CN114330441A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114330441A CN114330441A CN202111628863.XA CN202111628863A CN114330441A CN 114330441 A CN114330441 A CN 114330441A CN 202111628863 A CN202111628863 A CN 202111628863A CN 114330441 A CN114330441 A CN 114330441A
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- janus
- frequency
- transfer learning
- 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.)
- Pending
Links
- 238000013526 transfer learning Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001228 spectrum Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 54
- 230000001360 synchronised effect Effects 0.000 claims abstract description 36
- 230000006835 compression Effects 0.000 claims abstract description 32
- 238000007906 compression Methods 0.000 claims abstract description 32
- 230000009466 transformation Effects 0.000 claims abstract description 31
- 230000005236 sound signal Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 24
- 238000013508 migration Methods 0.000 claims description 17
- 230000005012 migration Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000005562 fading Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008707 rearrangement Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明给出了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,包括接收到通过水声信道进行传输后的水声信号,基于JANUS信号的前导信号的特征在水声信号中判断可能包含JANUS信号的前导信号的时间段,并对这些时间段的信号进行截取;对截取到的信号作分数低阶傅里叶同步压缩变换,将变换得到的时频图像数据构成时频图像集;构建迁移学习网络,将互联网上通用的数据集输入迁移学习网络,基于数据集对迁移学习网络进行预训练获得训练模型,再将时频图像集输入训练模型进行识别,从而识别出JANUS信号。本发明能够更好地抑制脉冲噪声,在低信噪比的水声环境中能够抑制脉冲噪声并减小多径效应带来的影响,提高了识别率。
Description
技术领域
本发明涉及水声信号识别技术领域,尤其是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。
背景技术
水声信号识别在水声通信对抗中具有关键性作用。早期主要通过听音识别区分信号,随着信息技术的发展,设备辅助的水声信号识别方法相继出现,主要有基于瞬时特征、高阶循环累积量和基于频谱相关法的水声信号识别方法,这些算法多为单一的时域或频域特征识别,不适用于浅海非平稳信号;为此,相关研究提出的基于时频分析和小波变换的水声信号识别方法,能够融合时域和频域特征,可以获得比单一的时域或频域特征更好的识别效果,而传统的时频变换方法如短时傅里叶变换(short-time Fourier transform,STFT)无法同时增强时频分辨率,另外,这类方法通常需要获取调制参数(如载波频率、初始相位)等作为先验信息,而浅海复杂的水声环境使调制参数获取困难。
近年来,神经网络使水声信号的盲识别得到发展,出现了基于深度学习的信号识别模型,但大多研究所设仿真环境是理想的多径衰落和高斯白噪声信道,然而实际浅海脉冲噪声符合Alpha稳定分布,其非高斯性使以高斯白噪声为背景的识别方法性能大幅下降。此外,现有方法识别对象通常为常见的民用水声个体信号,针对普及率较高的水声协议信号如北约海事研究中心提出的基于跳频二进制频移键控调制(FH-BFSK)的物理编码标准JANUS,在低信噪比下并无有效的识别方法。
