CN113890633A - 一种基于深度神经网络的水声通信体制自适应选取方法 - Google Patents
一种基于深度神经网络的水声通信体制自适应选取方法 Download PDFInfo
- Publication number
- CN113890633A CN113890633A CN202111337369.8A CN202111337369A CN113890633A CN 113890633 A CN113890633 A CN 113890633A CN 202111337369 A CN202111337369 A CN 202111337369A CN 113890633 A CN113890633 A CN 113890633A
- Authority
- CN
- China
- Prior art keywords
- underwater acoustic
- communication system
- acoustic communication
- neural network
- deep 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
Images
Classifications
-
- 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
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
- H04L1/0003—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate by switching between different modulation schemes
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于深度神经网络的水声通信体制自适应选取方法,包括:对水声通信的各特征进行量化评分,以构建量化评分表;基于量化评分表对各水声通信体制的各特征进行性能划分,以构建水声通信体制性能划分表;基于量化评分表和水声通信体制性能划分表,构建水声通信体制选取深度神经网络和水声通信体制样本集;基于水声通信体制样本集对水声通信体制选取深度神经网络进行训练;利用训练后的水声通信体制选取深度神经网络进行水声通信体制的选取。该方法基于不同维度对通信体制的选取进行量化建模,以实际试验数据训练深度神经网络并进行通信体制选取,并可将选取结果进一步完善神经网络,减小了盲区同时提高了数据复用性。
Description
技术领域
本发明属于水声通信网络领域,具体来说涉及一种基于深度神经网络的水声通信体制自适应选取方法。
背景技术
水声通信是目前有效的水下远距离无线通信手段之一,广泛应用与海洋观测、警戒探测、安全防卫等领域。目前,水声通信常用的调制解调方式主要包括直接序列扩频(DSSS)通信、正交频分复用(0FDM)通信、单载波相干相移键控(PSK)通信以及多进制频移键控(MFSK)通信等。这些水声通信体制在通信能力、可靠性、隐蔽性等方面具有各自优势,互补性强。不同通信体制的优缺点可简要分析如下:
直接序列扩频(DSSS)通信体制将信息携带在长码序列上,在抗干扰、抗时延多径、抗多普勒上有性能优势,适用于低信噪比的远距离通信场合,缺点是通信速率低,主要用于远距离的指令传输;
正交频分复用(0FDM)通信体制将信息携带在多个并行传输的子载波相位上,通信速率可以很高,缺点是OFDM对多普勒比较敏感,需要的通信信噪比较高,主要用于收发平台较为稳定且没有多普勒突变下的高速通信场合;
单载波相干(PSK)体制将信息携带在载波的相位上,通信速率较高,信号峰平比低,但是性能受限于水声时变多径信道引起的复杂码间干扰,一般用于信道条件较好,即信噪比较高、多普勒有限、时延扩展有限的水声通信信道环境;
多进制频移键控(MFSK)通信体制将信息携带在多个子载波的频带能量上,传输可靠性介于扩频和OFDM体制之间,缺点是通信速率较低,适用于信噪比较低、多普勒较大的低速通信场合;
由上可见,不同的水声通信调制解调方式具有各自的优缺点。在进行具体选取时,需要综合信道的时延扩展、多普勒扩展以及信噪比等进行选取。同时,选取时也需要考虑数据传输的数据率需求以及通信距离等。
