CN113541726A - 一种基于循环神经网络的码索引扩频水声通信方法 - Google Patents
一种基于循环神经网络的码索引扩频水声通信方法 Download PDFInfo
- Publication number
- CN113541726A CN113541726A CN202110808244.2A CN202110808244A CN113541726A CN 113541726 A CN113541726 A CN 113541726A CN 202110808244 A CN202110808244 A CN 202110808244A CN 113541726 A CN113541726 A CN 113541726A
- Authority
- CN
- China
- Prior art keywords
- neural network
- spread spectrum
- underwater acoustic
- network model
- recurrent neural
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 50
- 238000001228 spectrum Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 35
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000007480 spreading Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/707—Spread spectrum techniques using direct sequence 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于循环神经网络的码索引扩频水声通信方法，涉及水声通信技术领域，具体步骤包括如下：获取训练数据集；建立循环神经网络模型；利用所述训练数据集对所述循环神经网络模型进行训练，得到训练完成的神经网络模型；所述训练完成的神经网络模型作为码索引扩频水声通信系统的接收端，将测试数据集输入给所述训练完成的神经网络模型中，对源数据进行恢复，完成对接收信号的解调。与常规的接收系统相比，无需对接收信号进行去载波和解扩散操作，直接采用循环神经网络完成对通信信号的解调，提高了通信在低信噪比浅水复杂信道条件下系统的可靠性。
Description
技术领域
本发明涉及水声通信技术领域，更具体的说是涉及一种基于循环神经网络的码索引扩频水声通信方法。
背景技术
近年来，随着大规模并行计算以及GPU设备的普及，人工智能技术得到了迅速的发展和进步，这使得水声通信技术的发展也得到了技术上的支持，在相关硬件设备和算法研究等方面有了根本性的提升，因此水声通信技术得到了快速发展。
水声信道是一个受噪声干扰严重，可利用带宽窄，多途效应严重的信道，同时具有时空特异性，这为水声通信的可靠性提出了挑战。相较于常规的直接序列扩频通信算法在调制的过程中将1bit信息调制在单个码片或一段码片序列上造成了通信速率较低的情况不同，码索引扩频水声通信算法在调制过程中采用正交相移调制和直接序列扩频调制。通过源信息中映射位比特选择不同的扩频序列，对传输位比特进行调制。该方法与常规采用正交相移调制扩频通信算法相比，在节省能耗的同时，系统的通信速率提高了一倍。但是由于受到浅水复杂水声信道的影响，将会提高水声码索引扩频接收系统的设计难度。而深度学习作为机器学习领域的新方向，在计算机视觉、模式识别、自然语言处理等多个领域具有很好的发展。中国专利CN109474352A中公开了一种基于深度学习的水声正交频分复用通信方法，该发明在离线训练阶段采用正交频分复用对信号进行调制，通过产生的大量训练数据对深度神经网络进行训练，将完成训练的深度神经网络模型作为通信系统的接收端模型，降低水声通信系统设计复杂度，有效实现水下数据传输。但是目前尚无一种针对码索引水声扩频通信算法通过循环神经网络，在未对接收信号进行去载波及解扩操作的前提下，完成对通信信号的直接解调方法。
发明内容
有鉴于此，本发明提供了一种基于循环神经网络的码索引扩频水声通信方法，降低了传统码索引扩频水声通信接收系统设计复杂度，提高了通信在低信噪比浅水复杂信道条件下系统的可靠性。
为了实现上述目的，本发明采用如下技术方案：一种基于循环神经网络的码索引扩频水声通信方法，具体步骤包括如下：
获取训练数据集；
建立循环神经网络模型；
利用所述训练数据集对所述循环神经网络模型进行训练，得到训练完成的神经网络模型；
所述训练完成的神经网络模型作为码索引扩频水声通信系统的接收端，将测试数据集输入给所述训练完成的神经网络模型中，对源数据进行恢复，完成对接收信号的解调。
优选的，所述获取训练数据集的具体步骤为：
