CN116405127B - 水声通信前导信号检测模型的压缩方法和装置 - Google Patents
水声通信前导信号检测模型的压缩方法和装置 Download PDFInfo
- Publication number
- CN116405127B CN116405127B CN202310681294.8A CN202310681294A CN116405127B CN 116405127 B CN116405127 B CN 116405127B CN 202310681294 A CN202310681294 A CN 202310681294A CN 116405127 B CN116405127 B CN 116405127B
- Authority
- CN
- China
- Prior art keywords
- detection model
- signal detection
- underwater acoustic
- acoustic communication
- quantization
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 240
- 238000004891 communication Methods 0.000 title claims abstract description 231
- 238000000034 method Methods 0.000 title claims abstract description 87
- 230000006835 compression Effects 0.000 title claims abstract description 24
- 238000007906 compression Methods 0.000 title claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 83
- 238000013139 quantization Methods 0.000 claims abstract description 77
- 238000010586 diagram Methods 0.000 claims abstract description 69
- 238000013138 pruning Methods 0.000 claims abstract description 34
- 238000011176 pooling Methods 0.000 claims abstract description 31
- 238000005516 engineering process Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 10
- 230000004913 activation Effects 0.000 claims description 29
- 238000007667 floating Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 24
- 238000004364 calculation method Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/0082—Monitoring; Testing using service channels; using auxiliary channels
- H04B17/0085—Monitoring; Testing using service channels; using auxiliary channels using test signal generators
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0225—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请提出了一种水声通信前导信号检测模型的压缩方法和装置，涉及水声通信前导信号检测技术领域，其中，该方法包括：利用深度可分离卷积和全局平均池化技术构建水声通信前导信号检测模型；采用基于通道间独立性的特征导向滤波器剪枝方法对水声通信前导信号检测模型进行剪枝，得到剪枝后的水声通信前导信号检测模型；采用训练后量化技术对剪枝后的水声通信前导信号检测模型进行量化，以压缩水声通信前导信号检测模型的参数，得到压缩后的水声通信前导信号检测模型。本申请利用轻量化卷积神经网络识别接收信号时频图以实现前导检测，以实现一种高性能、低运算量、低参数量的水声通信前导信号检测方法。
Description
技术领域
本申请涉及水声通信前导信号检测技术领域，尤其涉及一种水声通信前导信号检测模型的压缩方法和装置。
背景技术
