CN116232478A - 基于深度学习和深度迁移学习的水下非固定节点通信方法 - Google Patents
基于深度学习和深度迁移学习的水下非固定节点通信方法 Download PDFInfo
- Publication number
- CN116232478A CN116232478A CN202310239579.6A CN202310239579A CN116232478A CN 116232478 A CN116232478 A CN 116232478A CN 202310239579 A CN202310239579 A CN 202310239579A CN 116232478 A CN116232478 A CN 116232478A
- Authority
- CN
- China
- Prior art keywords
- tcn
- learning
- spread spectrum
- data
- training
- 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
- 230000006854 communication Effects 0.000 title claims abstract description 97
- 238000004891 communication Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000013508 migration Methods 0.000 title claims abstract description 42
- 230000005012 migration Effects 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000001228 spectrum Methods 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000004088 simulation Methods 0.000 claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 36
- 230000006835 compression Effects 0.000 claims abstract description 24
- 238000007906 compression Methods 0.000 claims abstract description 24
- 238000013526 transfer learning Methods 0.000 claims abstract description 23
- 230000002787 reinforcement Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000013136 deep learning model Methods 0.000 description 7
- 238000005728 strengthening Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明属于通信技术领域，公开了一种基于TCN深度学习和Fine‑tuning深度迁移学习的水下非固定节点M元扩频通信方法，其特征在于，该方法具体包括：S1：TCN网络模型设计；S2：TCN线下强化训练(预训练)；S3：TCN基于海上实测数据的迁移学习。本发明在应对近海多普勒、多径复杂环境非固定节点M元水声扩频通信中相对于传统扩频接收技术和频率压缩技术，更适用于低信噪比、多普勒背景海况。本发明提出的基于TCN深度学习和Fine‑tuning深度迁移学习的水下非固定节点M元扩频通信方法提高了传统扩频方法的通信效果，仿真结果表明，以误码率0.01为参考，127码TCN模型较频率压缩接收器信噪比可降低3dB，511码TCN模型较频率压缩接收器信噪比可降低6dB；试验结果表明，经迁移学习的TCN‑TL模型灵活适应了试验海区噪声、信道环境，解码效果明显优于传统技术。
Description
技术领域
本发明属于通信技术领域，尤其涉及一种基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法。该方法首次将TCN深度学习模型应用于M元扩频水声通信领域，避免了现有循环神经网络(RNN)中LSTM、GRU等网络结构对长时间序列分类过程产生的梯度爆炸、梯度消失及大内存需求等问题，同时基于卷积神经网络对时间序列信号压缩扩展等多普勒影响不敏感的特点，通过大量试验探索出适用于复杂多普勒背景下水下长扩频码通信的TCN网络构架；同时，针对仿真数据线下训练过程与实际海上通信过程在噪声、信道环境等方面存在的差异，提出在海上基于仿真数据的线下TCN模型与部分训练数据开展线上Fine-tuning深度迁移学习训练，得到的TCN-TL模型经试验验证，在低信噪比、近海复杂多普勒和时变多径条件下通信效果明显优于传统直接序列扩频(DSSS)水声通信系统。