在传统的水声通信中,水声通信体制的选取与确定主要来自于对于水声信道的先验知识以及对数据传输的需求。在确定水声通信体制时,需要在通信场合发送信道探针信号,测量实际信道的时延扩展、多普勒扩展以及信噪比等条件,并根据场景的数据传输需求人为确定所采用的水声通信体制。另一方面,以往试验或海试中实际水声信道条件下的水声通信体制选取结果没有充分提炼其在时延扩展、多普勒扩展以及信噪比等不同选取维度上的指导价值,数据未经充分挖掘,对于其他场景下的通信体制选取也无法发挥指导作用。此外,在实际的水声通信过程中,节点之间通过握手交互建立通信链路,即如果A节点需要向B节点发送信息,则A节点首先发送请求发送信息,待B节点回复允许发送信息后,A节点再进行数据信息发送。
深度神经网络是当前机器学习领域中的一个热点,应用十分广泛。深度神经网络通过采用具有输入层、隐藏层、输出层的分层神经网络架构,以较少的参数表示复杂的选取过程,实现针对不同对象的选取。同时,采用深度神经网络也可以减小采用传统的二分方法所产生的盲区。
综上可见,针对实际工程场景下水声通信体制的选取问题,如何从以往实际水声通信中获取通信体制选取的先验知识,并在实际场景下结合信道时延扩展、多普勒扩展、信噪比等物理因素,以及通信业务的数据传输需求、通信距离等条件,优化选取水声通信体制,已成为水声通信领域技术人员一个迫切需要解决的重要问题。
发明内容
本发明的目的之一在于提供一种基于深度神经网络的水声通信体制自适应选取方法,以解决背景技术中现有的水声通信体制的选取需要依靠技术人员丰富的经验、且现有的水声通信体制的选取没有在多普勒扩展以及信噪比等多个不同维度上进行考虑和挖掘等问题。
为实现上述目的,本发明提供技术方案如下:
一种基于深度神经网络的水声通信体制自适应选取方法,所述方法包括以下步骤:对水声通信的各特征进行量化评分,以构建量化评分表;基于量化评分表对各水声通信体制的各特征进行性能划分,以构建水声通信体制性能划分表;基于量化评分表和水声通信体制性能划分表,构建水声通信体制选取深度神经网络和水声通信体制样本集;基于水声通信体制样本集对水声通信体制选取深度神经网络进行训练;利用训练后的水声通信体制选取深度神经网络进行水声通信体制的选取。
优选地,所述特征包括信噪比、时延、多普勒、数据率及通信距离。
优选地,所述水声通信体制包括单载波相干通信体制、正交频分复用通信体制、直接序列扩频通信体制及多进制频移键控通信体制。
优选地,所述深度神经网络包括依次连接的输入层、隐藏层及输出层,输出层神经元的数量与水声通信的特征数量一致,输出层的神经元数量与水声通信体制的数量一致,隐藏层的激励函数为tanh(),输出层的激励函数为softmax()。
优选地,所述的构建水声通信体制样本集包括以下步骤:获取历史水声通信数据,判断历史水声通信数据的有效性,若有效则则基于量化评分表获取历史水声通信数据的特征值,否则丢弃;基于历史水声通信数据的特征值对历史水声通信数据设置标签,所述标签为至少一水声通信体制;以历史水声通信数据的特征值和对应的标签作为水声通信体质样本,基于若干历史水声通信数据获取水声通信体制样本集。
所述的判断历史水声通信数据的有效性包括:针对水声通信数据的通信体制进行解码,如果解码得到的误比特率小于1.0*10-3,则认为有效;若误比特率大于1.0*10-3,则认为无效。
优选地,基于水声通信体制样本集对水声通信体制选取深度神经网络进行训练为通过交叉熵损失函数计算损失值,以最小化损失值为目标,更新水声通信体制选取深度神经网络的参数。
优选地,通过dropout机制对水声通信体制选取深度神经网络进行训练。
优选地,通过Adam优化算法加速水声通信体制选取深度神经网络的训练。
优选地,还包括反馈步骤:在按照选取的水声通信体制完成水声通信后,对当前水声通信的特征、选取的水声通信体制、当前水声通信的反馈结果构建水声通信体制反馈神经网络。
优选地,基于利用训练后的水声通信体制选取深度神经网络选取的水声通信体制和对应的特征值,构建新样本,以扩充水声通信体制样本集。
与现有技术相比,本发明的有益效果为:
(1)将通信体制的选取建模并量化为在时延、多普勒、信噪比、数据传输速率需求、数据通信距离需求等多个维度的综合优化,针对各种通信体制建立了不同维度的量化评判,以利于后续开展通信体制的选取;
(2)运用深度神经网络,进行通信体制选取,减小了选取盲区,提高了准确性;