海洋是孕育生命的摇篮，更是巨大的资源宝库。海洋资源的开发和利用，对缓解资源紧缺现状、促进国民经济发展具有重要意义。近些年随着水下应用设备的不断增加，海洋信息传输需求大幅增长。水声通信是水下远距离信息传输的主要方式，在海底资源探测、海洋环境开发及军事、国防等领域都发挥了重要作用。
前导信号检测是水声通信的关键环节，只有成功检测到前导信号，接收机才能进行后续的通信数据处理。前导信号检测性能对通信质量具有重要影响，信号虚警会导致数据量上升，增加非必要的功耗，造成通信资源的浪费；信号漏检则会导致有效数据丢失，造成通信失败。因此，如何提升前导信号检测的有效性和准确性，是水声通信中的一个关键问题。现有的水声通信前导信号检测难以很好地满足水声通信的时效性和水下通信机低能耗的要求。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种水声通信前导信号检测模型的压缩方法，解决了现有方法难以很好地满足水声通信的时效性和水下通信机低能耗的要求的技术问题，通过多种网络压缩方法对训练后的紧凑卷积神经网络进行压缩，得到轻量化卷积神经网络，并利用轻量化卷积神经网络识别接收信号时频图以实现前导检测，实现一种高性能、低运算量、低参数量的水声通信前导信号检测方法，提高了计算效率，能够满足水声通信前导信号检测低功耗、高实时性的实际应用要求。
本申请的第二个目的在于提出一种水声通信前导信号检测方法。
本申请的第二个目的在于提出一种水声通信前导信号检测模型的压缩装置。
本申请的第二个目的在于提出一种水声通信前导信号检测装置。
本申请的第五个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本申请第一方面实施例提出了一种水声通信前导信号检测模型的压缩方法，包括：利用深度可分离卷积和全局平均池化技术构建水声通信前导信号检测模型；采用基于通道间独立性的特征导向滤波器剪枝方法对水声通信前导信号检测模型进行剪枝，得到剪枝后的水声通信前导信号检测模型；采用训练后量化技术对剪枝后的水声通信前导信号检测模型进行量化，以压缩水声通信前导信号检测模型的参数，得到压缩后的水声通信前导信号检测模型，其中，压缩后的水声通信前导信号检测模型为轻量化卷积神经网络。
可选地，在本申请的一个实施例中，水声通信前导信号检测模型为紧凑卷积神经网络，利用深度可分离卷积和全局平均池化技术构建水声通信前导信号检测模型，包括：
利用全局平均池化层替换经典卷积神经网络的部分全连接层，并利用深度可分离卷积核替代经典卷积神经网络的标准卷积核，得到紧凑卷积神经网络作为水声通信前导信号检测模型；
其中，紧凑卷积神经网络包括特征提取模块和分类模块，特征提取模块由多个深度可分离卷积核和ReLU激活函数、多个最大池化层、全局平均池化层构成，分类模块由全连接层、softmax激活函数构成。
可选地，在本申请的一个实施例中，采用基于通道间独立性的特征导向滤波器剪枝方法对水声通信前导信号检测模型进行剪枝，得到剪枝后的水声通信前导信号检测模型，包括：
利用特征图展平矩阵核范数的变化量度量特征图的通道独立性，并剪除通道独立性低于预设阈值的特征图对应的滤波器，得到剪枝后的水声通信前导信号检测模型；
其中，特征图的通道独立性表示为：
其中，表示第i个特征图/>的通道独立性，/>表示核范数，/>表示哈达玛积，/>表示第i行元素全为0，其余行元素全为1的掩码矩阵。
可选地，在本申请的一个实施例中，采用训练后量化技术对剪枝后的水声通信前导信号检测模型进行量化，以压缩水声通信前导信号检测模型的参数，包括：
分别对剪枝后的水声通信前导信号检测模型的参数、激活函数、输入数据进行量化，并对剪枝后的水声通信前导信号检测模型的输出数据进行反量化；
其中，剪枝后的水声通信前导信号检测模型的参数的量化公式表示为：
其中，Q表示量化后的整数，r表示量化前的浮点数，s表示量化的尺度因子，Z表示0经量化后对应的整数；
量化后的剪枝后的水声通信前导信号检测模型的激活函数表示为：
其中，表示激活函数的输出值，/>表示激活函数的输入值，Z表示0经量化后对应的整数；
剪枝后的水声通信前导信号检测模型的输入数据的量化公式表示为：
其中，Q表示量化后的整数，r表示量化前的浮点数，s表示量化的尺度因子，Z表示0经量化后对应的整数；
剪枝后的水声通信前导信号检测模型的输出数据的反量化公式表示为：
其中，表示反量化后的浮点数，Q表示量化后的整数，s表示量化的尺度因子，Z表示0经量化后对应的整数。
为达上述目的，本申请第二方面实施例提出了一种水声通信前导信号检测方法，包括：获取待检测接收信号，并对待检测接收信号进行预处理，得到待检测接收信号的时频图；将待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，生成前导信号检测结果。
可选地，在本申请的一个实施例中，获取待检测接收信号，并对待检测接收信号进行预处理，得到待检测接收信号的时频图，包括：
通过时频分析技术对待检测接收信号进行时域和频域的联合观测，得到待检测接收信号的时频图。