以上技术尚未以论文等形式公开发表，填补了TCN深度学习模型在长码扩频水声通信领域应用的技术空白。
背景技术
水声通信鲁棒性受海洋水声信道受海洋中海流、海浪、内波、湍流等时变复杂的起伏动力环境影响明显。由于水下声速远低于空中无线电传播速度，同等径向多普勒扰动下，水声信道中多普勒因子是射频无线电信道近105倍，在实际海上通信中多普勒现象对通信效果影响显著。在近海水声通信网络中基于潜标水声通信节点应用场景下，通信节点经声学释放器、缆绳锚系于海底相对固定，但会随近岸潮流、各类中尺度现象和随机起伏影响产生相对运动，在搭建水声通信网络过程中提高系统的多普勒容限是提高通信鲁棒性的重要工作。
M元DSSS可用于水声CDMA组网通信，通过伪随机码扩展带宽并降低谱能量密度，因其低发射功率带来的低水下声污染(良好生物友好性)和低截获概率(良好隐蔽安全性)等特点而被应用于水下物联网组网通信。然而，M元DSSS特别是长扩频码的扩频通信对多普勒现象极为敏感，主要表现在载波相位跳变和时域压缩扩展两个方面。
现有技术常常采取如下技术方案：
(1)传统扩频接收技术。接收端在带通滤波、时域同步后，通过锁相环技术实现载波相位同步，与本地载波振荡器混频后低通滤波，完成下变频，得到基带信号。基于扩频码索引库对基带信号依次进行匹配相关，采用最大值法得到扩频码索引，进而完成解码。
(2)频率压缩接收技术。接收端在经过带通滤波、时域同步后，通过本地格点频率开展多路下调频，每路经低通滤波后完成去载波，各路信号非相干叠加后分别与M个本地扩频码进行相关解扩，通过选择扩频增益值最大值完成码元分类判断，进而完成解码。
传统扩频接收技术通过锁相环技术实现载波同步，在完成捕获锁定后动态跟踪载波频率相位的变化，然而其在低信噪比下性能下降明显；频率压缩接收技术在非相干叠加过程中损耗信号增益，对提升系统抗多普勒能力方面效果有限，且增大了计算开销，降低水下节点使用寿命。
发明内容
针对现有技术存在的问题，本发明提供了一种基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法。
本发明是这样实现的，一种基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法，该方法具体包括：
S1：TCN网络模型设计；
S2：TCN线下强化训练(预训练)；
S3：TCN基于海上实测数据的迁移学习。
进一步，所述S1具体包括：
针对M元水声通信扩频接收波形信号特点，设计基于残差网络的TCN深度学习网络模型，基于膨胀卷积和深度残差网络获得随着网络深度指数增加的感受野，在实际TCN网络中，膨胀卷积基数设为2，感受野随层数增加呈2的指数幂增大；同时为了进一步扩大感受野卷积卷积核大小设置为5；在TCN残差块后设置全局池化层、全连接层、Softmax层、Classification层后进行分类。
进一步，所述S2具体包括：
利用BELLHOP仿真信号线下训练TCN模型，训练过程中，针对实际复杂动力环境下径向多普勒、信道条件强时变性，在线下训练阶段在仿真训练集加入针对多普勒和多径的数据加强预处理过程。
进一步，所述针对多普勒和多径的数据加强预处理过程具体如下：
训练数据通过输入-1至1m/s多普勒背景的数据、间隔0.2m/s网格化信道背景进行强化，并加入-10dB信噪比条件的白噪声；同时设置空间网格训练节点，通过开展基于网格点间仿真通信信道的仿真信号强化训练，提高TCN模型的空间泛化能力，基于空间网格训练节点示意效果中绿色随机测试节点，开展随机位置、随机多普勒背景的仿真数据线上测试。
进一步，所述S3具体包括：
基于仿真数据训练得到的TCN模型直接应用在海上试验实际观测数据时产生误码率平台效应；
针对噪声、信道不匹配的情况，采用Fine-tuning深度迁移学习，以基于仿真数据训练的TCN模型为预训练模型，冻结冻结全局池化层以前的卷积残差网络，设部分试验数据为约定已知的通信前训练数据，并输入TCN网络对网络后端的全连接层和Softmax层进行迁移学习；
评估TCN-TL模型在低信噪比条件下的通信效果，将试验收集的环境噪声信号按照信噪比能量条件调整幅值，并叠加到试验接收波形信号，得到低信噪比条件的考察波形信号，将剩余数据导入迁移学习后的模型(TCN-TL)，与传统扩频接收器、频率压缩接收器与基于仿真数据训练的TCN接收器解码误码率对比。
进一步，所述S3中，基于仿真数据训练得到的TCN模型直接应用在海上试验实际观测数据时产生误码率平台效应具体包括：
基于2022年7月胶州湾海中在收发节点相对径向速度0.32m/s的多普勒背景下获得的511码M元通信接收波形数据，得到传统扩频接收器、频率压缩接收器与基于仿真数据训练的TCN接收器解码误码率分别为0.0788、0.0363和0.0863；线下训练过程使用白噪声来模拟近海环境噪声是相对近似的，实际中的近海海洋环境噪声组成复杂，除大量完全随机的白噪声外，还包含生物、人为带来的瞬态噪声、有色噪声等信号；信道仿真方面，由于难以准确反应复杂地形地质以及粗糙海面等环境条件，且水声信道模型存在自身运算误差，因此线下仿真信道条件也是存在误差的。