(3)充分运用以往的水声通信数据的先验知识进行深度神经网络的训练,以指导的当次实际通信体制的选取,同时将当次实际水声通信体制的选取结果进行反馈,以进一步提升深度神经网络的选取精确度;
附图说明
图1为本发明的基于深度神经网络的水声通信体制自适应选取方法的流程图。
图2为水声通信特征的量化评分表。
图3为水声通信体制性能划分表。
图4为隐藏层激活函数tash(x)示意图。
图5为水声通信体制选取深度神经网络的训练流程图。
具体实施方式
下面将结合附图,对本发明的技术方案做进一步解释,本发明要求保护的技术方案包括但不限于该实施例记载的内容。
图1为本发明的基于深度神经网络的水声通信体制自适应选取方法的流程图,参照图1,一种基于深度神经网络的水声通信体制自适应选取方法,具体包括6个子步骤。
步骤1:对水声通信的信噪比、时延、多普勒、数据率以及通信距离进行量化评分,以构建量化评分表以构建量化评分表。
参照图2,本实施例对信噪比、时延、多普勒、数据率以及通信距离这5个特征分别进行了1-10分的划分,涵盖了不同的状况。以信噪比(SSR)为例,该信噪比(SSR)的评分标准为:如果某种通信体制在信噪比(SSR)大于20dB的情况下能完成通信,则量化为1-2分;如果某种通信在10dB<SSR<20dB的情况下能完成通信,则量化为3-4分;在0dB<SSR<10dB的情况下能完成通信,则量化为5-6分;在-10dB<SSR<0dB的情况下能完成通信,则量化为7-8分;在SSR<-10dB的情况下能完成通信,则量化为9-10分。即在信噪比越低的情况下能完成通信,则量化评价越高。时延、多普勒的量化评价与信噪比(SSR)的量化评价方法相似,但其是在时延或者多普勒绝对值越大的情况下仍能完成水声通信,则量化评价越高。针对数据率与通信距离的量化评价,量化评价标准是通信体制能达到的数据率越大或通信距离越大,则量化分值越高。
步骤2:对单载波相干通信体制、正交频分复用通信体制、直接序列扩频通信体制、多进制频移键控通信体制进行性能划分,以构建不同通信体制在信噪比、时延、多普勒、数据率及通信距离等特征维度上的性能划分表。
本发明中,对任一水声通信体制,当通信体制算法固化后,依据以往实际水声通信的先验知识衡量其在符合用户误码率需求的前提下所需的最低信噪比,能克服的最大时延与最大多普勒,以及可达到的最大数据率以及最远通信距离,并以此进行性能划分。参照图2,以扩频通信体制为例,结合历史水声通信数据可知,扩频可以在信噪比(SSR)小于-10dB、时延大于40ms、多普勒绝对值小于4m/s信道下稳定通信,因此该直接序列扩频通信体制下的信噪比量化评分为9-10、时延量化评分为9-10分、多普勒的量化评分为7-8分;此外,直接序列扩频通信体制的数据率在几十bps,通信距离可达到10km,因此该扩频通信体制的数据量化评分为3-4分、通信距离量化评分为9-10分。
步骤3:基于量化评分表和水声通信体制性能划分表,构建水声通信体制选取深度神经网络和水声通信体制样本集。
构建的水声通信体制选取深度神经网络包括依次连接的输入层、隐藏层及输出层,输出层神经元的数量与水声通信的特征数量一致;隐藏层的神经元不与外界直接相连,但隐藏层的状态影响着输入输出之间的关系,对本发明的深度神经网络的性能起到重要作用。隐藏层的激励函数为tanh(),隐藏层激励函数的作用主要是在输入层的线性化量化分值中引入非线性因素,从而将多个线性输入转化为非线性输出;输出层的功能是输出选取结果,该输出层的神经元数量与水声通信体制的数量一致,输出层的激励函数为softmax()。
在该实施例中,输入层主要由信噪比、时延、多普勒、数据率、通信距离这五个维度的神经元构成。将水声通信的信道在信噪比、时延、多普勒、数据率以及通信距离上的特征值(量化分值),作为输入进入神经元网络,并与输入神经元一一对应。隐藏层包括依次连接的第一隐藏层和第二隐藏层,第一隐藏层、第二隐藏层的激励函数均为tanh双曲线函数,表达式如下所示:
该激励函数变化曲线如图4所示。相对于常用的sigmoid( )等其他激励函数,tanh( )函数的特点是计算量较大,但由于其均值为0,能产生较大的区分度。在水声通信中,信噪比、时延、多普勒等信道实际物理性质往往不具备很强的特征区分性,所以本发明选择tanh()作为隐藏层的激励函数。