研究表明,分数低阶距思想已被广泛用于非高斯噪声信号处理,而深度学习新方法的快速发展也为水声协议信号辨识提供了新的思路,现有研究已将自然图像识别模型迁移至时频图像识别领域。此外,残差网络的发展与应用使得学习算法能够在降低网络复杂度的同时,解决深度网络的退化问题。当前,较新的残差神经网络ResNet18(ResidualNetwork 18)在ImageNet数据集上的微调模型已经取得快速进展,实验表明,在小样本条件下的水声信号识别中比其他主流网络如AlexNet(Alex’s Network)、Vgg11(VisualGeometry Group 11)、Inception v3的信号识别更有优势,对目标域泛化能力强,因此,在基于时频模态的信号辨识中具有较大潜力。
针对JANUS信号在脉冲噪声、多径效应的复杂水声环境中识别率低下的问题,本发明提出了基于分数低阶时频谱与迁移学习网络的水声JANUS信号识别方法与系统。
发明内容
本发明提出了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,以解决上文提到的现有技术的缺陷。
在一个方面,本发明提出了一种基于时频谱和迁移学习的水声JANUS信号识别方法,该方法包括以下步骤:
S1:接收到通过水声信道进行传输后的水声信号,基于JANUS信号的前导信号的特征在所述水声信号中判断可能包含JANUS信号的前导信号的时间段,并对这些时间段的信号进行截取;
S2:对截取到的信号作分数低阶傅里叶同步压缩变换,将变换得到的时频图像数据构成时频图像集;
S3:构建迁移学习网络,将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络进行预训练获得训练模型,再将所述时频图像集输入所述训练模型进行识别,从而识别出JANUS信号。
以上方法首先引入分数低阶傅里叶同步压缩变换的脉冲噪声抑制方法,一方面,通过添加低阶算子,解决高斯噪声背景下信号识别效果不理想的问题;另一方面,聚焦时频特征能量,为神经网络展示更多的信号信息;其次,微调迁移学习网络,选取合适的预训练模型参数,设计迁移识别框架;第三,结合迁移学习策略,将目标信号与其他水声信号的时频图像输入模型识别,有效地减小了多径效应引起的频率选择性衰落影响。本发明所提算法相比传统方法,能够抑制脉冲噪声,减小多径衰落影响,相对其他主流网络在低信噪比下识别率更高。
在具体的实施例中,所述S2具体包括:
对截取到的信号采取分数低阶算子p作为所述截取到的信号的阶数从而对其进行分数低阶傅里叶变换,获得分数低阶傅立叶变换信号;从而抑制脉冲噪声,
再结合同步压缩变换在频率方向对所述分数低阶傅立叶变换信号的时频谱系数重排到瞬时频率位置,得到分数低阶时频谱;
将所述分数低阶时频谱构成时频图像集。利用分数低阶傅里叶同步压缩变换的分数低阶距,对脉冲噪声有抑制作用,能够有效克服水声环境中非高斯环境带来的信号识别率不高的问题;同时,利用分数低阶傅里叶同步压缩变换中傅里叶同步压缩变换的时频重排特性提高时频分辨率,使时频能量更加聚集,从而结合神经网络,展示更多的特征信息,便于识别。
在具体的实施例中,所述将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络进行预训练获得训练模型,具体包括:
将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络的全连接层进行调节从而使之适应所述时频图像的识别,获得相应的预训练模型参数;
再基于所述预训练模型参数设计迁移识别框架,根据所述迁移识别框架构建出所述迁移学习网络的训练模型。
在具体的实施例中,所述迁移学习网络包括:ResNet18。利用ResNet18的迁移模型,相对于其他几种经典的网络模型更加适合本时频数据集。
在具体的实施例中,所述ResNet18具体包括:
全连接层,所述全连接层中添加Dropout层和LogSoftmax;
对输入所述ResNet18的数据集进行线性变换后,再通过ReLU激活函数后将得到的数据输入所述Dropout层,最后由所述LogSoftmax输出结果;
其中,网络训练中的损失函数采用负对数似然损失函数。
在具体的实施例中,所述基于JANUS信号的前导信号的特征在所述水声信号中判断可能包含JANUS信号的前导信号的时间段,具体包括:
分析JANUS信号的前导信号的特征,从而由跳频索引序列确定所述前导信号的具体子带同时由固定的伪随机比特序列确定所述前导信号的固定跳频频点,再根据所述具体子带以及所述固定跳频频点确定可能包含所述前导信号的时间段;
其中,所述特征包括:频带带宽、中心频率、跳频索引序列位数和伪随机比特序列。
根据本发明的第二方面,提出了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机处理器执行时实施上述方法。
