CN113259288B - 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 - Google Patents

Abstract

本发明公开了一种基于特征融合与轻量化混合神经网络的水声通信调制方式识别方法，首先提取水声信号中熵特征及形态特征；运用线性判别分析法对所得特征进行处理，得到具体特征；利用长短时神经网络构造混合神经网络的浅层；基于YOLO v2神经网络进行改进，将其作为混合神经网络的深层，两种神经网络结合，提取水声信号抽象特征；结合抽象特征与具体特征获得完备的特征集；将特征集输入神经网络中，实现水声信号调制方式的准确识别；基于数据增强后的水声信号，利用贪心算法训练网络；最后采用迁移学习将其迁移至实际海洋环境。本发明最终实现了低延时、高准确率的水声通信调制方式智能识别，该识别方法准确率高，泛化性强。

Description

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

技术领域

本发明属于水声通信技术领域，具体地说，涉及一种特征融合与轻量化混合神经网络的水声通信调制识别方式智能识别方法。

背景技术

水下无线数据传输是获取海洋信息、实施海洋观测的关键技术。因声波在水下传播过程中衰减较小，故水声通信成为水下中远距离传播信息的主要方式。但水声信道复杂多变，单一固定的调制模式难以适应频繁变化的水声信道，致使通信效率低下。目前，多采用自适应调制编码(Adaptive modulation coding，AMC)，根据信道状况自适应调整调制编码方式，该技术需要通信双方需要通过握手信号确定当前采用的调制方式，而水下复杂的噪声干扰极易导致握手信号出错，致使接收端采用不匹配的解调方式，进而导致解调数据的严重错误。

采用调制方式智能识别技术可使接收端自动识别接收信号的调制方式，确保采用正确的调制方式解调数据，提高水声通信系统数据传输的高效性和可靠性。目前调制方式智能识别的方法主要分为基于最大似然比假设检验的调制方式识别方法、基于特征提取的调制方式识别方法以及自动提取特征调制识别。基于最大似然比假设检验的调制识别方法需要信号的先验信息，其有效性与可靠性不足，且计算复杂，难以实际应用；传统基于特征的调制识别方式方法技术思路简单清晰，在低信噪比条件下拥有可观的识别准确率，然而，水声信道与无线信道差异巨大，且表现出更加复杂的多径效应及噪声干扰，导致许多在无线通信信号的自动调制识别中表现良好的特征难以适用于水声信号；自动提取特征调制识别方法可以通过输入的水声信号自动提取特征进行调制识别，不需要人工干预，但目前还处于起步阶段，大多基于理想的仿真数据，实际应用效果未知且难以泛化至不同海域。同时，上述方法可识别的信号种类较少，无法识别水声通信中常用的扩频信号以及OFDM信号等，适用范围有限。

发明内容

针对现有水声信号调制方式的抗干扰性差、计算成本高、识别准确率低等问题，本发明的目的是提供一种基于特征融合与轻量化混合神经网络的水声通信调制方式识别方法，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：

一种基于特征融合与轻量化混合神经网络的水声通信调制方式识别方法，包括以下步骤：

S1：提取水声信号具体特征，并对其进行优化；

S2：使用轻量化混合神经网络提取水声信号抽象特征；

S3：结合S1得到的具体特征和S2中得到的抽象特征，运用典型相关分析的特征融合方法获得完备的特征集；

S4：基于验证水声信号的特征集，利用贪心算法和迁移学习算法训练神经网络模型；

S5：将待测水声信号经过S1、S2和S3处理后，得到的特征集输入至S4训练好的神经网络模型中，输出识别结果。

进一步的，所述S1中提取水声信号具体特征具体为：

S1-1:首先求出所述水声调制信号的奇异谱、功率谱、频谱、小波能量谱、瞬时相位谱以及瞬时幅度谱；

S1-2：再计算熵特征和形态特征；

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；

更进一步的，所述熵特征包括:

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_j|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。