输出层主要由单载波相干通信体制、正交频分复用通信体制、直接序列扩频通信体制、多进制频移键控通信体制这4个维度的神经元构成,选用softmax选取器进行不同通信体制的优化选取。在输出层进行判决前,Softmax选取器将各个通信体制的输出结果映射到(0,1)区间内,可以看成是选择单载波相干通信体制(DSSS)、正交频分复用通信体制(0FDM)、直接序列扩频通信体制(PSK)、多进制频移键控通信体制(MFSK)等不同通信体制的概率,将选取概率最大的作为预测目标。Softmax函数公式为其中,K表示要预测的水声通信体制的数量,K=4,对应四种通信体制;j≤4。σ(z)j表示输出层中第j个神经元的输出,也即第j个通信体制的预测概率;起到正则归一化的作用,作用是使得假设输出层的输入为z,则这个输入数据选取为某一种通信体制的概率如下所示:
水声通信体制样本集的构建具体包括以下子步骤:
获取历史水声通信数据,判断历史水声通信数据的有效性,若有效则基于量化评分表获取历史水声通信数据的特征值(量化分值),否则丢弃。
所述的判断历史水声通信数据的有效性为:针对水声通信数据的通信体制进行解码,如果解码得到的误比特率小于1.0*10-3,则认为有效;若误比特率大于1.0*10-3,则认为无效。
所述的获取历史水声通信数据的特征值为,根据信道探针信号的探查结果,测量得到信噪比、时延、多普勒,并结合当次实际水声通信的数据率与通信距离,在量化评分表上查询获取上述五项指标的具体分值区间,也即量化分值。
基于历史水声通信数据的特征值(量化分值)对历史水声通信数据设置标签,所述标签为至少一水声通信体制,具体来说为PSK,OFDM,DSSS,MFSK。
以历史水声通信数据的5个特征值和对应的标签作为水声通信体质样本,基于若干历史水声通信数据获取水声通信体制样本集。
步骤4:基于水声通信体制样本集对水声通信体制选取深度神经网络进行训练,包括以下子步骤:
步骤401:预设最大迭代次数Max、样本总数M,并令当前迭代次数Iter=1;
步骤402:从第一个隐藏层(s=2)开始读入第i个样本;
步骤403:判断当前层数s等于输入总层数S,若是,执行步骤404,否则前向计算每个神经元输出后,当前层数加1并重复步骤403;
步骤404:通过损失函数计算最后一层的输出误差;
步骤405:从最后一层(s=S)开始反向传播,分别计算每层各神经元的损失,直到层数s=2;
步骤406:将步骤402中的数据样本数i加1,重复执行步骤403至405,直到样本数i大于样本总数M时执行步骤407;
步骤407:从s=2层起更新每一层的权重W和偏置b,更新完成后迭代次数Iter加1;
步骤408:若迭代次数Iter小于或等于Max,重复执行步骤402至步骤407;若迭代次数Iter大于Max,执行步骤409;
步骤409:输出各层的权重W和偏置系数b,完成训练过程。
本发明步骤404中,损失函数的作用是用来评价本发明所构建的输出选取器的性能。在神经网络的训练过程中,通过将决策函数输出的选取信息与训练数据真实的通信体制选取结果相比较,评价预测的各水声通信体制的概率与真实结果之间的差异,从而提升训练性能。本实施例选取交叉熵损失函数与softmax选取器结合使用,用于水声通信体制的多选取问题。交叉熵损失函数的计算公式为:
式中,α表示输出神经元的标号,y_predictedα表示通过softmax获得的第α个输出神经元输出的预测概率值,yα表示与第α个输出神经元对应的水声通信体制的真实概率值,n表示输出层中输出神经元的总数,本实施例中,n=4。
进一步地,利用暂时丢弃神经元的方法(dropout机制)抑制水声通信体制选取深度神经网络的过拟合训练。具体来说,在训练时,在预设的可采用dropout机制的隐藏层中以概率p为依据,舍弃小于概率p的神经元,即每个神经元都有同样的概率被舍弃,并以概率q=1-p保留其他神经元,每个被舍弃的神经元的输出都设置为零。本发明在训练时对水声通信体制选取深度神经网络进行整体训练,并平均全部样本的训练结果。
进一步地,本发明通过梯度优化算法对权值进行更新,以加快训练过程中的收敛速度,从而减少对于计算资源、样本集的资源消耗。梯度优化算法在训练过程中指定权值的调整方式以及调整范围,最终达到权值最优,损失函数最小。该实施例中选取了Adam优化算法,简要步骤如下:
步骤4-1:指定步长ε,衰减因子β1和β2,常数δ和学习率η,其中,0<β1,β2<1,δ在10-8量级;