进一步，所述Fine-tuning深度迁移学习具体包括：
基于胶州湾试验800组实测波形数据，使用其中200组开展Fine-tuning深度迁移学习，评估TCN-TL模型在低信噪比条件下的通信效果，将试验收集的环境噪声信号按照信噪比能量条件调整幅值，并叠加到试验接收波形信号，得到低信噪比条件的考察波形信号；而后将剩余数据导入迁移学习后的模型(TCN-TL)，与传统扩频接收器、频率压缩接收器与基于仿真数据训练的TCN接收器解码误码率对比。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明提出了一种基于TCN深度学习模型的水下非固定节点M元扩频通信方法，该方法基于TCN深度学习模型原理设计一种基于残差网络的TCN结构深度学习网络，经训练后作为接收端处理器对水声扩频时间序列波形信号识别分类，进而完成解码，而无需耗费大量计算资源开展信道估计、信道均衡、解扩相关计算等工作。TCN模型训练过程分为线下仿真强化训练，和实际海上迁移训练两个过程：线下仿真强化训练阶段，利用空间网络格点BELLHOP仿真信道、多普勒扩展背景开展线下强化训练，实现TCN在空间和多普勒较高泛化能力；实际海上迁移学习阶段，针对多径环境、噪声环境不匹配的情况，提出采用Fine-tuning深度迁移学习训练方法，冻结全局池化层以前的卷积残差网络，设部分试验数据为约定已知的通信前训练数据，并输入Fine-tuningTCN网络对网络后端的全连接层和Softmax层进行迁移学习。仿真和试验表明，该方法明显提高了近海复杂多普勒多径环境下的M元扩频水声通信效果。
本发明在应对近海多普勒、多径复杂环境非固定节点M元水声扩频通信中相对于传统扩频接收技术和频率压缩技术，更适用于低信噪比、多普勒背景海况。本发明提出的基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法提高了传统扩频方法的通信效果，仿真结果表明，以误码率0.01为参考，127码TCN模型较频率压缩接收器信噪比可降低3dB，511码TCN模型较频率压缩接收器信噪比可降低6dB；海上试验结果表明，经迁移学习的TCN-TL模型灵活适应了试验海区噪声、信道环境，解码效果明显优于传统技术。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明针对传统扩频通信在水下移动通信中相位跳变，扩频增益急剧下降的问题，利用深度学习时间卷积网络(TCN)模型的分类功能，作为M元扩频通信系统的接收器完成扩频码分类，进而实现解码。在训练过程中，基于TCN结构的神经网络模型被输入每个混沌序列的时域波形，以学习每个序列所携带的特征；通过空间网络格点BELLHOP仿真信道、多普勒扩展背景开展线下强化训练，实现TCN在空间和多普勒较高泛化能力；在实际海洋环境线上应用过程中，针对多径环境、噪声环境不匹配的情况，提出采用Fine-tuning深度迁移学习训练方法，冻结全局池化层以前的卷积残差网络，设部分试验数据为约定已知的通信前训练数据，并输入Fine-tuning TCN网络对网络后端的全连接层和Softmax层进行迁移学习，提高了复杂多普勒、时变多径环境下的M元扩频通信鲁棒性。
作为产品应用技术方案，基于TCN深度学习模型的通信接收器可以提高低信噪比复杂海洋背景下的通信效果；同时免去了传统接收系统中信道估计、信道均衡、解扩相关计算环节，降低了水声通信节点计算开销，有利于延长水下通信节点使用寿命；较近年来国际领先的GNN模型在水声扩频通信领域的应用方案，突破了深度学习在长扩频码领域的应用局限，解决了网络学习过程中的梯度爆炸、梯度消失等问题。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
本发明的技术方案填补了国内外业内技术空白：
该方法首次将TCN深度学习模型应用于M元扩频水声通信领域，在近年来国际领先的GNN模型在水声扩频通信领域的应用方案基础上，进一步突破了深度学习在长扩频码领域的应用局限，解决了网络学习过程中的梯度爆炸、梯度消失等问题。利用TCN卷积神经网络对时间序列压缩扩展不敏感的特性，较好的解决了复杂多普勒背景下水声扩频通信鲁棒性问题。首次将深度学习在水声扩频通信领域应用技术付诸于实际海上试验验证，经计算量较小的海上Fine-tuning迁移学习，实现了海上通信效果验证，通信效果明显优于现有水声扩频通信系统。
附图说明
图1是本发明实施例提供的基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法流程图；
图2是本发明实施例提供的TCN网络膨胀卷积示意图；
图3是本发明实施例提供的TCN深度残差网络结构；
图4是本发明实施例提供的空间网格训练节点示意图(环境条件与胶州湾试验一致)；
图5是本发明实施例提供的基于仿真测试数据的TCN接收机、传统SS接收机(Con-S)和频率压缩接收机(Fre-C)的误码率(BER)性能比较图；
图6是本发明实施例提供的Fine-tuning深度迁移学习过程图；