根据本发明的第三方面,提出一种基于时频谱和迁移学习的水声JANUS信号识别系统,该系统包括:
待识别数据截取模块:配置用于接收到通过水声信道进行传输后的水声信号,基于JANUS信号的前导信号的特征在所述水声信号中判断可能包含JANUS信号的前导信号的时间段,并对这些时间段的信号进行截取;
分数低阶傅里叶同步压缩变换模块:配置用于对截取到的信号作分数低阶傅里叶同步压缩变换,将变换得到的时频图像数据构成时频图像集;
迁移学习识别模块:配置用于构建迁移学习网络,将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络进行预训练获得训练模型,再将所述时频图像集输入所述训练模型进行识别,从而识别出JANUS信号。
本发明接收到通过水声信道进行传输后的水声信号,基于JANUS信号的前导信号的特征在所述水声信号中判断可能包含JANUS信号的前导信号的时间段,并对这些时间段的信号进行截取;对截取到的信号作分数低阶傅里叶同步压缩变换,将变换得到的时频图像数据构成时频图像集;构建迁移学习网络,将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络进行预训练获得训练模型,再将所述时频图像集输入所述训练模型进行识别,从而识别出JANUS信号。相比于传统的时频分析方法和其他经典网络模型,本发明能够更好地抑制脉冲噪声,在低信噪比的水声环境中能够抑制脉冲噪声并减小多径效应带来的影响,提高了识别率。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点,因为通过引用以下详细描述,它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明的一个实施例的一种基于时频谱和迁移学习的水声JANUS信号识别方法的流程图;
图2是本发明的一个具体的实施例的JANUS标准信号帧结构图;
图3是本发明的一个具体的实施例的基于分数低阶傅里叶同步压缩变换和ResNet18的JANUS信号识别系统设计图;
图4是本发明的一个具体的实施例的ResNet18微调后的结构图;
图5是本发明的一个具体的实施例的ResNet18全连接层微调结构图;
图6是本发明的一个具体的实施例的基于分数低阶时频模态和ResNet18的JANUS信号识别框图;
图7是本发明的一个具体的实施例的某海域实采水下脉冲噪声波形与概率密度函数图;
图8是本发明的一个具体的实施例的JANUS前导信号基于分数低阶傅里叶同步压缩变换的时频变换图;
图9是本发明的一个具体的实施例的其他水声信号的基于分数低阶傅里叶同步压缩变换的时频变换图;
图10是本发明的一个具体的实施例的网络训练参数表;
图11是本发明的一个具体的实施例的信噪比-10dB下基于分数低阶傅里叶同步压缩变换的信号识别准确率随迭代次数的变化曲线(1101)和混淆矩阵1102);
图12是本发明的一个具体的实施例的不同时频模型的信号迁移学习识别效果对比;
图13是本发明的一个具体的实施例的基于分数低阶傅里叶同步压缩变换的不同网络识别准确率随信噪比变化曲线;
图14是本发明的一个具体的实施例的某海域实验信号识别准确度随迭代次数的变化曲线(1401)与混淆矩阵(1402);
图15是本发明的一个实施例的一种基于时频谱和迁移学习的水声JANUS信号识别系统的框架图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明的一个实施例的一种基于时频谱和迁移学习的水声JANUS信号识别方法,图1示出了根据本发明的实施例的一种基于时频谱和迁移学习的水声JANUS信号识别方法的流程图。如图1所示,该方法包括以下步骤:
S1:接收到通过水声信道进行传输后的水声信号,基于JANUS信号的前导信号的特征在所述水声信号中判断可能包含JANUS信号的前导信号的时间段,并对这些时间段的信号进行截取;
S2:对截取到的信号作分数低阶傅里叶同步压缩变换,将变换得到的时频图像数据构成时频图像集;
S3:构建迁移学习网络,将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络进行预训练获得训练模型,再将所述时频图像集输入所述训练模型进行识别,从而识别出JANUS信号。
在具体的实施例中,所述S2具体包括:
对截取到的信号采取分数低阶算子p作为所述截取到的信号的阶数从而对其进行分数低阶傅里叶变换,获得分数低阶傅立叶变换信号;从而抑制脉冲噪声,
再结合同步压缩变换在频率方向对所述分数低阶傅立叶变换信号的时频谱系数重排到瞬时频率位置,得到分数低阶时频谱;
将所述分数低阶时频谱构成时频图像集。
在具体的实施例中,所述将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络进行预训练获得训练模型,具体包括:
将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络的全连接层进行调节从而使之适应所述时频图像的识别,获得相应的预训练模型参数;
