021-02-12 | 中国电子科技集团公司第五十四研究所 | 信号处理与深-浅网络多模型融合的水声目标识别方法 |
CN112464837A (zh) * | 2020-12-03 | 2021-03-09 | 中国人民解放军战略支援部队信息工程大学 | 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 |
-
2021
- 2021-03-24 CN CN202110314780.7A patent/CN113242197B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150287422A1 (en) * | 2012-05-04 | 2015-10-08 | Kaonyx Labs, LLC | Methods and systems for improved measurement, entity and parameter estimation, and path propagation effect measurement and mitigation in source signal separation |
CN112132027A (zh) * | 2020-09-23 | 2020-12-25 | 青岛科技大学 | 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 |
CN112257521A (zh) * | 2020-09-30 | 2021-01-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于数据增强和时频分离的cnn水声信号目标识别方法 |
CN112364779A (zh) * | 2020-11-12 | 2021-02-12 | 中国电子科技集团公司第五十四研究所 | 信号处理与深-浅网络多模型融合的水声目标识别方法 |
CN112464837A (zh) * | 2020-12-03 | 2021-03-09 | 中国人民解放军战略支援部队信息工程大学 | 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 |
Non-Patent Citations (3)
Title |
---|
CAIYUN ZHENG 等: "OFDM time synchronization method of underwater sound based on short-time Fourier transform", 《2016 IEEE/OES CHINA OCEAN ACOUSTICS》 * |
杨宏晖 等: "被动水下目标识别研究进展综述", 《无人系统技术》 * |
江伟华等: "采用主分量分析的非合作水声通信信号调制识别", 《兵工学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115051759A (zh) * | 2022-06-23 | 2022-09-13 | 华南理工大学 | 一种物理层声电融合的跨水气界面/介质通信系统及方法 |
CN118413422A (zh) * | 2024-05-27 | 2024-07-30 | 青岛科技大学 | 基于希尔伯特变换和改进卷积神经网络的通用水声信号解调方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113242197B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110289927B (zh) | 基于条件生成对抗网络的信道模拟实现方法 | |
Frasier et al. | Automated classification of dolphin echolocation click types from the Gulf of Mexico | |
CN113242197B (zh) | 基于人工智能的水声信号调制识别方法及系统 | |
CN110414554A (zh) | 一种基于多模型改进的Stacking集成学习鱼类识别方法 | |
CN111222526B (zh) | 一种渔船实时捕捞行为识别方法、装置、设备及存储介质 | |
Roberts et al. | Multiview, broadband acoustic classification of marine fish: a machine learning framework and comparative analysis | |
Rasmussen et al. | Automatic detection and classification of baleen whale social calls using convolutional neural networks | |
CN112737992B (zh) | 一种水声信号调制方式自适应类内识别方法 | |
CN111010356A (zh) | 一种基于支持向量机的水声通信信号调制方式识别方法 | |
CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
Kubicek et al. | Sonar target representation using two-dimensional Gabor wavelet features | |
CN113673312A (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN112418175A (zh) | 基于域迁移的滚动轴承故障诊断方法、系统及存储介质 | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
CN113591733B (zh) | 基于集成神经网络模型的水声通信调制模式分类识别方法 | |
White et al. | More than a whistle: Automated detection of marine sound sources with a convolutional neural network | |
CN113452637B (zh) | 基于特征选择和支持向量机的水声通信信号调制识别方法 | |
Mohankumar et al. | Implementation of an underwater target classifier using higher order spectral features | |
CN113299298B (zh) | 残差单元及网络及目标识别方法及系统及装置及介质 | |
CN114358056A (zh) | 基于深度学习的无人机信号识别方法及系统 | |
Stinco et al. | Automatic object classification with active sonar using unsupervised anomaly detection | |
Gao et al. | Supervised Contrastive Learning‐Based Modulation Classification of Underwater Acoustic Communication | |
CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
Van Der Schaar et al. | Neural network-based sperm whale click classification | |
CN117131416B (zh) | 一种小样本调制识别方法、系统、电子设备及存储介质 |
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 |