CN114785423B - 一种水下激光数字信息传输增强模型的搭建方法 - Google Patents

一种水下激光数字信息传输增强模型的搭建方法 Download PDF

Info

Publication number
CN114785423B
CN114785423B CN202210694028.4A CN202210694028A CN114785423B CN 114785423 B CN114785423 B CN 114785423B CN 202210694028 A CN202210694028 A CN 202210694028A CN 114785423 B CN114785423 B CN 114785423B
Authority
CN
China
Prior art keywords
network
digital information
signal
stochastic resonance
underwater
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.)
Active
Application number
CN202210694028.4A
Other languages
English (en)
Other versions
CN114785423A (zh
Inventor
付民
徐赵敏
刘雪峰
顾肇瑞
郑冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sanya Institute Of Oceanography Ocean University Of China
Original Assignee
Sanya Institute Of Oceanography Ocean University Of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sanya Institute Of Oceanography Ocean University Of China filed Critical Sanya Institute Of Oceanography Ocean University Of China
Priority to CN202210694028.4A priority Critical patent/CN114785423B/zh
Publication of CN114785423A publication Critical patent/CN114785423A/zh
Application granted granted Critical
Publication of CN114785423B publication Critical patent/CN114785423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B10/00Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/80Optical aspects relating to the use of optical transmission for specific applications, not provided for in groups H04B10/03 - H04B10/70, e.g. optical power feeding or optical transmission through water
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供了一种水下激光数字信息传输增强模型的搭建方法,方法包括以下步骤:首先,建立适用于水下激光数字信息传输的随机共振系统;然后,搭建包含两个隐藏层的神经网络水体分类器,并初始化各神经网络的权值和偏置,获取数据集,对分类器进行训练和测试;然后,搭建自适应生成随机共振系统参数的生成对抗网络,并初始化各神经网络的权值和偏置,获取数据集,对生成对抗网络进行训练和测试;最后,将训练好的分类器和训练好的生成器串联,完成模型搭建。本发明提供了一种可提高信噪比,降低误码率的水下激光数字信息传输增强方法,此方法可以快速准确的实现水下信号增强,延长水下光信息的传输距离,一定程度上突破水下无线激光通信的局限性。

Description

一种水下激光数字信息传输增强模型的搭建方法
技术领域
本发明属于数字信息传输技术领域,尤其涉及一种水下激光数字信息传输增强模型的搭建方法。
背景技术
与水声通信相比,水下无线激光通信具有完全数字化,传输速率高,实时性强,传输延迟小等优点,是未来水下通信的趋向之一。由于水体中可溶性物质、悬浮体等水中颗粒物对光有强烈的吸收和散射作用,随着通信距离和水体浑浊度的增加,激光信号的衰减愈发严重,这将导致接收端信号失真严重,且光信号的传播距离通常限制在数百米内。本方法将非周期随机共振应用于水下激光数字信息传输接收端的增强,并研究了基于深度学习的水体分类器及系统参数预测方法,实现快速理想共振,拓展了激光通信在各类水体,尤其是浑浊水体中的适应性并增加了传输距离。
现有的传统的微弱信号检测方法主要通过识别带噪信号的统计特征来抑制噪声,主要由线性滤波方法、非线性小波阈值方法,和经验模态分解方法等,这些方通常会抑制和噪声频率接近的有用信号,可能会造成信号的畸变和时延。此外,这些方法都依赖于对噪声方差的准确估计,考虑到水下湍流、波浪等因素导致水下环境复杂多变,对噪声方差的准确估计难以做到。因此传统的信号检测方法难以应用于真实的水下数字信息传输系统。