图7是本发明实施例提供的基于海上实测数据的TCN-TL接收机、TCN接收机、传统SS接收机(Con-S)和频率压缩接收机(Fre-C)的误码率(BER)性能比较图。。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，本发明提供的基于Temporal Convolutional Network(TCN)深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法，具体包括以下步骤：
S1：TCN网络模型设计；
S2：TCN线下强化训练(预训练)；
S3：TCN基于海上实测数据的迁移学习。
为了解决近海水下复杂多普勒、时变多径环境下的M元扩频稳健通信问题，本发明提出了一种基于TCN深度学习模型的水下非固定节点M元扩频通信方法，该方法基于TCN深度学习模型原理设计一种基于残差网络的TCN结构深度学习网络，经训练后作为接收端处理器对水声扩频时间序列波形信号识别分类，进而完成解码，而无需耗费大量计算资源开展信道估计、信道均衡、解扩相关计算等工作。TCN模型训练过程分为线下仿真强化训练，和实际海上迁移训练两个过程：线下仿真强化训练阶段，利用空间网络格点BELLHOP仿真信道、多普勒扩展背景开展线下强化训练，实现TCN在空间和多普勒较高泛化能力；实际海上迁移学习阶段，针对多径环境、噪声环境不匹配的情况，提出采用Fine-tuning深度迁移学习训练方法，冻结全局池化层以前的卷积残差网络，设部分试验数据为约定已知的通信前训练数据，并输入Fine-tuning TCN网络对网络后端的全连接层和Softmax层进行迁移学习。仿真和试验表明，该方法明显提高了近海复杂多普勒多径环境下的M元扩频水声通信效果。将方法步骤描述如下：
1、TCN网络模型设计。
针对M元水声通信扩频接收波形信号特点，设计基于残差网络的TCN深度学习网络模型，基于膨胀卷积和深度残差网络获得随着网络深度指数增加的感受野，TCN膨胀卷积示意图见图2，TCN深度残差网络结构见图3，TCN网络设计参数见表1。在本文实际TCN网络中，膨胀卷积基数设为2，感受野随层数增加呈2的指数幂增大；同时为了进一步扩大感受野卷积卷积核大小设置为5。在TCN残差块后设置全局池化层、全连接层、Softmax层、Classification层后进行分类。需要指出的是，我们通过反复试验发现，将接收得到的原始数据与经过载波频率fc下调频处理后(未考虑多普勒因子)作为两个特征输入TCN，较仅利用原始数据作为特征输入获得更好的学习效果,这可能是系统额外获取了发射信号载波频率信息，提高了特征提取效率所致。
表1针对M元水声扩频通信TCN模型设计参数设置
2、TCN线下强化训练(预训练)
利用BELLHOP仿真信号线下训练TCN模型，训练过程中，针对实际复杂动力环境下径向多普勒、信道条件强时变性，我们在线下训练阶段在仿真训练集加入针对多普勒和多径的数据加强预处理过程：训练数据通过输入-1至1m/s多普勒背景的数据、间隔0.2m/s网格化信道背景进行强化，并加入-10dB信噪比条件的白噪声；同时设置空间网格训练节点，通过开展基于网格点间仿真通信信道的仿真信号强化训练，提高TCN模型的空间泛化能力，空间网格训练节点示意效果见图4。基于图4所示绿色随机测试节点，开展随机位置、随机多普勒背景的仿真数据线上测试，分别设置127、511不同长度的两类混沌扩频码，经过蒙特卡洛试验得到测试效果如图5所示。可以看出，TCN模型在随机位置和多普勒条件下的仿真线上测试中较传统扩频和频率压缩扩频在通信效果上均有明显提高，其中511码TCN模型因码长较长，可提取的波形特征更多，较127码TCN模型也存在一定优势。以误码率0.01为参考，127码TCN模型较频率压缩接收器信噪比可降低3dB，511码TCN模型较频率压缩接收器信噪比可降低6dB，而511码TCN模型较127码TCN模型信噪比可降低近4dB。
3、TCN基于海上实测数据的迁移学习
我们基于2022年7月胶州湾海中在收发节点相对径向速度0.32m/s的多普勒背景下获得的511码M元通信接收波形数据，得到传统扩频接收器、频率压缩接收器与基于仿真数据训练的TCN接收器解码误码率分别为0.0788、0.0363和0.0863，可以看出，仅基于仿真数据训练的TCN接收器未能实现提升海上通信效果的目的。需要指出的是，这里线下训练过程使用白噪声来模拟近海环境噪声是相对近似的，实际中的近海海洋环境噪声组成复杂，除大量完全随机的白噪声外，还包含生物、人为带来的瞬态噪声、有色噪声等信号；信道仿真方面，由于难以准确反应复杂地形地质以及粗糙海面等环境条件，且水声信道模型存在自身运算误差，因此线下仿真信道条件也是存在误差的。受以上两点影响，我们将基于仿真数据训练得到的TCN模型直接应用在海上试验实际观测数据时产生误码率平台效应。