可选地，在本申请的一个实施例中，将待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，生成前导信号检测结果，包括：
将待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，得到压缩后的水声通信前导信号检测模型的输出；
根据压缩后的水声通信前导信号检测模型的输出判断待检测接收信号是否为前导信号，生成前导信号检测结果。
为达上述目的，本申请第三方面实施例提出了一种水声通信前导信号检测模型的压缩装置，包括：
构建模块，用于利用深度可分离卷积和全局平均池化技术构建水声通信前导信号检测模型；
剪枝模块，用于采用基于通道间独立性的特征导向滤波器剪枝方法对水声通信前导信号检测模型进行剪枝，得到剪枝后的水声通信前导信号检测模型；
量化模块，用于采用训练后量化技术对剪枝后的水声通信前导信号检测模型进行量化，以压缩水声通信前导信号检测模型的参数，得到压缩后的水声通信前导信号检测模型，其中，压缩后的水声通信前导信号检测模型为轻量化卷积神经网络。
为达上述目的，本申请第四方面实施例提出了一种水声通信前导信号检测装置，包括：
获取模块，用于获取待检测接收信号，并对待检测接收信号进行预处理，得到待检测接收信号的时频图；
生成模块，用于将待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，生成前导信号检测结果。
为了实现上述目的，本申请第五方面实施例提出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，能够执行一种水声通信前导信号检测模型的压缩方法，或者，水声通信前导信号检测方法。
本申请实施例的水声通信前导信号检测模型的压缩方法、水声通信前导信号检测方法、水声通信前导信号检测模型的压缩装置、水声通信前导信号检测装置和非临时性计算机可读存储介质，解决了现有方法难以很好地满足水声通信的时效性和水下通信机低能耗的要求的技术问题，通过多种网络压缩方法对训练后的紧凑卷积神经网络进行压缩，得到轻量化卷积神经网络，并利用轻量化卷积神经网络识别接收信号时频图以实现前导检测，实现一种高性能、低运算量、低参数量的水声通信前导信号检测方法，提高了计算效率，能够满足水声通信前导信号检测低功耗、高实时性的实际应用要求。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例一所提供的一种水声通信前导信号检测模型的压缩方法的流程图；
图2为本申请实施例的水声通信前导信号检测模型的压缩方法的紧凑卷积神经网络结构示意图；
图3为本申请实施例的水声通信前导信号检测模型的压缩方法的全局平均池化层示意图；
图4为本申请实施例的水声通信前导信号检测模型的压缩方法的深度可分离卷积示意图；
图5为本申请实施例二所提供的一种水声通信前导信号检测方法的流程图；
图6为本申请实施例三所提供的一种水声通信前导信号检测模型的压缩装置的结构示意图；
图7为本申请实施例四所提供的一种水声通信前导信号检测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
目前水声通信前导信号检测通常采用归一化匹配滤波算法。归一化匹配滤波算法，将接收信号与本地信号的相关系数作为判决量，实现信号检测，该算法抗噪声性能好，但无法有效对抗多径效应，在信道结构比较复杂的情况下，检测性能会明显降低。而在这种情况下，利用时频分析技术得到接收信号的时频图，再通过人眼对其进行分辨，则能够识别出前导信号的有无。卷积神经网络（Convolutional Neural Networks，CNN）能够模拟人眼识别图片的过程，故可以利用CNN进行水声通信前导信号检测。
水声信道特别是浅海、湖泊、岛礁附近等水域，由于边界条件复杂、水中散射体多、介质分布不均匀等原因，会存在极为严重的多径效应。近海区域船舶和水下设备较多，则会产生丰富的信号干扰。这些给水声通信前导信号检测造成了极大的困难与挑战。基于经典CNN的方法虽然能够克服这些困难，但运算量和参数量较大，难以很好地满足水声通信的时效性和水下通信机低能耗的要求。
本申请提出一种基于轻量化CNN的水声通信前导信号检测方法。利用时频分析技术预处理接收信号，所得时频图所表征的前导信号特征受信道多径和各种干扰的影响较小，将该时频图作为CNN输入，同时设计一种紧凑CNN，并通过多种网络压缩方法对训练后的紧凑CNN进行压缩，最终得到一种轻量化CNN。利用其识别接收信号时频图以实现前导检测，检测性能与经典CNN相差不大，而运算量和参数量远低于经典CNN。最终实现一种高性能、低运算量、低参数量的水声通信前导信号检测方法。
下面参考附图描述本申请实施例的水声通信前导信号检测模型的压缩方法和装置。
图1为本申请实施例一所提供的一种水声通信前导信号检测模型的压缩方法的流程图。
如图1所示，该水声通信前导信号检测模型的压缩方法包括以下步骤：