现有的利用随机共振技术实现微弱信号的检测在轴承、涡轮机和压缩机等故障检测方面已经取得了不错的效果,但是随机共振的寻优过程仍然是一个难题。传统随机共振的寻优方法主要基于调参经验和智能优化算法:粒子群算法、遗传算法、人工鱼群算法等。基于调参经验的寻优算法需要大量的实践经验,耗时多,效率低;基于种群智能优化算法应用于水下动态范围变化大的信号时,将会造成收敛速度慢,容易陷入局部最优的缺点,这将导致信号处理的实时性较差,效率低下。
发明内容
针对上述问题,本发明第一方面提供了一种水下激光数字信息传输增强模型的搭建方法,包括以下步骤:
步骤1,建立适用于水下激光数字信息传输的随机共振系统;所述随机共振系统基于经典的双稳态随机共振理论模型并包含非线性系统、微弱的待检测信号和噪声三个要素;所述随机共振系统基于朗之万方程,将朗之万方程进行变换并归一化处理,得到适用于水下激光数字信息传输的随机共振系统;所述朗之万方程利用四阶龙格库塔法求解,用于得到增强后的信号;
步骤2,搭建包含两个隐藏层的神经网络水体分类器,并初始化各神经网络的权值和偏置,获取数据集,对分类器进行训练和测试;
步骤3,搭建自适应生成随机共振系统参数的生成对抗网络,并初始化各神经网络的权值和偏置,获取数据集,对生成对抗网络进行训练和测试;
步骤4,将训练好的分类器和训练好的生成器串联,完成模型搭建。
在一种可能的设计中,所述随机共振系统基于朗之万方程:
Figure GDA0003798360320000031
Figure GDA0003798360320000032
Figure GDA0003798360320000033
带入朗之万方程可得:
Figure GDA0003798360320000034
再将上式进行归一化处理可得:
Figure GDA0003798360320000035
式中s0(t)是非周期随机共振系统的输出,u(x)是具有两个势阱和一个势垒的势函数,系统参数a>0,b>0;其中两个势阱位于
Figure GDA0003798360320000036
处,势垒的高度h=a2/4b;其中si(t)是需要处理的非周期二进制信号,其表达式为
Figure GDA0003798360320000037
其中A是幅值,xi是双稳态随机共振系统的输入信号的序列码元xi={1,-1},且序列中1和-1出现的概率相同,G(t)是矩形脉冲,即
Figure GDA0003798360320000038
Figure GDA0003798360320000039
T是非周期信号的最小脉宽;N(t)是人为添加到非线性系统中诱发非周期随机共振的高斯白噪声,其满足统计平均 <N(t)>=0,方差<N(t1)N(t2)>=D2N(t1-t2),D为噪声强度。
在一种可能的设计中,所述朗之万方程利用四阶龙格库塔法求解过程如下:
xn+1=xn+(k1+2k2+2k3+k4)/6
其中的4个参数k1,k2,k3,k4分别为:
Figure GDA0003798360320000041
其中h是该算法的计算步长,其数值为算法频率fl的倒数:
Figure GDA0003798360320000042
a和b是决定双势阱随机共振系统特征的两个参数,其计算由生成对抗网络的生成器模型生成;sn是浑浊水中的激光数字信号第n次的采样值,xn是经随机共振系统输出信号的第n次采样值,即xn是经随机共振增强后的信号。
在一种可能的设计中,所述步骤2中获取数据集对分类器进行训练和测试的具体过程为:
S21,对于一个长度为N的不同大洋水体中的激光数字传输信号 x(t),提取其四个特征参数作为训练集和测试集,四个特征参数分别为:
均值:
Figure GDA0003798360320000043
有效值:
Figure GDA0003798360320000044
方差:
Figure GDA0003798360320000045
互相关系数:
Figure GDA0003798360320000046
其中,x(j)是输入系统的非周期二进制信号,
Figure GDA0003798360320000051
是输入信号的平均值,s(j)是系统的输出信号,
Figure GDA0003798360320000052
是系统输出信号的平均值;并将样本打上标签,分别为清澈水体,沿岸海水,港口海水;
S22,将样本x和标签y作为分类器的输入,经过两层神经网络的运算最后通过Relu函数运算得到与样本特征维度相同的向量xg, 并输出预测结果yg,即预测的分类结果;
S23,计算预测结果yg和真实标签y的误差,为了使误差变小,根据损失函数,通过Adam优化器进行梯度下降从而修改神经网络的权值和偏差;
S24,迭代以上两个步骤,直到满足停止准则;
S25,将测试集样本输入到训练好的分类器中进行测试。
在一种可能的设计中,所述步骤3中获取数据集,对生成对抗网络进行训练和测试的具体过程为:
S31,用于参数寻优的数据集生成;对于给定浑浊度的水下数字传输信号x(t),通过参数遍历的方法选择最优的系统参数a和b来诱导ASR,在[1,10]范围内以步长1遍历得到最优a和b,随后,根据朗之万方程可得最优ASR响应z(t),提取x(t)中的均值(E)、方差(Var)、偏度(P)来表示水下信号,提取z(t)中的脉冲指数(C)和峰值指数(I)来表示ASR响应,计算s(t)与x(t)之间的互相关系数Csx_in, s(t)与z(t)之间的互相关系数Csx_out,BER三个特征参数,真实样本由10个参数组成,可表示为:
Xreal=[E,Var,P,Csx_in,a,b,BER,Csx_out,C,I];
S32,G网络输入随机噪声z,经过两层神经网络运算后生成样本 G(z);
S33,生成样本G(z)与数据集中的真实样本Xreal输入到D网络中, D网络的输出是一个预测的概率值,即预测D网络的输入来自真实样本的概率;
S34,D网络的输出指导G网络和D网络参数更新的方向,根据D 网络的输出将误差反向传播,利用RMSprop优化器进行梯度下降更新 G网络和D网络的参数;
S35,迭代步骤S34,直到满足设定的停止准则,此时D网络判断的数据来自生成的样本还是真实的样本的概率为0.5,即生成器已经生成较为真实的样本;
S36,将训练好的生成器模型保存,以供从生成的样本中得到系统参数a,b;
S37,对生成的对抗网络进行测试;将10维的噪声输入到训练好的生成器中,训练好的生成器将会生成样本,在样本中提取a,b值,测试数字信号传输的增强效果。
本发明第二方面还提供了一种水下激光数字信息传输增强的方法,包括以下步骤:对三种典型海洋水体的水下激光数字信息,计算其应用于水体分类的四个统计特征;将这四个统计特征输入到如第一方面所述的搭建方法所搭建的网络模型的分类器中,分类器会自动实现水体的分类并选择相应的生成器;生成器生成匹配的随机共振的系统参数,从而实现水下激光数字信息传输的增强。
本发明第三方面还提供了一种水下激光数字信息增强设备,所述设备包括至少一个处理器和至少一个存储器;所述存储器中存储有如第一方面所述的搭建方法所搭建的网络模型的程序;所述处理器执行所述存储器存储的程序时,可以实现水下激光数字传输信息的增强。
本发明第四方面还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有如第一方面所述的搭建方法所搭建的网络模型的计算机执行程序,所述计算机执行程序被处理器执行时可以实现水下激光数字信息传输的增强。
与现有技术相比,本发明提供了一种水下激光数字信息传输增强模型的搭建方法及信号增强方法,提供了一种可提高信噪比,降低误码率的基于生成对抗网络调参随机共振的水下数字信号传输增强方法,此方法可以快速准确的实现水下信号增强,延长水下光通信数字信号的作用距离,一定程度上突破水下无线激光通信的局限性。本发明提出的利用分类器对不同大洋的水体分类,及利用生成对抗网络实现随机共振系统参数的优化方案,有效的恢复了水下严重失真的信号,并有效的降低了信号的误码率,提高了检测的通信信号的性能。与主流的随机共振智能种群优化算法寻优相比,本发明速度更快,检测正确率更高,可在一定程度上突破水下光通信的局限性。
附图说明
图1为随机共振理论模型结构示意图。
图2为势函数的示意图。
图3为信号通过随机共振系统时势函数示意图。
图4为分类器的训练过程示意图。
图5为生成对抗网络的生成器训练过程示意图。
图6为基于分类器和生成对抗网络的随机共振系统结构示意图。
图7为本发明水下激光通信信号增强过程示意图。
图8为三种类别水体下信号s(t)和增强后的信号y(t)对比图。
图9为本发明中激光信号增强设备的结构简易框图。
具体实施方式
下面结合具体实施例对发明进行进一步说明。
实施例1:
本发明专利以增强水下光通信数字传输信号为目标,采用随机共振作为主要的理论基础,以分类器和生成对抗网络为技术手段,提供了一种水下激光数字信息传输增强模型的搭建方法,主要的步骤如下:
步骤1,建立适用于水下激光数字信息传输的随机共振系统;所述随机共振系统基于经典的双稳态随机共振理论模型并包含非线性系统、微弱的待检测信号和噪声三个要素;所述随机共振系统基于朗之万方程,将朗之万方程进行变换并归一化处理,得到适用于水下激光数字信息传输的随机共振系统;所述朗之万方程利用四阶龙格库塔法求解,用于得到增强后的信号;
步骤2,搭建包含两个隐藏层的神经网络水体分类器,并初始化各神经网络的权值和偏置,获取数据集,对分类器进行训练和测试;
步骤3,搭建自适应生成随机共振系统参数的生成对抗网络,并初始化各神经网络的权值和偏置,获取数据集,对生成对抗网络进行训练和测试;
步骤4,将训练好的分类器和训练好的生成器串联,完成模型搭建。
1.建立适用于水下激光数字信息传输的随机共振系统。
经典的随机共振理论模型包含非线性系统,微弱的待检测信号和噪声三个要素,如图1所示。
其中双稳态随机共振系统基于朗之万方程:
Figure GDA0003798360320000091
Figure GDA0003798360320000092
将双稳态随机共振模型进行变换,将
Figure GDA0003798360320000093
带入朗之万方程可得:
Figure GDA0003798360320000094
再将上式进行归一化处理可得:
Figure GDA0003798360320000095
式中so(t)是非周期随机共振系统的输出,u(x)是具有两个势阱和一个势垒的势函数,系统参数a>0,b>0;其中两个势阱位于
Figure GDA0003798360320000096
处,势垒的高度h=a2/4b,势函数示意图如图2所示。 si(t)是需要处理的非周期二进制信号,其表达式为
Figure GDA0003798360320000097
Figure GDA0003798360320000098
其中A是幅值,xi是双稳态随机共振系统的输入信号的序列码元xi={1,-1},且序列中1和-1出现的概率相同,G(t) 是矩形脉冲,即
Figure GDA0003798360320000101