所述形态特征：信号的零中心归一化瞬时幅度谱密度的最大值γ_max、零中心归一化瞬时幅度标准差δ以及波动系数β；

更进一步的，所述形态特征：

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(n)/m_a,m_a为瞬时幅度a(n)的均值。

零中心归一化瞬时幅度标准差：

其中，n＝(1,2,…,N)，N为采样点数，a_cn(n)＝a_n(n)-1，a_n(n)为归一化后的瞬时幅度，为a_cn(n)的均值，DFT(·)表示离散傅里叶变换。

波动系数：

β＝v/μ

其中，v与μ分别为a_n(n)的方差与均值。

S1-3：所提取信号的熵特征和形态特征统称为具体特征，采用线性判别分析法对所提取的具体特征进行优化处理；设特征数据集包含n种调制方式共m个特征向量，则该集合可表示为

D＝{(x_i,y₁),(x₂,y₂),…,(x_m,y_m)}

x_i为m维特征向量，y_i∈T＝{T₁,T₂,…,T_n}，其中T_i为标签集合；

定义LDA的映射关系为：

L＝ω^Tx

其中ω为a×d的矩阵，a为原特征维度，d为映射后的特征维度；

计算映射后样本的类间方差与类内方差最大比值，定义LDA目标函数为

其中，类间散度矩阵S_b与类内散度矩阵S_w分别定义如下：

其中，x_j(j＝1,2,…,n)为第j类样本的集合，μ_j(j＝1,2,…,n)为第j类样本的均值，μ为所有特征样本的均值。

设{α₁,α₂,…,α_d}为矩阵的最大的d个特征值对应的特征向量，有ω＝[α₁,α₂,…,α_d]，则L＝ω^Tx为LDA降维后的特征。

进一步的，所述S2中使用轻量化混合神经网络提取水声信号抽象特征具体为：

S2-1：对轻量化神经网络的输入进行预处理，为便于神经网络训练，需要对输入神经网络的水声信号归一化：

其中，S为原始水声信号，S'为归一化后的水声信号，max与min为原始水声信号最大值与最小值；

归一化后的水声信号为一维数据，然而，轻量化混合神经网络的浅层LSTM输入要求为二维数据，此时，将原始一维数据(长度为L)重塑为二维数据(维度为N*M，其中N为LSTM时间步的数量，M为每个时间步输入数据的长度，L＝N*M)；

S2-2：对YOLO神经网络进行轻量化改进；在YOLO v2神经网络的基础上，去除池化层，避免因池化作用造成重要特征丢失的问题；轻量化改进YOLO v2的卷积操作，将输入维度为H*W*C的特征图转换为H*W*8的输出特征图，该过程所用参数数量为3C+120；轻量化改进的卷积操作所需参数数量小于传统卷积方法所需参数数量，降低计算复杂度。

进一步，所述S3中融合特征集并训练神经网络具体步骤为：

S3-1:将分段处理后的实测数据集记为A＝{(a₁,l₁),(a₂,l₂),(a₃,l₃),…,(a_n,l_n)}，其中a_i是第i段水声信号，l_i是对应第i段水声信号所属的调制方式；通过BELLHOP软件仿真生成信噪比范围为-9～30dB的8种调制方式水声信号，仿真数据集B＝{(b₁,l₁),(b₂,l₂),(b₃,l₃),…,(b_m,l_m)}，其中b_i是第i段仿真水声信号，l_i是对应第i段仿真水声信号所属的调制方式；最后，使用数据增强后的数据集Data＝{A,B}；

S3-2：结合S1得到的具体特征和S2中得到的抽象特征，运用典型相关分析的特征融合方法获得完备的特征集，具体特征提取方法提取的特征向量记为X(1,n)，抽象特征提取方法提取的特征向量记为Y(1,m)，其中m与n为特征维度。S_XX与S_YY分别代表各自的协方差矩阵，S_XY为X和Y间的协方差矩阵，S_YX＝(S_XY)^T，整体的协方差矩阵为