步骤101，利用深度可分离卷积和全局平均池化技术构建水声通信前导信号检测模型；
步骤102，采用基于通道间独立性的特征导向滤波器剪枝方法对水声通信前导信号检测模型进行剪枝，得到剪枝后的水声通信前导信号检测模型；
步骤103，采用训练后量化技术对剪枝后的水声通信前导信号检测模型进行量化，以压缩水声通信前导信号检测模型的参数，得到压缩后的水声通信前导信号检测模型，其中，压缩后的水声通信前导信号检测模型为轻量化卷积神经网络。
本申请实施例的水声通信前导信号检测模型的压缩方法，通过利用深度可分离卷积和全局平均池化技术构建水声通信前导信号检测模型；采用基于通道间独立性的特征导向滤波器剪枝方法对水声通信前导信号检测模型进行剪枝，得到剪枝后的水声通信前导信号检测模型；采用训练后量化技术对剪枝后的水声通信前导信号检测模型进行量化，以压缩水声通信前导信号检测模型的参数，得到压缩后的水声通信前导信号检测模型，其中，压缩后的水声通信前导信号检测模型为轻量化卷积神经网络。由此，能够解决现有方法难以很好地满足水声通信的时效性和水下通信机低能耗的要求的技术问题，通过多种网络压缩方法对训练后的紧凑卷积神经网络进行压缩，得到轻量化卷积神经网络，并利用轻量化卷积神经网络识别接收信号时频图以实现前导检测，实现一种高性能、低运算量、低参数量的水声通信前导信号检测方法，提高了计算效率，能够满足水声通信前导信号检测低功耗、高实时性的实际应用要求。
本申请提出了一种基于轻量化卷积神经网络的水声通信前导信号检测方法，其中，轻量化卷积神经网络的获取，有两个步骤：第一，设计一种紧凑的网络；第二，组合使用两种网络压缩方法——“剪枝”、“量化”压缩紧凑网络。
本申请首先利用深度可分离卷积和全局平均池化技术构建了一种紧凑CNN，再利用剪枝技术和量化技术对训练后的紧凑CNN进行压缩，最终得到一种轻量化CNN。
进一步地，在本申请实施例中，水声通信前导信号检测模型为紧凑卷积神经网络，利用深度可分离卷积和全局平均池化技术构建水声通信前导信号检测模型，包括：
利用全局平均池化层替换经典卷积神经网络的部分全连接层，并利用深度可分离卷积核替代经典卷积神经网络的标准卷积核，得到紧凑卷积神经网络作为水声通信前导信号检测模型；
其中，紧凑卷积神经网络包括特征提取模块和分类模块，特征提取模块由多个深度可分离卷积核和ReLU激活函数、多个最大池化层、全局平均池化层构成，分类模块由全连接层、softmax激活函数构成。
与经典CNN结构相比，本申请设计的紧凑CNN结构主要有两个特点：第一，利用全局平均池化层（GAP）替代大部分全连接层；第二，利用深度可分离卷积核替代标准卷积核。
如图2所示，该紧凑CNN包括特征提取模块和分类模块，特征提取模块由多个深度可分离卷积核和ReLU激活函数、多个最大池化层、全局平均池化层构成，分类模块由全连接层、softmax激活函数构成。其中，使用紧凑CNN进行数据处理流程为，先对数据进行预处理，然后输入特征提取模块，依次经过深度可分离卷积核和ReLU激活函数、最大池化层、深度可分离卷积核和ReLU激活函数、最大池化层、深度可分离卷积核和ReLU激活函数、全局平均池化层，再输入分类模块，经过全连接层、2个神经元+softmax激活函数，得到紧凑CNN的输出数据。
如图3所示，GAP层对卷积层输出的所有特征图分别进行平均运算，将每个特征图映射为一个数，其本身不包含任何可训练参数。
如图4所示，深度可分离卷积将一个标准卷积核拆分为一个平面方向的深度卷积核和一个深度方向的逐点卷积核。深度卷积核中只包含一个通道，负责与输入层中的一个通道进行卷积计算。逐点卷积则将深度卷积各通道输出结果加权求和，生成输出特征图。
进一步地，在本申请实施例中，采用基于通道间独立性的特征导向滤波器剪枝方法对水声通信前导信号检测模型进行剪枝，得到剪枝后的水声通信前导信号检测模型，包括：
利用特征图展平矩阵核范数的变化量度量特征图的通道独立性，并剪除通道独立性低于预设阈值的特征图对应的滤波器，得到剪枝后的水声通信前导信号检测模型；
其中，特征图的通道独立性表示为：
其中，表示第i个特征图/>的通道独立性，/>表示核范数，/>表示哈达玛积，/>表示第i行元素全为0，其余行元素全为1的掩码矩阵。
本申请实施例中，在构建得到紧凑CNN后，获取训练数据对紧凑CNN进行训练。
本申请实施例中，对预训练好的紧凑CNN，采用一种基于通道间独立性的特征导向滤波器剪枝方法对网络进行剪枝。该方法利用特征图展平矩阵核范数的变化量来度量通道独立性，剪除的对象是通道间独立性相对较低的特征图对应的滤波器。
设第L层卷积层输出特征图的集合为αL，，将αL中每个特征图展平成一维向量，作为矩阵的一行，得到矩阵AL。因此αL中每个特征图/>的通道独立性（Channel Independence，CI）可以表示为：
其中，表示第i个特征图/>的通道独立性，/>表示核范数，/>表示哈达玛积。/>是第i行元素全为0，其余行元素全为1的掩码矩阵。