再基于所述预训练模型参数设计迁移识别框架,根据所述迁移识别框架构建出所述迁移学习网络的训练模型。
在具体的实施例中,所述迁移学习网络包括:ResNet18。
在具体的实施例中,所述ResNet18具体包括:
全连接层,所述全连接层中添加Dropout层和LogSoftmax;
对输入所述ResNet18的数据集进行线性变换后,再通过ReLU激活函数后将得到的数据输入所述Dropout层,最后由所述LogSoftmax输出结果;
其中,网络训练中的损失函数采用负对数似然损失函数。
在具体的实施例中,所述基于JANUS信号的前导信号的特征在所述水声信号中判断可能包含JANUS信号的前导信号的时间段,具体包括:
分析JANUS信号的前导信号的特征,从而由跳频索引序列确定所述前导信号的具体子带同时由固定的伪随机比特序列确定所述前导信号的固定跳频频点,再根据所述具体子带以及所述固定跳频频点确定可能包含所述前导信号的时间段;
其中,所述特征包括:频带带宽、中心频率、跳频索引序列位数和伪随机比特序列。
本发明提出基于分数低阶时频谱和迁移学习的水声JANUS信号识别技术,JANUS信号帧结构由唤醒信号、前导信号和主调制信号组成,主调制信号由控制信号和负载信号组成,控制信号涵盖了JANUS协议标准的基本信息,负载由用户自定义,填充部分的短时静音信号为一小段空白,用于与上一个数据帧分离。JANUS前导是固定的伪随机序列,跳频索引和伪随机比特序列决定了前导信号具有固定的跳频频点,本文以前导信号作为识别JANUS信号的有效特征。首先,生成JANUS信号,将其他水声信号设计为LFM信号、BPSK信号、QPSK信号、QFSK信号、子载波为256和512的OFDM信号、5种32跳的随机跳频信号(带宽和中心频率与JANUS信号相同)。其次,将这些信号经过水声通信信道传输后,截取前导信号。第三,由于脉冲噪声所拟合的Alpha分布没有二阶矩,故对接收信号采取分数低阶算子p操作以抑制脉冲噪声,结合傅里叶同步压缩变换设计分数低阶的傅里叶同步压缩变换算法(FLOFSST)对接收信号作时频转换,可以在抑制脉冲噪声的同时,利用其时频重排特性使时频能量聚集,使得时频图三维时频特征种的能量特征明显,经过处理后的分数低阶时频谱能够为神经网络提供更多的信息,使神经网络能够学习更多的知识特征。第四,将ResNet18预训练网络微调,全连接层中添加Dropout层、LogSoftmax,损失函数采用网络训练采用负对数似然损失函数(NLLLoss),将时频数据集输入网络训练,在信噪比为-10dB时,识别率达到96.15%。
为了详细的介绍本发明的内容,下面对一些概念进行阐述或者规定:
描述一:JANUS前导信号调制原理
JANUS前导是固定的伪随机序列,频带带宽与中心频率决定频率集,起始频率为9440Hz,终止频率为13600Hz,包括13个子带,带宽320Hz,每个子带的两个频点间隔为160Hz。前导码由32位跳频索引序列选定具体子带,32位固定伪随机序列选定频点,即{01101011110001001101011110001000}。跳频索引序列是经过迦罗华域代数运算,按照一定规则生成的32位伪随机序列,即:
{2,4,8,3,6,12,11,9,5,10,7,1,6,7,7,12,3,0,2,12,4,6,4,2,10,10,6,8,0,1,6,2},跳频索引和伪随机比特序列决定了前导信号具有固定的跳频频点,通过识别前导信号可有效识别JANUS信号。
定义一:分数低阶傅里叶同步压缩变换(FLOFSST)原理
傅里叶同步压缩变换(Fourier SynchroSqueezing Transform,FSST)是将STFT与同步压缩变换(SynchroSqueezing Transform,SST)结合的方法,旨在锐化STFT的模糊表示。现有文献已证明,通过FSST对多分量信号处理,可以改善水声通信信号的识别效果,它对多分量信号在任意时间和频率上都能精确定位,通过将能量在时频谱的重排特性聚焦时频点能量。设目标信号为y(t),为方便转换,化为多分量形式为:
式(2)中Ak和φk代表瞬时幅度和相位,理想时频表示为:
φ'k(t)表示yk在t时刻的瞬时频率,而STFT定义为:
α稳定分布不存在二阶矩,FLOFSST以分数低阶算子p(0<p<α)作为y(t)的阶数,得到分数低阶STFT(Fractional Lower Order short-time Fourier transform,FLOSTFT):
h(t)为窗函数,窗函数使信号在截取窗内具有平稳特性,其长度决定时频分辨率,SST在频率方向将时频谱系数重排到瞬时频率位置,得到分数阶时频谱FLOSTFTy(t,f),经过SST被分配到新的时频位置,得到的FLOFSST定义为:
是对t求偏导。接收信号是经过信道衰落的多路信号叠加,时频表示实为多路反射信号的混合三维表征,其中能量是频率和时间的二元函数,时频表示能够充分体现瞬时信号的能量波动,增加了特征识别所需的信息量,减小多径衰落造成的影响。针对上述三维表征,采用基于深度神经网络的方法进行识别训练,可更有效地分辨目标信号类别。