步骤4-2:初始化参数θ,一阶和二阶矩变量m=0,v=0,初始化时间步t=0,损失函数L;这里的参数θ为权值的集合;
步骤4-3:从水声通信体制样本集中取小批量样本,假设包含m个样本{(x(1),y(1)),(x(2),y(2)),...,(x(i),y(i)),...,(x(m),y(m))},x(i)表示第i个样本的输入,y(i)表示第i个样本的目标输出,计算梯度如下式所示:
步骤4-4:更新有偏一阶矩估计mt如下式所示:
mt=β1mt-1+(1-β1)gt,
这有助于摆脱训练过程中的参数无序移动,加速学习过程,同时解决局部最优问题;
步骤4-5:更新有偏二阶矩估计vt如下式所示:
步骤4-7:更新θ:
步骤5:利用训练后的水声通信体制选取深度神经网络进行水声通信体制的选取。
完成训练后,开始进入选取模式。在实际水声通信信道下,发射信道探针信号获取实际通信场景下的时延、多普勒、信噪比等信息,再结合通信应用对数据率、通信距离的需求,进行量化,将上述五个维度的量化结果输入水声通信体制选取深度神经网络,得到该水声通信实际场景下的最优调制解调方式的选取输出。
步骤6:在按照选取的水声通信体制完成水声通信后,对当前水声通信的特征、选取的水声通信体制、当前水声通信的反馈结果构建水声通信体制反馈神经网络,以提升网络性能;或者,
也可基于利用训练后的水声通信体制选取深度神经网络选取的水声通信体制和对应的特征值,构建新样本,以扩充水声通信体制样本集,以优化水声通信体制选取深度神经网络。
Claims (10)
1.一种基于深度神经网络的水声通信体制自适应选取方法,其特征在于,所述方法包括以下步骤:
对水声通信的各特征进行量化评分,以构建量化评分表;
基于量化评分表对各水声通信体制的各特征进行性能划分,以构建水声通信体制性能划分表;
基于量化评分表和水声通信体制性能划分表,构建水声通信体制选取深度神经网络和水声通信体制样本集;
基于水声通信体制样本集对水声通信体制选取深度神经网络进行训练;
利用训练后的水声通信体制选取深度神经网络进行水声通信体制的选取。
2.如权利要求1所述的一种基于深度神经网络的水声通信体制自适应选取方法,其特征在于,所述特征包括信噪比、时延、多普勒、数据率及通信距离。
3.如权利要求1所述的一种基于深度神经网络的水声通信体制自适应选取方法,其特征在于,所述水声通信体制包括单载波相干通信体制、正交频分复用通信体制、直接序列扩频通信体制及多进制频移键控通信体制。
4.如权利要求1所述的一种基于水声通信体制自适应选取方法,其特征在于,所述深度神经网络包括依次连接的输入层、隐藏层及输出层,输出层神经元的数量与水声通信的特征数量一致,输出层的神经元数量与水声通信体制的数量一致,隐藏层的激励函数为tanh(),输出层的激励函数为softmax()。
5.如权利要求1所述的一种基于水声通信体制自适应选取方法,其特征在于,所述的构建水声通信体制样本集包括以下步骤:
获取历史水声通信数据,判断历史水声通信数据的有效性,若有效则基于量化评分表获取历史水声通信数据的特征值,否则丢弃;
基于历史水声通信数据的特征值对历史水声通信数据设置标签,所述标签为至少一水声通信体制;
以历史水声通信数据的特征值和对应的标签作为水声通信体质样本,基于若干历史水声通信数据获取水声通信体制样本集;
所述的判断历史水声通信数据的有效性包括:
针对水声通信数据的通信体制进行解码,如果解码得到的误比特率小于1.0*10-3,则认为有效;若误比特率大于1.0*10-3,则认为无效。
6.如权利要求1所述的一种基于水声通信体制自适应选取方法,其特征在于,基于水声通信体制样本集对水声通信体制选取深度神经网络进行训练为通过交叉熵损失函数计算损失值,以最小化损失值为目标,更新水声通信体制选取深度神经网络的参数。
7.如权利要求6所述的一种基于水声通信体制自适应选取方法,其特征在于,通过dropout机制对水声通信体制选取深度神经网络进行训练。
8.如权利要求6所述的一种基于水声通信体制自适应选取方法,其特征在于,通过Adam优化算法加速水声通信体制选取深度神经网络的训练。
9.如权利要求1所述的一种基于水声通信体制自适应选取方法,其特征在于,还包括反馈步骤:在按照选取的水声通信体制完成水声通信后,对当前水声通信的特征、选取的水声通信体制、当前水声通信的反馈结果构建水声通信体制反馈神经网络。