在所述码索引扩频水声通信系统的发射端产生已知的随机二进制比特流，对原始信息进行码索引扩频调制，得到调制后的发射信号；
所述调制后的发射信号，经过水声信道，经过多径衰落和噪声干扰，到达所述码索引扩频水声通信系统的接收端，接收信号的表达式为：
其中，s(t)为调制后的发射信号，t为离散时间索引，h(t)为信道冲击响应函数，n(t)为加性高斯白噪声；
对所述接收信号每隔M点进行采样，得到所述训练数据集，存储在J×1的矩阵X1中，其中J＝L/M，J为所述接收信号的长度。
优选的，所述循环神经网络模型为Bi-LSTM循环神经网络模型，并对所述Bi-LSTM循环神经网络模型的网络参数进行设置。
优选的，产生所述调制后的发射信号的具体步骤如下：
所述随机二进制比特流经过串并转换器后，转化为由每两个比特为一组的符号块，第k个符号块为
其中
为传输位比特，
为映射位比特；
根据所述映射位比特的值，选择扩频码
其中，
C1(t)、C2(t)为m序列；
经过码索引扩频调制和载波调制后的发射信号表示为：
优选的，所述Bi-LSTM循环神经网络模型分为五层：Input layer，Forward layer，Backward layer，Output layer，其中Output layer由Fully connected layer和Softmax分类器组成。
优选的，对所述Bi-LSTM循环神经网络模型进行训练的具体步骤为：
将所述训练数据集输入给所述Bi-LSTM循环神经网络模型的Input layer，数据从Input layer输入到按时间顺序的Forward layer中的LSTM细胞单元中；
Forward layer从1时刻到t时刻顺序计算，并保存上一时刻t-1中LSTM细胞单元的隐藏状态，在时刻t时对应的隐藏状态；
所述数据从Input layer输入到按时间逆序的Backward layer中的LSTM细胞单元中，Backward layer从t时刻逆序计算，并保存下一时刻t+1中LSTM细胞单元的隐藏状态，在时刻t时对应的隐藏状态；
将Forward layer在t时刻的隐藏状态与Backward layer在时刻t时对应的隐藏状态进行向量拼接，得到t时刻的最终隐藏状态；
将所述t时刻的最终隐藏状态输入到Fully connected layer中，通过Softmax函数进行分类，得到分类结果。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于循环神经网络的码索引扩频水声通信方法，可以处理传统解调方法难以精确解调的复杂浅水信道，同时简化通信接收系统的设计复杂度，与常规的接收系统相比，无需对接收信号进行去载波和解扩散操作，直接采用循环神经网络完成对通信信号的解调，提高了通信在低信噪比浅水复杂信道条件下系统的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明的方法流程示意图；
图2附图为本发明的神经网络模型训练流程示意图；
图3附图为本发明的LSTM细胞单元的运算过程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于循环神经网络的码索引扩频水声通信方法，如图1所示，具体步骤包括如下：
S1、获取训练数据集；
S2、建立循环神经网络模型；
S3、利用训练数据集对循环神经网络模型进行训练，得到训练完成的神经网络模型；
S4、训练完成的神经网络模型作为码索引扩频水声通信系统的接收端，将测试数据集输入给训练完成的神经网络模型中，对源数据进行恢复，完成对接收信号的解调。
需要说明的是，循环神经网络模型为Bi-LSTM循环神经网络模型，并对Bi-LSTM循环神经网络模型的网络参数进行设置。
进一步的，获取训练数据集的具体步骤为：
S11、在码索引扩频水声通信系统的发射端产生已知的随机二进制比特流
对原始信息进行码索引扩频调制，得到调制后的发射信号，其数学表达式为s(t)；
S12、调制后的发射信号，经过水声信道，经过多径衰落和噪声干扰，到达码索引扩频水声通信系统的接收端，接收信号的表达式为：
其中，s(t)为调制后的发射信号，t为离散时间索引，h(t)为信道冲击响应函数，n(t)为加性高斯白噪声；
S13、对接收信号每隔M点进行采样，得到训练数据集样本，存储在J×1的矩阵X1中，其中J＝L/M，J为接收信号的长度；
S14、对训练数据集样本的数据样本类别标注标签，存储在J×1的矩阵Y1中。
步骤S11中产生调制后的发射信号的具体步骤如下：
S111、在码索引扩频水声通信系统的发射端，由信源产生的随机二进制比特流
经过串并转换器后，转化为由每两个比特为一组的符号块，第k个符号块为
其中
为传输位比特，
为映射位比特；
S112、根据映射位比特的值，选择扩频码
其中，
C1(t)、C2(t)为m序列；
S113、经过码索引扩频调制和载波调制后的发射信号表示为：