基于以上的描述和定义,以下结合更具体的实施例,并参照附图,对本发明做进一步说明。
图2是本发明的一个具体的实施例的JANUS标准信号帧结构图,其协议链路由唤醒信号、前导信号和主调制信号组成,主调制信号由控制信号和负载信号组成,控制信号涵盖了JANUS协议标准的基本信息,负载由用户自定义,填充部分的短时静音信号为一小段空白,用于与上一个数据帧分离。根据3.0版协议规定,JANUS信号的初始化声频带中心频率为Fc=11520Hz,带宽为Bw=4160Hz。前导序列经FH-BFSK调制生成长度为32的前导码片,控制信号和负载分别经过卷积、交织、调制生成144个码片和自定义数量的码片,添加可选择的唤醒信号与填充,形成基带发送信号。
图3是本发明的一个具体的实施例的基于分数低阶傅里叶同步压缩变换和ResNet18的JANUS信号识别系统设计图,其具体实施过程如下:
第一步:JANUS原始信号和其他水声信号输入水声信道传输;
第二步:提取JANUS前导信号;
第三步:将JANUS前导信号等水声信号经过FLOFSST转换为分数低阶时频图形式形成分数低阶时频图像集;
第四步:将预处理得到的分数低阶时频图像集输入微调的ResNet18预训练模型训练;
第五步:输出得到JANUS信号识别结果。
图4是本发明的一个具体的实施例的ResNet18微调后的结构图,可迁移ResNet18网络结构包括17个卷积层和1个全连接层。卷积层与全连接层的权重可依据网络的迁移目的作调整。本方法微调的部分为全连接层,具体微调的结构和步骤如图4。
图5是本发明的一个具体的实施例的ResNet18全连接层微调结构图,首先,线性函数将上层输入大小变换为256,经过ReLU激活函数输入到Dropout层,保留神经元概率为0.6;其次,将输出大小调整为2;由LogSoftmax输出。网络训练采用负对数似然损失函数(NLLLoss),与LogSoftmax结合达到交叉熵损失函数的功能。
图6是本发明的一个具体的实施例的基于分数低阶时频模态和ResNet18的JANUS信号识别框图,图中示出了将FLOFSST的预处理方法与微调的ResNet18结合起来形成的本技术的总体结构图;在本实施例中,数据集使用ImageNet数据集。
图7是本发明的一个具体的实施例的某海域实采水下脉冲噪声波形与概率密度函数图,这是水声信道中基于实测信道中的脉冲噪声所拟合出来的Alpha分布,用来表示脉冲噪声的特征,由α稳态分布拟合得到特征参数α、β、γ与δ的值分别为1.8084、0.3739、0.5831和-0.0545,其概率密度函数相对于高斯噪声表现为拖尾性,在时域上表现为脉冲。
图8是本发明的一个具体的实施例的JANUS前导信号基于分数低阶傅里叶同步压缩变换的时频变换图,由图可知能量值随着时间和频率波动,多径干扰下,同一时刻不同接收信号能量起伏不同,经过能更好地区分信号。
图9是本发明的一个具体的实施例的其他水声信号的基于分数低阶傅里叶同步压缩变换的时频变换图。
图10是本发明的一个具体的实施例的网络训练参数表。
图11是本发明的一个具体的实施例的信噪比-10dB下基于分数低阶傅里叶同步压缩变换的信号识别准确率随迭代次数的变化曲线(1101)和混淆矩阵1102);可以看出,信噪比为-10dB时,模型能够很好的抑制脉冲噪声和减小多径干扰造成的影响,总识别率为96.15%,JANUS信号识别概率为93.90%。
图12是本发明的一个具体的实施例的不同时频模型的信号迁移学习识别效果对比;对比可知FLOFSST识别准确率较FLOSTFT与FSST有明显提升,由此得出,相较FSST,FLOFSST通过分数低阶时频谱能够有效抑制脉冲噪声,识别率增加6.4%;相较FLOSTFT,FLOFSST的时频重排特性能有效增强时频分辨率和增大能量值,在多径干扰下,信号在时频域上的特征更明显,识别率增加1.9%。
图13是本发明的一个具体的实施例的基于分数低阶傅里叶同步压缩变换的不同网络识别准确率随信噪比变化曲线;基于FLOFSST方法,对不同神经网络迁移识别模型验证,其识别率随信噪比的变化曲线为图13。从图13可以看出,信噪比为0dB时,各个网络识别率均接近96%,Inception v3接近100%,而低信噪比下,ResNet18的识别性能要远好于其他网络,证明ResNet18更适合对JANUS信号的识别。
图14是本发明的一个具体的实施例的某海域实验信号识别准确度随迭代次数的变化曲线(1401)与混淆矩阵(1402);可以看出本发明提出的FLOFSST结合ResNet18的识别方法适用于实际浅海环境下的JANUS信号辨识。
以上内容是具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式局限于这些说明,本发明以对水声JANUS信号识别展开,而对于其他系统中水声JANUS信号识别研究,以及利用分数低阶时频谱的迁移学习进行水声JANUS信号识别,在不脱离本发明构思的前提下,做出若干简单的推演或替换,都应当属于本发明的保护范围。