针对噪声、信道不匹配的情况，提出采用Fine-tuning深度迁移学习，以基于仿真数据训练的TCN模型为预训练模型，冻结冻结全局池化层以前的卷积残差网络，设部分试验数据为约定已知的通信前训练数据，并输入TCN网络对网络后端的全连接层和Softmax层进行迁移学习。Fine-tuning深度迁移学习过程如图6所示。这里采用的基于胶州湾试验800组实测波形数据，我们使用其中200组开展Fine-tuning深度迁移学习。为了评估TCN-TL模型在低信噪比条件下的通信效果，我们将试验收集的环境噪声信号按照信噪比能量条件调整幅值，并叠加到试验接收波形信号，得到低信噪比条件的考察波形信号。而后将剩余数据导入迁移学习后的模型(TCN-TL)，与传统扩频接收器、频率压缩接收器与基于仿真数据训练的TCN接收器解码误码率对比效果见图7。可以看出，经迁移学习后的TCN-TL模型适应了试验现场的噪声、多径环境，实现了类似图5仿真数据测试的效果，明显提高了系统在复杂近海动力环境、噪声环境、低信噪比条件下的通信能力。海上试验结果证实了该方法的有效性。
为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
将本发明应用实施例提供的基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法应用于计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法的步骤。
将本发明应用实施例提供的基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法应用于信息数据处理终端，所述信息数据处理终端用于实现所述基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法的步骤。
将本发明应用实施例提供的基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法应用于计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法的步骤。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
2022年7月15日于胶州湾进行了水声直接序列扩频通信试验，胶州湾海域潮汐类型以半日潮为主，当日为望日，对应当月大潮，因此当日潮流较强。信号发射船在通信信号发射过程为锚泊状态，发射换能器初始释放深度15米；信号接收船位胶州湾湾口位置(潮流相对较大)，接收水听器初始释放深度15米，试验过程中该船未抛锚，处于自由移动漂流状态，因此试验过程中发射换能器和接收水听器存在相对移动即多普勒背景，平均径向相对速度0.32m/s。信号发射船与接收船间径向距离4000米，径向水深变化较为缓和，水深28-34米。共发送扩频码元800组。
对海试接收信号按照传统扩频接收器、频率压缩接收器、TCN模型(基于仿真数据训练)、TCN-TL(基于200组接收波形信号Fine-tuning迁移学习训练)解码接收器四种方法进行解码比对，得到误码率效果如附图7所示，可以看出经迁移学习的TCN-TL接收器较明显提高了海上通信能力。未经迁移学习的线下TCN模型由于线下训练阶段采用理想白噪声和仿真多径信道与海上实际环境存在较大差异，使得TCN模型产生误码平台效应。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法，其特征在于，包括：
S1：TCN网络模型设计；
S2：TCN线下强化训练；
S3：TCN基于海上实测数据的迁移学习。
2.如权利要求1所述基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法，其特征在于，所述S1具体包括：
针对M元水声通信扩频接收波形信号特点，设计基于残差网络的TCN深度学习网络模型，基于膨胀卷积和深度残差网络获得随着网络深度指数增加的感受野，在实际TCN网络中，膨胀卷积基数设为2，感受野随层数增加呈2的指数幂增大；同时为了进一步扩大感受野卷积卷积核大小设置为5；在TCN残差块后设置全局池化层、全连接层、Softmax层、Classification层后进行分类。
3.如权利要求1所述基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法，其特征在于，所述S2具体包括：
利用BELLHOP仿真信号线下训练TCN模型，训练过程中，针对实际复杂动力环境下径向多普勒、信道条件强时变性，在线下训练阶段在仿真训练集加入针对多普勒和多径的数据加强预处理过程。
4.如权利要求3所述基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法，其特征在于，所述针对多普勒和多径的数据加强预处理过程具体如下：
训练数据通过输入-1至1m/s多普勒背景的数据、间隔0.2m/s网格化信道背景进行强化，并加入-10dB信噪比条件的白噪声；同时设置空间网格训练节点，通过开展基于网格点间仿真通信信道的仿真信号强化训练，提高TCN模型的空间泛化能力，基于空间网格训练节点示意效果中绿色随机测试节点，开展随机位置、随机多普勒背景的仿真数据线上测试。