进一步的，Bi-LSTM循环神经网络模型分为五层：Input layer，Forward layer，Backward layer，Output layer，其中Output layer由Fully connected layer和Softmax分类器组成。
如图2所示，对Bi-LSTM循环神经网络模型进行训练的具体步骤为：
S31、将训练数据集X1＝(x1,...,xt-1,xt,xt+1,...,xT)输入给Bi-LSTM循环神经网络模型的Input layer，数据从Input layer输入到按时间顺序的Forward layer中的LSTM细胞单元中，权重向量记为W(1)；
S32、Forward layer从1时刻到t时刻顺序计算，并保存上一时刻t-1中LSTM细胞单元的隐藏状态
权重向量为U(1)，该层t时刻时对应输入为
在时刻t时对应的隐藏状态输出为
其中f为非线性函数；
S33、数据从Input layer输入到按时间逆序的Backward layer中的LSTM细胞单元中，权重向量记为W(2)；
S34、Backward layer从t时刻到1时刻逆序计算，并保存下一时刻t+1中LSTM细胞单元的隐藏状态
权重向量为U(2)，该层中t时刻对应输入为
在时刻t时对应的隐藏状态输出为
S35、Forward layer层中按时间顺序，Backward layer层中按时间逆序，在时刻t时的隐藏状态
和
进行向量拼接，得到t时刻的最终隐藏状态
其中
为向量拼接操作；
S36、将t时刻的最终隐藏状态输入到Fully connected layer中，通过Softmax函数进行分类，得到分类结果
LSTM细胞单元通过独特的门控机制来控制信息的传递，其中，遗忘门(ft)来控制上一时刻的细胞状态(Ct-1)中需要遗忘的信息，输入门(it)来控制当前时刻的候选状态
中需要保存的信息，输出门(Ot)来控制当前时刻的细胞状态(Ct)中需要输出给隐藏状态(ht)的信息。
进一步的，如图3所示，Forwardlayer中LSTM细胞单元的运算过程为：
S321、计算遗忘门的值，公式为：ft＝σ(Wtxt+Ufht-1+bf)，其中Wf、Uf为网络的权重参数，bf为网络的偏置参数，ht-1为上一时刻中的隐藏状态，σ为Logistic函数，xt为当前时刻输入的信息；
S322、计算输入门的值，公式为：it＝σ(Wixt+Uiht-1+bi)，其中Wi、Ui为网络的权重参数，bi为网络的偏置参数；
S323、计算当前时刻候选状态的值，公式为：
其中Wc、Uc为网络的权重参数，bc为网络的偏置参数，tanh为双曲正切函数；
S324、计算输出门的值，公式为：Ot＝σ(Woxt+Uoht-1+bo)，其中Wo、Uo为网络的权重参数，bo为网络的偏置参数；
S325、通过遗忘门和出入门的值，上一时刻的细胞状态以及当前时刻的候选状态，根据公式
对当前时刻的细胞状态进行更新，其中，⊙为哈达玛积；
S326、利用输出门的输出以及更新后的当前时刻细胞状态，根据公式ht＝Ot⊙tanh(Ct)，将当前时刻的细胞状态传递给隐藏状态。
进一步的，利用测试数据集对训练完成的神经网络模型进行测试的步骤与训练阶段一致，仅存在以下不同之处：通信系统输入数据由已知随机二进制比特流变更为未知随机二进制比特流。
在本实施例中还进行了仿真研究：分别选用扩频增益为31、63的m序列作为通信系统的扩频序列，在Bi-LSTM网络模型中，隐藏单元个数为20，训练数据集和测试数据集的大小比例为3:1。通过对发射声源的深度以及接收水听器的深度进行调整来产生多组信道冲击响应，水深为90m，发射声源的深度部署在5m到55m的范围内，深度步长为10m。接收水听器的深度部署在5m到55m的范围内，深度步长为10m，它们之间的水平距离为2km到3km，水平距离步长为200m。
如果接收到的信号是通过常规方法解调，系统的性能在一定程度上取决于信道条件。当信噪比为0db时，对于不同的信道条件，常规系统的平均误码率接近30％，这意味着，在某些信道条件下，系统不能准确地恢复传输信息。而基于循环神经网络的码索引扩频水声通信方法具有传统解调方法无法比拟的优点。当信噪比在-12db到0db之间时，误码率低于传统解调方法，当选用扩频增益为31的m序列时误码率接近2*10-2，当选用扩频增益为63的m序列时误码率接近1*10-2。
基于深度学习的方法可以克服恶劣水声信道造成的影响，其原因是用于训练模型的数据既具有传输信号的特征，又具有浅水信道的特征，因此，该方法可以处理传统方法难以精确解调的复杂浅水信道，此外，该方法可以简化通信接收系统的设计复杂度，与常规的接收系统相比，无需对接收信号进行去载波和解扩操作，直接采用循环神经网络完成对通信信号的解调。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于循环神经网络的码索引扩频水声通信方法，其特征在于，具体步骤包括如下：
获取训练数据集；