图15示出了本发明的一个实施例的一种基于时频谱和迁移学习的水声JANUS信号识别系统的框架图。该系统包括待识别数据截取模块1501、分数低阶傅里叶同步压缩变换模块1502和迁移学习识别模块1503。
在具体的实施例中,待识别数据截取模块1501被配置用于接收到通过水声信道进行传输后的水声信号,基于JANUS信号的前导信号的特征在所述水声信号中判断可能包含JANUS信号的前导信号的时间段,并对这些时间段的信号进行截取;
分数低阶傅里叶同步压缩变换模块1502被配置用于对截取到的信号作分数低阶傅里叶同步压缩变换,将变换得到的时频图像数据构成时频图像集;
迁移学习识别模块1503被配置用于构建迁移学习网络,将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络进行预训练获得训练模型,再将所述时频图像集输入所述训练模型进行识别,从而识别出JANUS信号。
本系统接收到通过水声信道进行传输后的水声信号,基于JANUS信号的前导信号的特征在所述水声信号中判断可能包含JANUS信号的前导信号的时间段,并对这些时间段的信号进行截取;对截取到的信号作分数低阶傅里叶同步压缩变换,将变换得到的时频图像数据构成时频图像集;构建迁移学习网络,将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络进行预训练获得训练模型,再将所述时频图像集输入所述训练模型进行识别,从而识别出JANUS信号。相比于传统的时频分析方法和其他经典网络模型,本发明能够更好地抑制脉冲噪声,在低信噪比的水声环境中能够抑制脉冲噪声并减小多径效应带来的影响,提高了识别率。
本发明的实施例还涉及一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机处理器执行时实施上文中的方法。该计算机程序包含用于执行流程图所示的方法的程序代码。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。
本发明接收到通过水声信道进行传输后的水声信号,基于JANUS信号的前导信号的特征在所述水声信号中判断可能包含JANUS信号的前导信号的时间段,并对这些时间段的信号进行截取;对截取到的信号作分数低阶傅里叶同步压缩变换,将变换得到的时频图像数据构成时频图像集;构建迁移学习网络,将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络进行预训练获得训练模型,再将所述时频图像集输入所述训练模型进行识别,从而识别出JANUS信号。相比于传统的时频分析方法和其他经典网络模型,本发明能够更好地抑制脉冲噪声,在低信噪比的水声环境中能够抑制脉冲噪声并减小多径效应带来的影响,提高了识别率。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种基于时频谱和迁移学习的水声JANUS信号识别方法,其特征在于,包括以下步骤:
S1:接收到通过水声信道进行传输后的水声信号,基于JANUS信号的前导信号的特征在所述水声信号中判断可能包含JANUS信号的前导信号的时间段,并对这些时间段的信号进行截取;
S2:对截取到的信号作分数低阶傅里叶同步压缩变换,将变换得到的时频图像数据构成时频图像集;
S3:构建迁移学习网络,将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络进行预训练获得训练模型,再将所述时频图像集输入所述训练模型进行识别,从而识别出JANUS信号。
2.根据权利要求1所述的方法,其特征在于,所述S2具体包括:
对截取到的信号采取分数低阶算子p作为所述截取到的信号的阶数从而对其进行分数低阶傅里叶变换,获得分数低阶傅立叶变换信号;
再结合同步压缩变换在频率方向对所述分数低阶傅立叶变换信号的时频谱系数重排到瞬时频率位置,得到分数低阶时频谱;
将所述分数低阶时频谱构成时频图像集。
3.根据权利要求1所述的方法,其特征在于,所述将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络进行预训练获得训练模型,具体包括:
将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络的全连接层进行调节从而使之适应所述时频图像的识别,获得相应的预训练模型参数;
再基于所述预训练模型参数设计迁移识别框架,根据所述迁移识别框架构建出所述迁移学习网络的训练模型。
4.根据权利要求1所述的方法,其特征在于,所述迁移学习网络包括:ResNet18。
5.根据权利要求4所述的方法,其特征在于,所述ResNet18具体包括:
全连接层,所述全连接层中添加Dropout层和LogSoftmax;
对输入所述ResNet18的数据集进行线性变换后,再通过ReLU激活函数后将得到的数据输入所述Dropout层,最后由所述LogSoftmax输出结果;