5.如权利要求1所述基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法，其特征在于，所述S3具体包括：
基于仿真数据训练得到的TCN模型直接应用在海上试验实际观测数据时产生误码率平台效应；
针对噪声、信道不匹配的情况，采用Fine-tuning深度迁移学习，以基于仿真数据训练的TCN模型为预训练模型，冻结冻结全局池化层以前的卷积残差网络，设部分试验数据为约定已知的通信前训练数据，并输入TCN网络对网络后端的全连接层和Softmax层进行迁移学习；
评估TCN-TL模型在低信噪比条件下的通信效果，将试验收集的环境噪声信号按照信噪比能量条件调整幅值，并叠加到试验接收波形信号，得到低信噪比条件的考察波形信号，将剩余数据导入迁移学习后的模型，与传统扩频接收器、频率压缩接收器与基于仿真数据训练的TCN接收器解码误码率对比。
6.如权利要求5所述基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法，其特征在于，所述S3中，基于仿真数据训练得到的TCN模型直接应用在海上试验实际观测数据时产生误码率平台效应具体包括：
基于获得的511码M元通信接收波形数据，得到传统扩频接收器、频率压缩接收器与基于仿真数据训练的TCN接收器解码误码率分别为0.0788、0.0363和0.0863。
7.如权利要求5所述基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法，其特征在于，所述Fine-tuning深度迁移学习具体包括：
基于实测波形数据开展Fine-tuning深度迁移学习，评估TCN-TL模型在低信噪比条件下的通信效果，将试验收集的环境噪声信号按照信噪比能量条件调整幅值，并叠加到试验接收波形信号，得到低信噪比条件的考察波形信号；而后将剩余数据导入迁移学习后的模型(TCN-TL)，与传统扩频接收器、频率压缩接收器与基于仿真数据训练的TCN接收器解码误码率对比。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7任意一项所述基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法的步骤。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-7任意一项所述基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求1-7任意一项所述基于TCN深度学习和Fine-tuning深度迁移学习的水下非固定节点M元扩频通信方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310239579.6A CN116232478A (zh) | 2023-03-14 | 2023-03-14 | 基于深度学习和深度迁移学习的水下非固定节点通信方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310239579.6A CN116232478A (zh) | 2023-03-14 | 2023-03-14 | 基于深度学习和深度迁移学习的水下非固定节点通信方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116232478A true CN116232478A (zh) | 2023-06-06 |
Family
ID=86582298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310239579.6A Pending CN116232478A (zh) | 2023-03-14 | 2023-03-14 | 基于深度学习和深度迁移学习的水下非固定节点通信方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116232478A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116405111A (zh) * | 2023-06-09 | 2023-07-07 | 山东科技大学 | 一种基于深度强化学习的海上无人机辅助光数据收集方法 |
-
2023
- 2023-03-14 CN CN202310239579.6A patent/CN116232478A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116405111A (zh) * | 2023-06-09 | 2023-07-07 | 山东科技大学 | 一种基于深度强化学习的海上无人机辅助光数据收集方法 |
| CN116405111B (zh) * | 2023-06-09 | 2023-08-15 | 山东科技大学 | 一种基于深度强化学习的海上无人机辅助光数据收集方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Biologically inspired covert underwater acoustic communication by mimicking dolphin whistles | |