建立循环神经网络模型；
利用所述训练数据集对所述循环神经网络模型进行训练，得到训练完成的神经网络模型；
所述训练完成的神经网络模型作为码索引扩频水声通信系统的接收端，将测试数据集输入给所述训练完成的神经网络模型中，对源数据进行恢复，完成对接收信号的解调。
2.根据权利要求1所述的一种基于循环神经网络的码索引扩频水声通信方法，其特征在于，所述获取训练数据集的具体步骤为：
在所述码索引扩频水声通信系统的发射端产生已知的随机二进制比特流，对原始信息进行码索引扩频调制，得到调制后的发射信号；
调制后的所述发射信号，经过水声信道，经过多径衰落和噪声干扰，到达所述码索引扩频水声通信系统的接收端，接收信号的表达式为：
其中，s(t)为调制后的发射信号，t为离散时间索引，h(t)为信道冲击响应函数，n(t)为加性高斯白噪声；
对所述接收信号每隔M点进行采样，得到所述训练数据集，存储在J×1的矩阵X1中，其中J＝L/M，J为所述接收信号的长度。
3.根据权利要求1所述的一种基于循环神经网络的码索引扩频水声通信方法，其特征在于，所述循环神经网络模型为Bi-LSTM循环神经网络模型，并对所述Bi-LSTM循环神经网络模型的网络参数进行设置。
4.根据权利要求2所述的一种基于循环神经网络的码索引扩频水声通信方法，其特征在于，产生调制后的所述发射信号的具体步骤如下：
所述随机二进制比特流经过串并转换器后，转化为由每两个比特为一组的符号块，第k个符号块为
其中
为传输位比特，
为映射位比特；
根据所述映射位比特的值，选择扩频码
其中，
C1(t)、C2(t)为m序列；
经过码索引扩频调制和载波调制后的发射信号表示为：
5.根据权利要求3所述的一种基于循环神经网络的码索引扩频水声通信方法，其特征在于，所述Bi-LSTM循环神经网络模型分为五层：Input layer，Forward layer，Backwardlayer，Output layer，其中Outputlayer由Fully connectedlayer和Softmax分类器组成。
6.根据权利要求5所述的一种基于循环神经网络的码索引扩频水声通信方法，其特征在于，对所述Bi-LSTM循环神经网络模型进行训练的具体步骤为：
将所述训练数据集输入给所述Bi-LSTM循环神经网络模型的Input layer，数据从Input layer输入到按时间顺序的Forward layer中的LSTM细胞单元中；
Forwardlayer从1时刻到t时刻顺序计算，并保存上一时刻t-1中LSTM细胞单元的隐藏状态，在时刻t时对应的隐藏状态；
所述数据从Input layer输入到按时间逆序的Backward layer中的LSTM细胞单元中，Backwardlayer从t时刻逆序计算，并保存下一时刻t+1中LSTM细胞单元的隐藏状态，在时刻t时对应的隐藏状态；
将Forward layer在t时刻的隐藏状态与Backward layer在时刻t时刻对应的隐藏状态进行向量拼接，得到t时刻的最终隐藏状态；
将所述t时刻的最终隐藏状态输入到Fully connected layer中，通过Softmax函数进行分类，得到分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110808244.2A CN113541726B (zh) | 2021-07-16 | 2021-07-16 | 一种基于循环神经网络的码索引扩频水声通信方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110808244.2A CN113541726B (zh) | 2021-07-16 | 2021-07-16 | 一种基于循环神经网络的码索引扩频水声通信方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113541726A true CN113541726A (zh) | 2021-10-22 |
| CN113541726B CN113541726B (zh) | 2022-05-06 |
Family
ID=78099875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110808244.2A Active CN113541726B (zh) | 2021-07-16 | 2021-07-16 | 一种基于循环神经网络的码索引扩频水声通信方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113541726B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116131963A (zh) * | 2023-02-02 | 2023-05-16 | 广东工业大学 | 基于lstm神经网络的光纤链路多径干扰噪声均衡方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070086513A1 (en) * | 2001-05-17 | 2007-04-19 | Qualcomm, Inc. | System and method for adjusting combiner weights using an adaptive algorithm in wireless communications system |