10.如权利要求1-9任一项所述的一种基于水声通信体制的自适应选取方法,其特征在于,基于利用训练后的水声通信体制选取深度神经网络选取的水声通信体制和对应的特征值,构建新样本,以扩充水声通信体制样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111337369.8A CN113890633B (zh) | 2021-11-11 | 2021-11-11 | 一种基于深度神经网络的水声通信体制自适应选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111337369.8A CN113890633B (zh) | 2021-11-11 | 2021-11-11 | 一种基于深度神经网络的水声通信体制自适应选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113890633A true CN113890633A (zh) | 2022-01-04 |
CN113890633B CN113890633B (zh) | 2023-10-20 |
Family
ID=79017351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111337369.8A Active CN113890633B (zh) | 2021-11-11 | 2021-11-11 | 一种基于深度神经网络的水声通信体制自适应选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113890633B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117219125A (zh) * | 2023-11-07 | 2023-12-12 | 青岛科技大学 | 基于音频指纹的仿海洋哺乳动物叫声信号隐蔽性评分方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111431831A (zh) * | 2020-03-20 | 2020-07-17 | 厦门大学 | 一种基于多维ofdm环境自适应调制方法和系统 |
CN111786724A (zh) * | 2020-06-30 | 2020-10-16 | 中山大学 | 基于深度学习的多波长led水下可见光通信调制方法 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN112508172A (zh) * | 2020-11-23 | 2021-03-16 | 北京邮电大学 | 基于q学习和srnn模型的航天测控自适应调制方法 |
CN113452420A (zh) * | 2021-06-25 | 2021-09-28 | 东南大学 | 一种基于深度神经网络的mimo信号检测方法 |
CN113595950A (zh) * | 2021-06-29 | 2021-11-02 | 中国船舶重工集团公司第七一五研究所 | 一种多体制水声通信网络的信号兼容方法 |
-
2021
- 2021-11-11 CN CN202111337369.8A patent/CN113890633B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN111431831A (zh) * | 2020-03-20 | 2020-07-17 | 厦门大学 | 一种基于多维ofdm环境自适应调制方法和系统 |
CN111786724A (zh) * | 2020-06-30 | 2020-10-16 | 中山大学 | 基于深度学习的多波长led水下可见光通信调制方法 |
CN112508172A (zh) * | 2020-11-23 | 2021-03-16 | 北京邮电大学 | 基于q学习和srnn模型的航天测控自适应调制方法 |
CN113452420A (zh) * | 2021-06-25 | 2021-09-28 | 东南大学 | 一种基于深度神经网络的mimo信号检测方法 |