定义线性合并如下，

X^*＝(W_X)^T*X

Y^*＝(W_Y)^T*Y

其中W_X及W_y可通过求取X^*与Y^*相关系数的最大值得出，相关系数定义如下，

变换后的特征通过以下方式合并，

Z为典型相关分析融合后的特征矩阵；

S3-3：使用完备的特征集，利用贪心算法对该神经网络进行预训练，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；

S3-4：将预训练好的神经网络在目标区域中进行迁移学习，得到适用于目标区域的神经网络模型。

更进一步的，所述迁移学习方法为：

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：

本发明首先选择提取水声信号中抗噪声干扰能力强的熵特征及形态特征；其次，采用线性判别分析法对特征进行降维重构，减少特征维度的同时优化特征分布，保证识别准确率及识别效率；然后设计了一种LSTM与轻量化改进YOLO v2神经网络结合的网络提取抽象特征。混合神经网络特征提取层保证提取水声信号抽象特征的有效性，同时，轻量化改进有效降低神经网络的计算复杂度，满足通信系统实时性的要求；根据数据增强方法增加训练集样本容量与多样性以提高模型的鲁棒性，并采用典型相关分析的特征融合方法，综合水声信号的具体特征与抽象特征。最后采用贪心算法与迁移学习网络训练方法，保证识别算法的准确性与网络模型的泛化性。

本发明最终实现了低延迟、高准确率的水声通信调制方式智能识别，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YOLO v2神经网络模型图。

图3是本发明实例中轻量化改进YOLO v2卷积操作模型图。

图4是本发明实施例中使用贪心算法预训练网络的流程图。

图5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特征融合与轻量化混合神经网络的水声通信调制方式智能识别方法，接收水声调制信号之后，包括以下部分，如图1所示：

S1提取水声信号具体特征，并对其进行优化步骤，包括：

S11、求出所述水声调制信号的奇异谱、功率谱、频谱、小波能量谱、瞬时相位谱以及瞬时幅度谱；

S12、计算熵特征和形态特征；

本实施例选择抗噪声能力强的熵特征与形态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，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_j|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。

所述形态特征：信号的零中心归一化瞬时幅度谱密度的最大值γ_max、零中心归一化瞬时幅度标准差δ以及波动系数β；

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(n)/m_a，m_a为瞬时幅度a(n)的均值。

波动系数：

β＝v/μ

其中，v与μ分别为a_n(n)的方差与均值。

S13、使用线性判别分析法对提取的具体特征进行优化处理；

线性判别分析法具体步骤为：

S131、设特征数据集包含n种调制方式共m个特征向量，则该集合可表示为

D＝{(x_i,y₁),(x₂,y₂),…,(x_m,y_m)}

x_i为m维特征向量，y_i∈T＝{T₁,T₂,…,T_n}，其中T_i为标签集合；

S132、定义LDA的映射关系为：

L＝ω^Tx

其中ω为a×d的矩阵，a为原特征维度，d为映射后的特征维度；

S133、计算映射后样本的类间方差与类内方差最大比值，定义LDA目标函数为

其中，类间散度矩阵S_b与类内散度矩阵S_w分别定义如下：

其中，x_j(j＝1,2,…,n)为第j类样本的集合，μ_j(j＝1,2,…,n)为第j类样本的均值，μ为所有特征样本的均值。

S134、设{α₁,α₂,…,α_d}为矩阵的最大的d个特征值对应的特征向量，有ω＝[α₁,＝₂,…,＝_d]，则L＝ω^Tx为LDA降维后的特征。

S2使用轻量化混合神经网络提取水声信号抽象特征步骤，包括：

S21、对轻量化神经网络的输入进行预处理，为便于神经网络训练，需要对输入神经网络的水声信号归一化：

其中，S为原始水声信号，S'为归一化后的水声信号，max与min为原始水声信号最大值与最小值。

归一化后的水声信号为一维数据，然而，轻量化混合神经网络的浅层LSTM输入要求为二维数据，此时，将原始一维数据(长度为L)重塑为二维数据(维度为N*M，其中N为LSTM时间步的数量，M为每个时间步输入数据的长度，L＝N*M)。