| CN109474352A (zh) * | 2018-12-24 | 2019-03-15 | 哈尔滨工程大学 | 一种基于深度学习的水声正交频分复用通信方法 |
| CN110071750A (zh) * | 2019-03-12 | 2019-07-30 | 重庆临菲电子科技有限公司 | 一种基于机器学习的二维空码索引调制方法 |
| CN110738138A (zh) * | 2019-09-26 | 2020-01-31 | 哈尔滨工程大学 | 基于循环神经网络的水声通信信号调制模式识别方法 |
| KR20200062653A (ko) * | 2018-11-27 | 2020-06-04 | 한국과학기술원 | 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법 및 장치 |
| CN112073352A (zh) * | 2020-08-28 | 2020-12-11 | 西北工业大学深圳研究院 | 基于索引调制的单载波高速扩频水声通信方法 |
| CN112257648A (zh) * | 2020-11-03 | 2021-01-22 | 泰山学院 | 基于改进的循环神经网络的信号分类识别方法 |
| CN112329815A (zh) * | 2020-09-30 | 2021-02-05 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
| CN112910814A (zh) * | 2021-01-14 | 2021-06-04 | 天津大学 | 一种基于部分响应的水声通信多载波调制方法 |
-
2021
- 2021-07-16 CN CN202110808244.2A patent/CN113541726B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070086513A1 (en) * | 2001-05-17 | 2007-04-19 | Qualcomm, Inc. | System and method for adjusting combiner weights using an adaptive algorithm in wireless communications system |
| KR20200062653A (ko) * | 2018-11-27 | 2020-06-04 | 한국과학기술원 | 다중 안테나 다중 사용자 간섭채널에서 기계학습 기반 빔포밍 방법 및 장치 |
| CN109474352A (zh) * | 2018-12-24 | 2019-03-15 | 哈尔滨工程大学 | 一种基于深度学习的水声正交频分复用通信方法 |
| CN110071750A (zh) * | 2019-03-12 | 2019-07-30 | 重庆临菲电子科技有限公司 | 一种基于机器学习的二维空码索引调制方法 |
| CN110738138A (zh) * | 2019-09-26 | 2020-01-31 | 哈尔滨工程大学 | 基于循环神经网络的水声通信信号调制模式识别方法 |
| CN112073352A (zh) * | 2020-08-28 | 2020-12-11 | 西北工业大学深圳研究院 | 基于索引调制的单载波高速扩频水声通信方法 |
| CN112329815A (zh) * | 2020-09-30 | 2021-02-05 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
| CN112257648A (zh) * | 2020-11-03 | 2021-01-22 | 泰山学院 | 基于改进的循环神经网络的信号分类识别方法 |
