CN115694664A - 一种基于温度序列的时变水声信道状态信息预测方法 - Google Patents
一种基于温度序列的时变水声信道状态信息预测方法 Download PDFInfo
- Publication number
- CN115694664A CN115694664A CN202211024832.8A CN202211024832A CN115694664A CN 115694664 A CN115694664 A CN 115694664A CN 202211024832 A CN202211024832 A CN 202211024832A CN 115694664 A CN115694664 A CN 115694664A
- Authority
- CN
- China
- Prior art keywords
- channel state
- state information
- network
- temperature
- sound velocity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 4
- 238000004891 communication Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000006855 networking Effects 0.000 claims description 9
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明涉及一种基于温度序列的时变水声信道状态信息预测方法，包括下列的步骤：获取某一水域历年来不同深度的对温度数据和声速数据，归一化处理，将数据划分为训练集、验证集和测试集；改进DNN网络模型，采用特征拼接DNN模型，构造海洋温度预测网络；基于DNN网络模型，构造声速估计网络；基于bellhop工具箱，构造信道状态信息计算模型，输入所估计出来的声速剖面信息，计算得到信道状态信息估计值；级联三个网络模型，构造基于温度序列的时变水声信道状态信息预测网络，初始化海洋温度预测网络、声速估计网络和信道状态信息计算模型参数；根据划分好的数据集训练所建立的基于温度序列的时变水声信道状态信息预测网络。
Description
技术领域
本发明涉及一种基于温度序列的时变水声信道状态信息预测方法。
背景技术
水声通信与组网技术是海洋领域中十分重要的核心技术，在水下科学考察、军事活动和资源开发等领域有着广泛的应用。由于水下电缆成本高、布放困难，电磁波衰减快，而声波在水下传播远，所以采用水声通信作为无线通信的主要方式，但水声信道的时空不确定性使得水声通信的通信速率、通信距离和通信的稳定性受到极大限制。因此，设计一种可以提升通信和组网性能的水声信道状态信息预测算法的任务十分艰巨。
现有的水声信道状态信息预测算法，通过长期观测的历史信道状态信息，采用自回归模型、神经网络等预测模型来完成信道预测，但是长期采集数据的周期长、成本高、需要耗费大量的人力物力资源。因此，一种基于深度神经网络(DNN)、通过水下历史序列温度信息就能够获取未来水声信道状态信息的预测算法，应用在需要准确预知信道状态信息的水声通信和组网应用中。
发明内容
针对上述问题，本发明提出一种基于温度序列的时变水声信道状态信息预测方法，改进深度神经网络以构造水声信道状态信息预测网络，输入水下历史序列温度数据，得到未来一段时间的信道状态预测信息，从而提升水声通信与组网的通信效率。技术方案如下：
一种基于温度序列的时变水声信道状态信息预测方法，其特征在于，该方法包括下列的步骤：
(1)获取某一水域历年来不同深度的对温度数据和声速数据，归一化处理，将数据划分为训练集、验证集和测试集；
(2)改进DNN网络模型，采用特征拼接DNN模型，构造海洋温度预测网络：设置多个并行输入层，设置历史时间段长度，将一个历史时间段的某个深度下的温度数据按时间序列等分为几部分，分别作为每一个输入层的输入数据，最后一个输入层输入深度信息；设置与输入层个数对应的并行隐藏层，每个输入层与隐藏层全连接，最后将所有隐藏层输出的数据拼接起来；预设未来时间段长度，设置一个输出层输出未来时间段的该深度下的温度预测信息；
(3)基于DNN网络模型，构造声速估计网络：将海洋温度预测网络的输出信息作为声速估计网络的输入信息，输入层设置两个输入神经元节点，一个神经元节点输入步骤(2)中预测到的温度，另一个神经元节点输入深度；隐藏层设置若干隐藏神经元节点；输出层输出该深度下的温度对应的声速信息；最后将估计出来的不同深度的声速信息处理成不同时间下的声速剖面信息；
(4)基于bellhop工具箱，构造信道状态信息计算模型，输入步骤(3)所估计出来的声速剖面信息，计算得到信道状态信息估计值；
(5)级联三个网络模型，构造基于温度序列的时变水声信道状态信息预测网络，初始化海洋温度预测网络、声速估计网络和信道状态信息计算模型参数；根据划分好的数据集训练所建立的基于温度序列的时变水声信道状态信息预测网络，直到网络收敛；
(6)部署水下传感器节点，应用在需要准确预知信道状态信息的水声通信和组网应用中，同时根据实时更新的温度数据，持续训练更新温度预测网络参数。
本发明提出的一种基于温度序列的时变水声信道状态信息预测方法，通过改进DNN网络模型构造海洋温度预测网络，通过DNN模型构造声速估计网络，通过bellhop工具箱构造信道状态信息计算模型，最终级联三个模型构造基于温度序列的时变水声信道状态信息预测网络，通过低成本的温度数据监测就可预测未来的水声信道状态，从而提升了水声通信与组网的通信效率。
具体实施方式
下面结合实施例对本发明进行说明。
本发明提出的基于温度序列的时变水声信道状态信息预测方法，通过改进DNN网络构造时变水声信道状态信息预测网络，输入历史温度序列就可以预测未来的水声信道状态，提升水声通信与组网的通信效率。
本发明的具体操作流程如下：
(1)数据预处理：获取西北太平洋某一900m深水域2016年-2022年25个深度等级的温度和声速数据，根据公式
和
分别对温度和声速数据进行归一化处理，其中t和s分别表示温度和声速，将处理后的数据分别按照6：2：2的比例划分为训练集、验证集和测试集；