CN113595950A (zh) * | 2021-06-29 | 2021-11-02 | 中国船舶重工集团公司第七一五研究所 | 一种多体制水声通信网络的信号兼容方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117219125A (zh) * | 2023-11-07 | 2023-12-12 | 青岛科技大学 | 基于音频指纹的仿海洋哺乳动物叫声信号隐蔽性评分方法 |
CN117219125B (zh) * | 2023-11-07 | 2024-01-30 | 青岛科技大学 | 基于音频指纹的仿海洋哺乳动物叫声信号隐蔽性评分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113890633B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109510676B (zh) | 一种基于量子计算的无线信道预测方法 | |
CN112311706B (zh) | 基于贝叶斯神经网络信道预测的频分双工下行传输方法 | |
CN109195214B (zh) | 一种基于遗传算法的noma功率分配方法 | |
CN111884976B (zh) | 基于神经网络的信道插值方法 | |
CN105071858B (zh) | 一种光纤通信系统中的色散估计方法 | |
CN111464469B (zh) | 基于神经网络的混合数字调制方式识别方法 | |
CN112182961B (zh) | 一种换流站无线网络信道大尺度衰落建模预测方法 | |
CN112468230B (zh) | 一种基于深度学习的无线紫外光散射信道估计方法 | |
CN113315593A (zh) | 一种基于flom协方差矩阵和lstm神经网络的频谱感知算法 | |
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 | |
CN112905436B (zh) | 一种面向复杂软件的质量评估预测方法 | |
Zhang et al. | Deep Deterministic Policy Gradient for End-to-End Communication Systems without Prior Channel Knowledge | |
CN113453257A (zh) | 无线通信网络性能优化方法及装置 | |
CN111510232B (zh) | 一种基于神经网络的车联网组合频谱感知方法及其应用 | |
Yang et al. | Energy scheduling for DoS attack over multi-hop networks: Deep reinforcement learning approach | |
CN116528344A (zh) | 一种基于动态博弈的联邦学习激励方法 | |
CN103795436B (zh) | 基于量子Hopfield神经网络和量子鱼群算法的鲁棒多用户检测方法 | |
CN115987406A (zh) | 一种基于深度强化学习的水声通信链路自适应方法 | |
CN114337881B (zh) | 基于多无人机分布式与lms的无线频谱智能感知方法 | |
CN102055540B (zh) | 基于尼曼皮尔森准则下的噪声增强分布式检测方法及系统 | |
Zhu et al. | Application of machine learning in wireless communications | |
Javanmardi et al. | Wireless channel prediction using artificial intelligence with constrained data sets | |
CN114157544B (zh) | 基于卷积神经网络的帧同步方法、设备及介质 | |
CN111479258A (zh) | 一种用户划分的方法和设备 | |
CN115001986B (zh) | 基于新能源控制plc通信时延与中断概率估计方法 |
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 |