T是非周期信号的最小脉宽。 N(t)是人为添加到非线性系统中诱发非周期随机共振的高斯白噪声,其满足统计平均<N(t)>=0,方差<N(t)>=0<N(t1)N(t2)>= D2N(t1-t2),D为噪声强度。
因此,归一化尺度变换的随机共振系统满足绝热近似的理论条件,当发送的二进制脉冲信号相邻码元幅值在A变化为-A时,可实现布朗粒子在两势阱之间的跃迁,产生共振现象。水下激光数字信息传输系统中的高频含噪信号,也可以通过调节随机共振系统的参数和噪声强度,产生共振现象,从而实现水下高频含噪信号的快速增强。
所述的朗之万方程利用四阶龙格库塔法求解,从而得到增强后的信号。具体的求解过程如下:
xn+1=xn+(k1+2k2+2k3+k4)/6
其中的4个参数k1,k2,k3,k4分别为:
Figure GDA0003798360320000102
其中h是该算法的计算步长,其数值为算法频率fl的倒数:
Figure GDA0003798360320000103
a和b是决定双势阱随机共振系统特征的两个参数,其计算由生成对抗网络的生成器模型生成。sn是浑浊水中的无线激光信号第n次的采样值,xn是经随机共振系统输出信号的第n次采样值。即xn是经随机共振增强后的信号。
当信噪比较低的信号通过随机共振系统时,在一定条件下,噪声随机共振系统的参数a,b发生协同作用时,输出的信号信噪比较高。此时,噪声的能量转换为信号的能量,实现信号的增强。水下激光数字信息传输系统中的高频含噪信号,也可以通过调节随机共振系统的参数和噪声强度,产生共振现象,从而实现水下高频含噪信号的快速增强。
随机共振系统的势函数以及当信号通过随机共振系统时,系统的变化如图2和图3所示。由此可见,势垒的高度是由随机共振的系统参数a,b来确定,当a较小,b较大时,此时的势垒高度较低,信号借助少量的噪声即可实现系统状态在两势阱间的跃迁。当a较大,b较小时,此时的势垒高度较高,要实现系统状态在两势阱间的跃迁则需要较多的噪声。当系统参数a、b,信号和噪声适当匹配时,系统状态在两势阱间切换,此时噪声的能量转化为信号的能量,从而实现信号的增强。
2.搭建包含两个隐藏层的神经网络水体分类器,并初始化各神经网络的权值和偏置,获取数据集,对分类器进行训练和测试。
分类器的训练过程如图4所示。
(1)用于水体分类的数据集的生成:当光数字信号在不同大洋水体中传播时,接收端接收到的光信号的统计特征是不同的。这为分类器区分不同的水体提供了依据。
对于一个长度为N的不同大洋水下激光数字信息x(t),提取信号的四个特征参数作为训练集和测试集,四个特征参数分别为:
均值:
Figure GDA0003798360320000121
有效值:
Figure GDA0003798360320000122
方差:
Figure GDA0003798360320000123
互相关系数:
Figure GDA0003798360320000124
其中,x(j)是输入系统的非周期二进制信号,
Figure GDA0003798360320000125
是输入信号的平均值,s(j)是系统的输出信号,
Figure GDA0003798360320000126
是系统输出信号的平均值;并将样本打上标签,分别为清澈水体,沿岸海水,港口海水;
(2)设计包含两个隐藏层神经网络的水体分类器,并初始化各神经网络的权值和偏置。两个隐藏层的神经元数量分别为64和32,网络模型由Adam优化器训练,学习率为0.0001,批样本数量为20;
(3)将样本x和标签y作为分类器的输入,经过两层神经网络的运算最后通过Relu函数运算得到与样本特征维度相同的向量xg, 并输出预测结果yg,即预测的分类结果;计算预测结果yg和真实标签 y的误差,为了使误差变小,根据损失函数,通过Adam优化器进行梯度下降从而修改神经网络的权值和偏差;迭代以上两个步骤,直到满足停止准则;
(4)以上过程为分类器的训练过程,将训练好的模型保存,供测试时直接使用。将测试集样本输入到训练好的分类器中进行测试。
3.搭建自适应生成随机共振系统参数的生成对抗网络,并初始化各神经网络的权值和偏置,获取数据集,对生成对抗网络进行训练和测试。
生成对抗网络的训练过程如图5所示。
生成对抗网络的网络结构设置:G网络和D网络都包含两个隐藏层,每个隐藏层的神经元数量为50,30。两个神经网络模型由RMSprop 优化器训练,学习速率为0.0005,批数量大小为500。
生成对抗网络的对抗训练过程可由以下目标函数表示:
Figure GDA0003798360320000131
G网络接收的是一个随机噪声z,通过经过两层神经网络的运算最后通过LeakyRelu函数运算得到与样本特征维度相同的向量,称之为生成的样本G(z),可表示为Xfake=[E,V,P,Csx_in,a,b,BER, Csx_out,C,I]。D网络的输入是生成的样本G(z)和真实的样本x, 通过经过两层神经网络的运算最后通过LeakyRelu函数运算,输出是预测D网络的输入来自真实分布的概率。pdata(x)是真实的数据分布, pz(z)是噪声z的分布。D的目的是为了最大化目标函数,尽可能的区分真实的样本和生成的样本。G的目的是生成尽可能真实的样本来欺骗鉴别器。
对生成对抗网络进行训练和测试的具体过程为:
S31,用于参数寻优的数据集生成;对于给定浑浊度的水下信号 x(t),通过参数遍历的方法选择最优的系统参数a和b来诱导ASR,在[1,10]范围内以步长1遍历得到最优a和b,随后,根据朗之万方程可得最优ASR响应z(t),提取x(t)中的均值(E)、方差(Var)、偏度(P)来表示水下信号,提取z(t)中的脉冲指数(C)和峰值指数(I)来表示ASR响应,计算s(t)与x(t)之间的互相关系数Csx_in,s(t)与z(t) 之间的互相关系数Csx_out,BER三个特征参数,真实样本由10个参数组成,可表示为:
Xreal=[E,Var,P,Csx_in,a,b,BER,Csx_out,C,I];
S32,G网络输入随机噪声z,经过两层神经网络运算后生成样本 G(z);
S33,生成样本G(z)与数据集中的真实样本Xreal输入到D网络中, D网络的输出是一个预测的概率值,即预测D网络的输入来自真实样本的概率;
S34,D网络的输出指导G网络和D网络参数更新的方向,根据D 网络的输出将误差反向传播,利用RMSprop优化器进行梯度下降更新 G网络和D网络的参数;
S35,迭代步骤S34,直到满足设定的停止准则,此时D网络判断的数据来自生成的样本还是真实的样本的概率为0.5,即生成器已经生成较为真实的样本;
S36,将训练好的生成器模型保存,以供从生成的样本中得到系统参数a,b;
S37,对生成的对抗网络进行测试;将10维的噪声输入到训练好的生成器中,训练好的生成器将会生成样本,在样本中提取a,b值,测试信号增强效果。
4.将训练好的分类器和训练好的生成器串联,完成模型搭建。
对于三种不同大洋水体,训练了三个生成器。训练好的分类器与训练好的多个生成器串联。当激光信号通过不同大洋的水体时,训练好的分类器先将水体分类,根据分类结果选择某一对应此大洋水体的经训练的生成器。因此,对于通过某一不确定的水下的失真信号,经训练的生成器会产生随机共振的系统参数,用于水下失真信号的增强。基于分类器和生成对抗网络的随机共振系统结构如图6所示。
如图7所示,水下激光数字信息传输增强的方法,包括以下步骤:对三种典型海洋水体的水下激光数字信息,计算其应用于水体分类的四个统计特征;将这四个统计特征输入到如第一方面所述的搭建方法所搭建的网络模型的分类器中,分类器会自动实现水体的分类并选择相应的生成器;生成器生成匹配的随机共振的系统参数,从而实现水下激光数字信息的增强。
三种类别水体下信号s(t)和增强后的信号y(t)的比对图如图8 所示。本发明提出的利用分类器对不同浑浊度的水体分类,及利用生成对抗网络实现随机共振系统参数的优化方案,有效的恢复了水下严重失真的信号,并有效的降低了信号的误码率,提高了检测的通信信号的性能。与主流的随机共振智能种群优化算法寻优相比,本发明速度更快,检测正确率更高,可在一定程度上突破水下光通信的局限性。
实施例2:
如图9所示,本发明同时提供了一种水下激光数字信息增强设备,设备包括至少一个处理器和至少一个存储器,同时还包括通信接口和内部总线;存储器中存储有实施例1所述的搭建方法所搭建的网络模型的程序;处理器执行所述存储器存储的执行程序时,可以实现水下激光数字信息增强。其中内部总线可以是工业标准体系结构 (IndustryStandard Architecture,ISA)总线、外部设备互连 (Peripheral Component,PCI)总线或扩展工业标准体系结构 (.XtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。其中存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
设备可以被提供为终端、服务器或其它形态的设备。
图9是为示例性示出的一种设备的框图。例如,设备可以是数字式移动电话,计算机,数字广播终端,短消息收发设备,游戏控制台,数字平板设备,医疗设备,健身设备,个人数字助理等终端。
设备可以包括以下一个或多个组件:处理组件,存储器,电源组件,多媒体组件,音频组件,输入/输出(I/O)的接口,传感器组件,以及通信组件。处理组件通常控制电子设备的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件可以包括一个或多个处理器来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件可以包括一个或多个模块,便于处理组件和其他组件之间的交互。例如,处理组件可以包括多媒体模块,以方便多媒体组件和处理组件之间的交互。
存储器被配置为存储各种类型的数据以支持在电子设备的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件为电子设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电子设备生成、管理和分配电力相关联的组件。多媒体组件包括在所述电子设备和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件包括一个前置摄像头和/或后置摄像头。当电子设备处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件被配置为输出和/或输入音频信号。例如,音频组件包括一个麦克风(MIC),当电子设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中,音频组件还包括一个扬声器,用于输出音频信号。I/O 接口为处理组件和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件包括一个或多个传感器,用于为电子设备提供各个方面的状态评估。例如,传感器组件可以检测到电子设备的打开/关闭状态,组件的相对定位,例如所述组件为电子设备的显示器和小键盘,传感器组件还可以检测电子设备或电子设备一个组件的位置改变,用户与电子设备接触的存在或不存在,电子设备方位或加速/减速和电子设备的温度变化。传感器组件可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络,如WiFi, 2G或3G,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备可以被一个或多个应用专用集成电路(ASIC)、数字信息处理器(DSP)、数字信息处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