S22、本实例对YOLO神经网络进行轻量化改进。如图2所示，在YOLO v2神经网络的基础上，去除池化层，避免因池化作用造成重要特征丢失的问题。如图3所示，本实例轻量化改进了YOLO v2的卷积操作，将输入维度为H*W*C的特征图转换为H*W*8的输出特征图，该过程所用参数数量为3C+120。轻量化改进的卷积操作所需参数数量小于传统卷积方法所需参数数量，降低计算复杂度。

S3结合S1得到的具体特征和S2中得到的抽象特征，运用典型相关分析的特征融合方法获得完备的特征集，并利用贪心算法和迁移学习算法训练神经网络模型步骤，包括：

S31、使用海试数据作为本方案的数据集来源。分段处理后的实测数据集记为A＝{(a₁,l₁),(a₂,l₂),(a₃,l₃),…,(a_n,l_n)}，其中a_i是第i段水声信号，l_i是对应第i段水声信号所属的调制方式。通过BELLHOP软件仿真生成信噪比范围为-9～30dB的8种调制方式水声信号，仿真数据集B＝{(b₁,l₁),(b₂,l₂),(b₃,l₃),…,(b_m,l_m)}，其中b_i是第i段仿真水声信号，l_i是对应第i段仿真水声信号所属的调制方式。最后，本方案使用数据增强后的数据集Data＝{A,B}。

S32、结合S1得到的具体特征和S2中得到的抽象特征，运用典型相关分析的特征融合方法获得完备的特征集具体特征提取方法提取的特征向量记为X(1,n)，抽象特征提取方法提取的特征向量记为Y(1,m)，其中m与n为特征维度。S_XX与S_YY分别代表各自的协方差矩阵，S_XY为X和Y间的协方差矩阵，S_YX＝(S_XY)^T，整体的协方差矩阵为，

定义线性合并如下，

X^*＝(W_X)^T*X

Y^*＝(W_Y)^T*Y

其中W_X及W_y可通过求取X^*与Y^*相关系数的最大值得出，相关系数定义如下，

变换后的特征通过以下方式合并，

Z为典型相关分析融合后的特征矩阵。

S33、使用完备的特征集，利用贪心算法对该神经网络进行预训练，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4所示，用贪心算法训练网络步骤如下：

S331、单独训练第一层神经网络直至达到给定精度；

S332、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；

S333、重复以上流程直至整个神经网络训练完成；

S34、将预训练好的神经网络在目标海域中进行迁移学习，得到适用于目标海域的神经网络模型。如图5所示，所述迁移学习方法为：

S341、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。

S4、将待测信号数据进行特征融合(S1和S2)处理之后，输入S3训练好的神经网络中，最终输出调制识别方式。

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 (4)

1.一种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，其特征在于，该识别方法包括以下步骤：

S1：提取水声信号具体特征，并对其进行优化；具体为：

S1-1:求出所述水声调制信号的奇异谱、功率谱、频谱、小波能量谱、瞬时相位谱以及瞬时幅度谱；

S1-2：计算熵特征和形态特征；

所述熵特征包括：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；

所述形态特征包括：信号的零中心归一化瞬时幅度谱密度的最大值γ_max、零中心归一化瞬时幅度标准差δ以及波动系数β；

S1-3：然后采用线性判别分析法对所提取的具体特征进行优化处理；

S2：使用轻量化混合神经网络提取水声信号抽象特征；具体为：

S2-1：对轻量化神经网络的输入进行预处理，为便于神经网络训练，需要对输入神经网络的水声信号归一化：

其中，S为原始水声信号，S'为归一化后的水声信号，max与min为原始水声信号最大值与最小值；

将原始一维数据重塑为二维数据，维度为N*M，其中N为LSTM时间步的数量，M为每个时间步输入数据的长度，L＇＝N*M，L＇为信号长度；

S2-2：对YOLO神经网络进行轻量化改进；在YOLO v2神经网络的基础上，去除池化层；轻量化改进YOLO v2的卷积操作，将输入维度为H*W*C的特征图转换为H*W*8的输出特征图，该过程所用参数数量为3C+120，H、W、C分别为特征图的高、宽和通道数；