(2)构造海洋温度预测网络：改进DNN网络模型，采用特征拼接DNN模型构造海洋温度预测网络。设置4个并行输入层，前3个输入层每个设置10个神经元节点，第4个输入层1个神经元节点，将前30天某个深度下的温度数据按时间序列等分为三部分，分别作为前3个输入层的输入数据，第4个输入层输入深度信息；设置4个隐藏层，前3个隐藏层每个设置4个神经元节点，第4个隐藏层1个神经元节点，分别对应4个输入层，每个输入层与隐藏层全连接，最后将4个隐藏层输出的数据拼接起来构成1个隐藏层；设置1个输出层，设置5个神经元节点输出未来5天该深度下的温度预测信息；激活函数采用Sigmoid函数，损失函数采用MSE均方误差函数；优化方法采用Adma算法；
(3)构造声速估计网络：基于DNN网络模型构造声速估计网络。将海洋温度预测网络的输出信息作为该网络的输入信息，输入层设置2个输入神经元节点，1个神经元节点输入预测到的温度，1个神经元节点输入深度；隐藏层设置3个隐藏神经元节点；输出层设置1个神经元节点，输出该深度下的温度对应的声速信息；最后将估计出来的不同深度的声速信息处理成不同时间下的声速剖面信息；激活函数采用Sigmoid函数，损失函数采用MSE均方误差函数；优化方法采用Adma算法；
(4)构造信道状态信息计算模型：基于bellhop工具箱构造信道状态信息计算模型，输入估计出来的声速剖面信息，计算得到任意两个通信传感器节点间的声线传播损失值，即信道状态信息估计值；
(5)级联三个网络模型，构造基于温度序列的时变水声信道状态信息预测网络，初始化海洋温度预测网络、声速估计网络和信道状态信息计算模型参数，在bellhop模型中，设置声源级为180dB，中心频率为26kHz,带宽为10kHz，声速剖面采用NVMT拟合；根据划分好的数据集训练神经网络，直到网络收敛；
(6)将该模型部署到水下传感器节点，应用在需要准确预知信道状态信息的水声通信和组网应用中，同时根据实时更新的温度数据，持续训练更新温度预测网络参数。
Claims (1)
1.一种基于温度序列的时变水声信道状态信息预测方法，其特征在于，该方法包括下列的步骤：
(1)获取某一水域历年来不同深度的对温度数据和声速数据，归一化处理，将数据划分为训练集、验证集和测试集；
(2)改进DNN网络模型，采用特征拼接DNN模型，构造海洋温度预测网络：设置多个并行输入层，设置历史时间段长度，将一个历史时间段的某个深度下的温度数据按时间序列等分为几部分，分别作为每一个输入层的输入数据，最后一个输入层输入深度信息；设置与输入层个数对应的并行隐藏层，每个输入层与隐藏层全连接，最后将所有隐藏层输出的数据拼接起来；预设未来时间段长度，设置一个输出层输出未来时间段的该深度下的温度预测信息；
(3)基于DNN网络模型，构造声速估计网络：将海洋温度预测网络的输出信息作为声速估计网络的输入信息，输入层设置两个输入神经元节点，一个神经元节点输入步骤(2)中预测到的温度，另一个神经元节点输入深度；隐藏层设置若干隐藏神经元节点；输出层输出该深度下的温度对应的声速信息；最后将估计出来的不同深度的声速信息处理成不同时间下的声速剖面信息；
(4)基于bellhop工具箱，构造信道状态信息计算模型，输入步骤(3)所估计出来的声速剖面信息，计算得到信道状态信息估计值；
(5)级联三个网络模型，构造基于温度序列的时变水声信道状态信息预测网络，初始化海洋温度预测网络、声速估计网络和信道状态信息计算模型参数；根据划分好的数据集训练所建立的基于温度序列的时变水声信道状态信息预测网络，直到网络收敛；
(6)部署水下传感器节点，应用在需要准确预知信道状态信息的水声通信和组网应用中，同时根据实时更新的温度数据，持续训练更新温度预测网络参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211024832.8A CN115694664A (zh) | 2022-08-25 | 2022-08-25 | 一种基于温度序列的时变水声信道状态信息预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211024832.8A CN115694664A (zh) | 2022-08-25 | 2022-08-25 | 一种基于温度序列的时变水声信道状态信息预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115694664A true CN115694664A (zh) | 2023-02-03 |
Family
ID=85061601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211024832.8A Pending CN115694664A (zh) | 2022-08-25 | 2022-08-25 | 一种基于温度序列的时变水声信道状态信息预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115694664A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106254010A (zh) * | 2016-08-04 | 2016-12-21 | 厦门大学 | 一种时变海洋信道建模方法 |
| CN111144666A (zh) * | 2020-01-02 | 2020-05-12 | 吉林大学 | 一种基于深度时空残差网络的海洋温跃层预测方法 |
| CN111307266A (zh) * | 2020-02-21 | 2020-06-19 | 山东大学 | 声速获取方法及基于该方法的全球海洋声速场构建方法 |
| CN111740934A (zh) * | 2020-05-21 | 2020-10-02 | 江苏科技大学 | 一种基于深度学习的水声fbmc通信信号检测方法 |
| 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 |
| CN112737987A (zh) * | 2020-12-28 | 2021-04-30 | 南京邮电大学 | 一种新型的基于深度学习的时变信道预测方法 |
-
2022
- 2022-08-25 CN CN202211024832.8A patent/CN115694664A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106254010A (zh) * | 2016-08-04 | 2016-12-21 | 厦门大学 | 一种时变海洋信道建模方法 |