实施例3:
本发明还提供了一种非易失性计算机可读存储介质,计算机可读存储介质中存储有实施例1所述的搭建方法所搭建的网络模型的计算机执行程序,计算机执行程序被处理器执行时用于实现水下激光数字信息增强。
具体地,可以提供配有可读存储介质的系统、装置或设备,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统、装置或设备的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下,从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘(如CD-ROM、CD-R、CD-RW、DVD-20ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带等。存储介质可以是通用或专用计算机能够存取的任何可用介质。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信息处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
应理解存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路 (Application Specific Integrated Circuits,简称:ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于终端或服务器中。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、 C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.一种水下激光数字信息传输增强模型的搭建方法,其特征在于,包括以下步骤:
步骤1,建立适用于水下激光数字信息传输的随机共振系统;所述随机共振系统基于经典的双稳态随机共振理论模型并包含非线性系统、微弱的待检测信号和噪声三个要素;所述随机共振系统基于朗之万方程,将朗之万方程进行变换并归一化处理,得到适用于水下激光数字信息传输的随机共振系统;所述朗之万方程利用四阶龙格库塔法求解,用于得到增强后的信号;
步骤2,搭建包含两个隐藏层的神经网络水体分类器,并初始化各神经网络的权值和偏置,获取数据集,对分类器进行训练和测试;
步骤3,搭建自适应生成随机共振系统参数的生成对抗网络,并初始化各神经网络的权值和偏置,获取数据集,对生成对抗网络进行训练和测试;具体为:
S31,用于参数寻优的数据集生成;对于给定浑浊度的水下信号x(t),通过参数遍历的方法选择最优的系统参数a和b来诱导ASR,在[1,10]范围内以步长1遍历得到最优a和b,随后,根据朗之万方程可得最优ASR响应z(t),提取x(t)中的均值E、方差Var、偏度P来表示水下信号,提取z(t)中的脉冲指数C和峰值指数I来表示ASR响应,计算s(t)与x(t)之间的互相关系数Csx_in,s(t)与z(t)之间的互相关系数Csx_out,BER三个特征参数,真实样本由10个参数组成,可表示为:
Xreal=[E,Var,P,Csx_in,a,b,BER,Csx_out,C,I];
S32,G网络输入随机噪声z,经过两层神经网络运算后生成样本G(z);
S33,生成样本G(z)与数据集中的真实样本Xreal输入到D网络中,D网络的输出是一个预测的概率值,即预测D网络的输入来自真实样本的概率;
S34,D网络的输出指导G网络和D网络参数更新的方向,根据D网络的输出将误差反向传播,利用RMSprop优化器进行梯度下降更新G网络和D网络的参数;
S35,迭代步骤S34,直到满足设定的停止准则,此时D网络判断的数据来自生成的样本还是真实的样本的概率为0.5,即生成器已经生成较为真实的样本;
S36,将训练好的生成器模型保存,以供从生成的样本中得到系统参数a,b;
S37,对生成的对抗网络进行测试;将10维的噪声输入到训练好的生成器中,训练好的生成器将会生成样本,在样本中提取a,b值,测试信号增强效果;
步骤4,将训练好的分类器和训练好的生成器串联,完成模型搭建。
2.如权利要求1所述的一种水下激光数字信息传输增强模型的搭建方法,其特征在于:所述随机共振系统基于朗之万方程:
Figure FDA0003788434290000031
Figure FDA0003788434290000032
Figure FDA0003788434290000033
τ=at带入朗之万方程可得:
Figure FDA0003788434290000034
再将上式进行归一化处理可得:
Figure FDA0003788434290000035
式中s0(t)是非周期随机共振系统的输出,u(x)是具有两个势阱和一个势垒的势函数,系统参数a>0,b>0;其中两个势阱位于
Figure FDA0003788434290000036