S3：结合S1得到的具体特征和S2中得到的抽象特征，运用典型相关分析的特征融合方法获得完备的特征集；

S4：利用贪心算法和迁移学习算法训练神经网络模型；

S5：将待测水声信号经过所述S1、S2和S3处理后，得到的特征集输入至S4训练好的神经网络模型中，输出识别结果。

2.如权利要求1所述的水声调制方式识别方法，其特征在于，所述S1-3具体为：设特征数据集包含n种调制方式共m个特征向量，则该集合可表示为

D＝{(x₁，y₁)(x₂，y₂)，…，(x_m，y_m)

x_m为m维特征向量，y_i∈T＝{T₁,T₂,…,T_n}，其中T_n为标签集合；

定义LDA的映射关系为：

L＝ω^Tx

其中ω为a×d的矩阵，a为原特征维度，d为映射后的特征维度，L为映射后的特征；

计算映射后样本的类间方差与类内方差最大比值，定义LDA目标函数为

其中，类间散度矩阵S_b与类内散度矩阵S_w分别定义如下：

其中，x_j(j＝1,2,…,n)为第j类样本的集合，μ_j(j＝1,2,…,n)为第j类样本的均值，μ为所有特征样本的均值；设{α₁,α₂,…,α_d}为矩阵的最大的d个特征值对应的特征向量，有ω＝[α₁,α₂,…,α_d]，则L＝ω^Tx为LDA降维后的特征。

3.如权利要求1所述的水声调制方式识别方法，其特征在于，所述S3中融合特征集并训练神经网络具体步骤为：

S3-1:将分段处理后的实测数据集记为A＝{(a₁,l₁),(a₂,l₂),(a₃,l₃),…,(a_n,l_n)}，其中a_n是第n段水声信号，l_n是对应第n段水声信号所属的调制方式；通过BELLHOP软件仿真生成信噪比范围为-9～30dB的8种调制方式水声信号，仿真数据集B＝{(b₁,l₁),(b₂,l₂),(b₃,l₃),…,(b_m,l_m)}，其中b_m是第m段仿真水声信号，l_m是对应第m段仿真水声信号所属的调制方式；最后，使用数据增强后的数据集Data＝{A,B}；

S3-2：结合S1得到的具体特征和S2中得到的抽象特征，运用典型相关分析的特征融合方法获得完备的特征集，具体特征提取方法提取的特征向量记为X(1,n)，抽象特征提取方法提取的特征向量记为Y(1,m)，其中m与n为特征维度；S_XX与S_YY分别代表各自的协方差矩阵，S_XY为X和Y间的协方差矩阵，S_YX＝(S_XY)^T，整体的协方差矩阵为

定义线性合并如下，

X^*＝(W_X)^T*X

Y^*＝(W_Y)^T*Y

其中X^*、Y^*分别为X、Y线性合并后的向量，W_X及W_Y为用来线性合并X、Y的合并矩阵，通过求取X^*与Y^*相关系数的最大值得出，相关系数定义如下，

变换后的特征通过以下方式合并，

Z为典型相关分析融合后的特征矩阵；

S3-3：使用完备的特征集，利用贪心算法对该神经网络进行预训练，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；

S3-4：将预训练好的神经网络在目标区域中进行迁移学习，得到适用于目标区域的神经网络模型。

4.如权利要求3所述的水声调制方式识别方法，其特征在于，所述迁移学习方法为：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。