其中,网络训练中的损失函数采用负对数似然损失函数。
6.根据权利要求1所述的方法,其特征在于,所述基于JANUS信号的前导信号的特征在所述水声信号中判断可能包含JANUS信号的前导信号的时间段,具体包括:
分析JANUS信号的前导信号的特征,从而由跳频索引序列确定所述前导信号的具体子带同时由固定的伪随机比特序列确定所述前导信号的固定跳频频点,再根据所述具体子带以及所述固定跳频频点确定可能包含所述前导信号的时间段;
其中,所述特征包括:频带带宽、中心频率、跳频索引序列位数和伪随机比特序列。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被计算机处理器执行时实施权利要求1至6中任一项所述的方法。
8.一种基于时频谱和迁移学习的水声JANUS信号识别系统,其特征在于,包括:
待识别数据截取模块:配置用于接收到通过水声信道进行传输后的水声信号,基于JANUS信号的前导信号的特征在所述水声信号中判断可能包含JANUS信号的前导信号的时间段,并对这些时间段的信号进行截取;
分数低阶傅里叶同步压缩变换模块:配置用于对截取到的信号作分数低阶傅里叶同步压缩变换,将变换得到的时频图像数据构成时频图像集;
迁移学习识别模块:配置用于构建迁移学习网络,将互联网上通用的数据集输入所述迁移学习网络,基于所述数据集对所述迁移学习网络进行预训练获得训练模型,再将所述时频图像集输入所述训练模型进行识别,从而识别出JANUS信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111628863.XA CN114330441A (zh) | 2021-12-28 | 2021-12-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111628863.XA CN114330441A (zh) | 2021-12-28 | 2021-12-28 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330441A true CN114330441A (zh) | 2022-04-12 |
Family
ID=81015785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111628863.XA Pending CN114330441A (zh) | 2021-12-28 | 2021-12-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330441A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114785379A (zh) * | 2022-06-02 | 2022-07-22 | 厦门大学马来西亚分校 | 一种水声janus信号参数估计方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
KR20190110939A (ko) * | 2018-03-21 | 2019-10-01 | 한국과학기술원 | 합성곱 신경망 기반 환경음 인식 방법 및 시스템 |
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 |
CN113780242A (zh) * | 2021-09-30 | 2021-12-10 | 中国电子科技集团公司第五十四研究所 | 一种基于模型迁移学习的跨场景水声目标分类方法 |
-
2021
- 2021-12-28 CN CN202111628863.XA patent/CN114330441A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190110939A (ko) * | 2018-03-21 | 2019-10-01 | 한국과학기술원 | 합성곱 신경망 기반 환경음 인식 방법 및 시스템 |
CN108805039A (zh) * | 2018-04-17 | 2018-11-13 | 哈尔滨工程大学 | 联合熵与预训练cnn提取时频图像特征的调制识别方法 |
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 |
CN113780242A (zh) * | 2021-09-30 | 2021-12-10 | 中国电子科技集团公司第五十四研究所 | 一种基于模型迁移学习的跨场景水声目标分类方法 |
Non-Patent Citations (1)
Title |
---|