处,势垒的高度h=a2/4b;其中si(t)是需要处理的非周期二进制信号,其表达式为
Figure FDA0003788434290000037
其中A是幅值,xi是双稳态随机共振系统的输入信号的序列码元xi={1,-1},且序列中1和-1出现的概率相同,G(t)是矩形脉冲,即
Figure FDA0003788434290000038
T是非周期信号的最小脉宽;N(t)是人为添加到非线性系统中诱发非周期随机共振的高斯白噪声,其满足统计平均<N(t)>=0,方差<N(t1)N(t2)>=D2N(t1-t2),D为噪声强度。
3.如权利要求1所述的一种水下激光数字信息传输增强模型的搭建方法,其特征在于,所述朗之万方程利用四阶龙格库塔法求解过程如下:
xn+1=xn+(k1+2k2+2k3+k4)/6
其中的4个参数k1,k2,k3,k4分别为:
Figure FDA0003788434290000041
其中h是算法的计算步长,其数值为算法频率fl的倒数:
Figure FDA0003788434290000042
a和b是决定双势阱随机共振系统特征的两个参数,其计算由生成对抗网络的生成器模型生成;sn是浑浊水中的无线激光信号第n次的采样值,xn是经随机共振系统输出信号的第n次采样值,即xn是经随机共振增强后的信号。
4.如权利要求1所述的一种水下激光数字信息传输增强模型的搭建方法,其特征在于,所述步骤2中获取数据集对分类器进行训练和测试的具体过程为:
S21,对于一个长度为N的大洋水体中的激光数字信息x(t),提取信号的四个特征参数作为训练集和测试集,四个特征参数分别为:
均值:
Figure FDA0003788434290000043
有效值:
Figure FDA0003788434290000044
方差:
Figure FDA0003788434290000051
互相关系数:
Figure FDA0003788434290000052
其中,x(j)是输入系统的非周期二进制信号,
Figure FDA0003788434290000053
是输入信号的平均值,s(j)是系统的输出信号,
Figure FDA0003788434290000054
是系统输出信号的平均值;并将样本打上标签,分别为清澈水体,沿岸海水,港口海水;
S22,将样本x和标签y作为分类器的输入,经过两层神经网络的运算最后通过Relu函数运算得到与样本特征维度相同的向量xg,并输出预测结果yg,即预测的分类结果;
S23,计算预测结果yg和真实标签y的误差,为了使误差变小,根据损失函数,通过Adam优化器进行梯度下降从而修改神经网络的权值和偏差;
S24,迭代S22和S23两个步骤,直到满足停止准则;
S25,将测试集样本输入到训练好的分类器中进行测试。
5.一种水下激光数字信息传输增强的方法,其特征在于,包括以下步骤:对三种典型海洋水体中的激光数字信息,计算其应用于水体分类的四个统计特征;将这四个统计特征输入到如权利要求1至4任意一项所述的搭建方法所搭建的网络模型的分类器中,分类器会自动实现水体的分类并选择相应的生成器;生成器生成匹配的随机共振的系统参数,从而实现水下激光数字信息的增强。
6.一种水下激光数字信息传输增强设备,其特征在于:所述设备包括至少一个处理器和至少一个存储器;所述存储器中存储有如权利要求1至4任意一项所述的搭建方法所搭建的网络模型的程序;所述处理器执行所述存储器存储的程序时,可以实现水下激光数字信息增强。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有如权利要求1至4任意一项所述的搭建方法所搭建的网络模型的计算机执行程序,所述计算机执行程序被处理器执行时可以实现水下激光数字信息传输增强。
CN202210694028.4A 2022-06-20 2022-06-20 一种水下激光数字信息传输增强模型的搭建方法 Active CN114785423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210694028.4A CN114785423B (zh) 2022-06-20 2022-06-20 一种水下激光数字信息传输增强模型的搭建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210694028.4A CN114785423B (zh) 2022-06-20 2022-06-20 一种水下激光数字信息传输增强模型的搭建方法

Publications (2)

Publication Number Publication Date
CN114785423A CN114785423A (zh) 2022-07-22
CN114785423B true CN114785423B (zh) 2022-11-01

Family

ID=82421963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210694028.4A Active CN114785423B (zh) 2022-06-20 2022-06-20 一种水下激光数字信息传输增强模型的搭建方法

Country Status (1)

Country Link
CN (1) CN114785423B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580291A (zh) * 2023-05-24 2023-08-11 中国海洋大学 一种水下浑浊强散射的视觉同步定位与建图方法及系统