| CN111144666A (zh) * | 2020-01-02 | 2020-05-12 | 吉林大学 | 一种基于深度时空残差网络的海洋温跃层预测方法 |
| CN111307266A (zh) * | 2020-02-21 | 2020-06-19 | 山东大学 | 声速获取方法及基于该方法的全球海洋声速场构建方法 |
| CN111740934A (zh) * | 2020-05-21 | 2020-10-02 | 江苏科技大学 | 一种基于深度学习的水声fbmc通信信号检测方法 |
| 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 |
| CN112737987A (zh) * | 2020-12-28 | 2021-04-30 | 南京邮电大学 | 一种新型的基于深度学习的时变信道预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李佳讯;张韧;王彦磊;黄志松;张丽华;: "Kraken海洋声学模型及其声传播与衰减的数值试验", 海洋科学进展, no. 01, 15 January 2009 (2009-01-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Prediction of wind power by chaos and BP artificial neural networks approach based on genetic algorithm | |
| JP2020191080A (ja) | 増分学習のためのデータ認識方法 | |
| Song et al. | Integration of a statistical emulator approach with the SCE-UA method for parameter optimization of a hydrological model | |
| CN111625276A (zh) | 基于语义与语法信息融合的代码摘要生成方法及系统 | |
| Zhou et al. | Network traffic prediction method based on improved echo state network | |
| CN114327889A (zh) | 一种面向分层联邦边缘学习的模型训练节点选择方法 | |
| CN115862319A (zh) | 一种面向时空图自编码器的交通流量预测方法 | |
| Zhang et al. | Ordering for reduced transmission energy detection in sensor networks testing a shift in the mean of a gaussian graphical model | |
| Hao et al. | An adaptive stochastic resonance detection method with a knowledge-based improved artificial fish swarm algorithm | |
| CN115694664A (zh) | 一种基于温度序列的时变水声信道状态信息预测方法 | |
| CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
| CN114942480B (zh) | 基于信息感知注意力动态协同网络的海洋站风速预报方法 | |
| Kim et al. | 2D BiLSTM based channel impulse response estimator for improving throughput in underwater sensor network | |
| CN111444614B (zh) | 一种基于图卷积的流场重构方法 | |
| CN114997464A (zh) | 一种基于图时序信息学习的流行度预测方法 | |
| Ledesma-Orozco et al. | Hurst parameter estimation using artificial neural networks | |
| CN113869350A (zh) | 基于空间特征差异的海流预测方法以及系统 | |
| Jiawen et al. | Solving differential equations with neural networks: application to the normal-mode equation of sound field under the condition of ideal shallow water waveguide | |
| CN113962303B (zh) | 基于密度融合的水下试验环境反演方法及系统 | |
| Zhu et al. | Application of machine learning in wireless communications | |
| CN115047408B (zh) | 一种基于单层大卷积核神经网络的水下多声源定位方法 | |
| Li et al. | Modeling of sound speed in UWASN | |
| CN117635218A (zh) | 基于六度分离理论和图注意网络的商圈流量预测方法 | |
| Zhang et al. | Joint dimension assignment and compression for deterministic parameter vector estimation in distributed multisensor networks | |
| Bi | A method for modulation recognition of maritime search and rescue communication signal based on neural network |
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 |