邓晋;潘安迪;肖川;刘姗琪;: "基于迁移学习的水声目标识别", 计算机系统应用, no. 10, 13 October 2020 (2020-10-13), pages 259 - 265 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114785379A (zh) * | 2022-06-02 | 2022-07-22 | 厦门大学马来西亚分校 | 一种水声janus信号参数估计方法及系统 |
CN114785379B (zh) * | 2022-06-02 | 2023-09-22 | 厦门大学马来西亚分校 | 一种水声janus信号参数估计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109274621B (zh) | 基于深度残差网络的通信协议信号识别方法 | |
Preisig | Performance analysis of adaptive equalization for coherent acoustic communications in the time-varying ocean environment | |
CN102724147B (zh) | 一种水声正交频分复用的信道估计方法 | |
CN112466320B (zh) | 一种基于生成对抗网络的水声信号降噪方法 | |
US20130177089A1 (en) | Method of performing peak reduction and clipping mitigation | |
Liu et al. | Covert underwater acoustic communication using whale noise masking on DSSS signal | |
CN108933611A (zh) | 基于环境感知的噪声隐蔽水声通信方法及相应装置 | |
CN113298846B (zh) | 基于时频语义感知的干扰智能检测方法 | |
CN109729035A (zh) | 一种正交频分复用技术通信系统中的脉冲噪声抑制方法 | |
CN111562597A (zh) | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 | |
CN114330441A (zh) | 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 | |
CN115250216A (zh) | 一种基于深度学习的水声ofdm联合信道估计和信号检测方法 | |
CN110751049B (zh) | 一种面向信号采样梯度攻击的防御方法 | |
Zhang et al. | Deep learning based underwater acoustic OFDM receiver with joint channel estimation and signal detection | |
CN113569773A (zh) | 基于知识图谱和Softmax回归的干扰信号识别方法 | |
Liu et al. | Deep transfer learning-based variable Doppler underwater acoustic communications | |
CN115065578B (zh) | 一种基于改进自适应阈值的dft信道估计方法 | |
CN107635181B (zh) | 一种基于信道学习的多址感知源反馈优化方法 | |
CN106910508B (zh) | 一种仿海洋打桩声源的隐蔽水声通信方法 | |
CN114884780B (zh) | 基于被动时间反转镜的水声通信信号调制识别方法及装置 | |
CN106506425B (zh) | 一种基于误码累积检测的水声ofdm通信系统中部分传输序列峰均比抑制算法 | |
Jiang et al. | Modulation recognition of underwater acoustic communication signals based on data transfer | |
US8374229B2 (en) | Method for the detection and generation of a useful signal and associated devices and communications system | |
Haneche et al. | Compressed sensing investigation in an end-to-end rayleigh communication system: Speech compression | |
Oltean et al. | Errors per scale statistics for a wavelet OFDM transmission in flat fading channels |
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 |