CN117132473B (zh) * 2023-10-20 2024-01-23 中国海洋大学 水下稀土光谱检测方法及其光谱超分辨重建模型搭建方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114362859A (zh) * 2021-12-28 2022-04-15 杭州电子科技大学 增强条件生成对抗网络的自适应信道建模方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106385272A (zh) * 2016-09-14 2017-02-08 厦门大学 基于随机共振和时间反转镜的水下信号增强方法
CN107329141A (zh) * 2017-08-03 2017-11-07 厦门大学 一种海洋环境下的航体微弱辐射噪声信号检测方法
CN110276256A (zh) * 2019-05-17 2019-09-24 中国人民解放军战略支援部队信息工程大学 基于调参随机共振的低信噪比通信信号调制识别方法及装置
CN110598530A (zh) * 2019-07-30 2019-12-20 浙江工业大学 一种基于acgan的小样本无线电信号增强识别方法
CN111986142A (zh) * 2020-05-23 2020-11-24 冶金自动化研究设计院 一种热轧板卷表面缺陷图像数据无监督增强的方法
CN112215054B (zh) * 2020-07-27 2022-06-28 西北工业大学 一种用于水声信号去噪的深度生成对抗方法
CN112508106B (zh) * 2020-12-08 2024-05-24 大连海事大学 一种基于卷积神经网络的水下图像分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114362859A (zh) * 2021-12-28 2022-04-15 杭州电子科技大学 增强条件生成对抗网络的自适应信道建模方法及系统

Also Published As

Publication number Publication date
CN114785423A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN114785423B (zh) 一种水下激光数字信息传输增强模型的搭建方法
Lopac et al. Detection of non-stationary GW signals in high noise from Cohen’s class of time–frequency representations using deep learning
Malik et al. A light-weight replay detection framework for voice controlled IoT devices
CN109599109B (zh) 针对白盒场景的对抗音频生成方法及系统
CN110309304A (zh) 一种文本分类方法、装置、设备及存储介质
CN111968666B (zh) 基于深度域自适应网络的助听器语音增强方法
Skowronski et al. Acoustic detection and classification of microchiroptera using machine learning: lessons learned from automatic speech recognition
CN109658352A (zh) 图像信息的优化方法及装置、电子设备和存储介质
US20230267315A1 (en) Diffusion Models Having Improved Accuracy and Reduced Consumption of Computational Resources
CN113192504A (zh) 一种基于域适应的无声语音攻击检测方法
CN106558308A (zh) 一种互联网音频数据质量自动打分系统及方法
CN110889489A (zh) 神经网络的训练方法、图像识别方法及其装置
CN116863286B (zh) 一种双流目标检测方法及其模型搭建方法
CN111753917A (zh) 数据处理方法、装置及存储介质
CN116959471A (zh) 语音增强方法、语音增强网络的训练方法及电子设备
CN111613240A (zh) 一种基于注意力机制和Bi-LSTM的伪装语音检测方法
CN112990614A (zh) 水华检测方法及装置、电子设备和存储介质
CN113160823B (zh) 基于脉冲神经网络的语音唤醒方法、装置及电子设备
CN117762372A (zh) 一种多模态人机交互系统
CN114938248B (zh) 一种水下无线光通信解调模型的搭建及解调方法
CN112884040B (zh) 训练样本数据的优化方法、系统、存储介质及电子设备
CN112289337B (zh) 一种滤除机器学习语音增强后的残留噪声的方法及装置
WO2021093780A1 (zh) 一种目标识别方法及装置
CN117636341A (zh) 一种多帧海藻显微图像增强识别方法及其模型搭建方法
CN116403594B (zh) 基于噪声更新因子的语音增强方法和装置

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