| CN113541835B (zh) | 一种基于条件生成对抗网络的时变水声信道模拟方法 | |
| CN116232478A (zh) | 基于深度学习和深度迁移学习的水下非固定节点通信方法 | |
| CN106411438A (zh) | 浅水时变多途水声信道建模 | |
| CN106936514A (zh) | 稀疏信道下基于能量集中的水声前导信号检测方法 | |
| Wang et al. | IAFNet: Few-shot learning for modulation recognition in underwater impulsive noise | |
| Zhao et al. | Federated meta-learning enhanced acoustic radio cooperative framework for ocean of things | |
| CN111580110A (zh) | 一种基于浅海多径时延的复合码水声测距方法 | |
| Wolff et al. | Acoustic underwater channel and network simulator | |
| Hu et al. | TCN-based M-ary mobile spread spectrum underwater acoustic communication | |
| CN106972895A (zh) | 稀疏信道下基于累积相关系数的水声前导信号检测方法 | |
| Jia et al. | The study on time-variant characteristics of under water acoustic channels | |
| Xiang-ping et al. | Analyzing the performance of channel in Underwater Wireless Sensor Networks (UWSN) | |
| CN110441761A (zh) | 基于分布式浮标探测的多源信息融合方法 | |
| Sun et al. | The line-of-sight peak detection and tracking of underwater acoustic DSSS communications in the doubly spread channel | |
| Yao et al. | Recognition method for underwater imitation whistle communication signals by slope distribution | |
| Santoso et al. | Development of underwater acoustic communication model: Opportunities and challenges | |
| CN115037386A (zh) | 一种仿生通讯信号模拟测试方法 | |
| Jemmott et al. | Single-hydrophone model-based passive sonar source depth classification | |
| CN105245294B (zh) | 基于单矢量差分能量检测器的扩频水声通信方法 | |
| Lv et al. | Signal Design and Processing for Underwater Acoustic Positioning and Communication Integrated System | |
| Fei et al. | Underwater Acoustic Communication Based on Hyperbolic Frequency Modulated M-ary Binary Orthogonal Keying | |
| Yu et al. | Underwater acoustic channel tracking based on parameter fault detection algorithm | |
| Kong et al. | Channel replay aided modulation classification of underwater acoustic communication signals | |
| Xu et al. | A Multiple Sequences Spread-Spectrum System with Cyclic Index Modulation for Underwater Acoustic Communication |
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 |