| CN112910814A (zh) * | 2021-01-14 | 2021-06-04 | 天津大学 | 一种基于部分响应的水声通信多载波调制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 朱雨男: "基于深度神经网络的水声FBMC通信信号检测方法", 《声学技术》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116131963A (zh) * | 2023-02-02 | 2023-05-16 | 广东工业大学 | 基于lstm神经网络的光纤链路多径干扰噪声均衡方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113541726B (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109474352B (zh) | 一种基于深度学习的水声正交频分复用通信方法 | |
| Zhang et al. | Automatic modulation classification using CNN-LSTM based dual-stream structure | |
| CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
| CN111669344B (zh) | 一种基于深度学习的时变ofdm系统信号检测方法 | |
| Wu | CNN and RNN-based deep learning methods for digital signal demodulation | |
| Zhang et al. | Deep learning aided OFDM receiver for underwater acoustic communications | |
| CN112600772A (zh) | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 | |
| CN113472706A (zh) | 一种基于深度神经网络的mimo-ofdm系统信道估计方法 | |
| Wang et al. | A deep learning-based intelligent receiver for improving the reliability of the MIMO wireless communication system | |
| CN114584448B (zh) | 基于深度神经网络的sm-ofdm信号分组检测方法 | |
| Zhao et al. | Federated meta-learning enhanced acoustic radio cooperative framework for ocean of things | |
| CN113541726B (zh) | 一种基于循环神经网络的码索引扩频水声通信方法 | |
| Dakic et al. | LoRa signal demodulation using deep learning, a time-domain approach | |
| CN113708855A (zh) | 基于深度学习的otfs数据驱动接收方法、系统及介质 | |
| Zhu et al. | Y-shaped net-based signal detection for OFDM-IM systems | |
| Zhang et al. | Deep learning and expert knowledge based underwater acoustic OFDM receiver | |
| CN112564830B (zh) | 一种基于深度学习的双模正交频分复用索引调制检测方法及装置 | |
| CN114759997B (zh) | 一种基于数据模型双驱动的mimo系统信号检测方法 | |
| CN117176517A (zh) | 采用遗传算法和深度学习对mimo-ofdm可见光通信实施信道估计的方法及系统 | |
| Wang et al. | A spatiotemporal multi-stream learning framework based on attention mechanism for automatic modulation recognition | |
| CN113709075B (zh) | 一种利用水声信道多径效应的水声通信接收机的实现方法 | |
| Gong et al. | Exploring the performance of the DL-based OTFS detection scheme in Internet of vehicles | |
| CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
| CN114679363A (zh) | 人工智能辅助ofdm接收机的离线学习方法 | |
| CN112087275B (zh) | 基于生灭过程和粘性隐马尔可夫模型的合作频谱感知方法 |
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 |