进一步地，在本申请实施例中，采用训练后量化技术对剪枝后的水声通信前导信号检测模型进行量化，以压缩水声通信前导信号检测模型的参数，包括：
分别对剪枝后的水声通信前导信号检测模型的参数、激活函数、输入数据进行量化，并对剪枝后的水声通信前导信号检测模型的输出数据进行反量化；
其中，剪枝后的水声通信前导信号检测模型的参数的量化公式表示为：
其中，Q表示量化后的整数，r表示量化前的浮点数，s表示量化的尺度因子，Z表示0经量化后对应的整数；
量化参数s和Z的计算公式为：
其中，rmax和rmin通过统计得到，训练后量化（PTQ）将模型训练数据集作为校准数据集，通过前向传播统计量化前网络中浮点数的分布，得到最大值rmax和最小值rmin，Qmax和Qmin则分别是8bit整数能表示的最大值和最小值。
量化后的剪枝后的水声通信前导信号检测模型的激活函数表示为：
其中，表示激活函数的输出值，/>表示激活函数的输入值，Z表示0经量化后对应的整数；
剪枝后的水声通信前导信号检测模型的输入数据的量化公式表示为：
其中，Q表示量化后的整数，r表示量化前的浮点数，s表示量化的尺度因子，Z表示0经量化后对应的整数；
剪枝后的水声通信前导信号检测模型的输出数据的反量化公式表示为：
其中，表示反量化后的浮点数，Q表示量化后的整数，s表示量化的尺度因子，Z表示0经量化后对应的整数。
本申请实施例中，对剪枝后的网络，采用训练后量化（PTQ）技术对其进行8bit量化，以进一步压缩网络参数，需对模型参数、激活函数和输入输出数据分别进行量化。其中，输入数据的量化公式与模型参数的量化公式相同。输出数据则需进行反量化，以保证模型量化后的最终输出仍为浮点数。
图5为本申请实施例二所提供的一种水声通信前导信号检测方法的流程图。
如图5所示，该水声通信前导信号检测方法，包括：
步骤501，获取待检测接收信号，并对待检测接收信号进行预处理，得到待检测接收信号的时频图；
步骤502，将待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，生成前导信号检测结果。
本申请实施例的水声通信前导信号检测方法，通过获取待检测接收信号，并对待检测接收信号进行预处理，得到待检测接收信号的时频图；将待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，生成前导信号检测结果。由此，能够解决现有方法难以很好地满足水声通信的时效性和水下通信机低能耗的要求的技术问题，通过多种网络压缩方法对训练后的紧凑卷积神经网络进行压缩，得到轻量化卷积神经网络，并利用轻量化卷积神经网络识别接收信号时频图以实现前导检测，实现一种高性能、低运算量、低参数量的水声通信前导信号检测方法，提高了计算效率，能够满足水声通信前导信号检测低功耗、高实时性的实际应用要求。
进一步地，在本申请实施例中，获取待检测接收信号，并对待检测接收信号进行预处理，得到待检测接收信号的时频图，包括：
通过时频分析技术对待检测接收信号进行时域和频域的联合观测，得到待检测接收信号的时频图。
本申请实施例中，对于接收信号进行预处理，即通过时频分析技术，对接收信号进行时域和频域的联合观测，得到其时频图。常用的时频分析技术包括短时傅里叶变换（STFT）、Gabor变换、Wigner-Ville分布、小波变换等，本申请以STFT为例进行说明，STFT的公式表示为：
其中，表示对信号/>的短时傅里叶变换，/>表示时间，/>表示频率，表示信号，/>表示积分变量，/>表示中心位于t时刻的时间窗函数，/>表示共轭，/>表示虚数单位。
进一步地，在本申请实施例中，将待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，生成前导信号检测结果，包括：
将待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，得到压缩后的水声通信前导信号检测模型的输出；
根据压缩后的水声通信前导信号检测模型的输出判断待检测接收信号是否为前导信号，生成前导信号检测结果。
本申请实施例的基于轻量化CNN的水声通信前导信号检测方法，先利用时频分析技术得到接收信号时频图，将前导信号检测问题转化为前导信号时频图识别问题，再利用轻量化CNN识别时频图，根据网络的输出判断接收信号是否为前导信号，最终实现前导信号检测。
本申请提出的基于轻量化CNN的水声通信前导信号检测方法，先利用STFT对接收信号进行预处理得到时频图，再利用压缩后的紧凑CNN识别时频图以实现信号检测。利用STFT对接收信号进行预处理，能够有效提取接收信号时频域联合特征，降低多径效应和干扰信号对前导信号检测的影响。利用压缩后的紧凑CNN识别时频图，在检测性能相当的情况下，网络所需运算量和参数量相比于经典CNN大幅降低，能够很好地满足水声通信前导信号检测低功耗、高实时性的实际应用要求。
以试验数据为例，进一步说明本申请的技术效果。实验地点水深较浅、岛屿众多，且通信机布放深度只有5米，信道环境非常复杂，多径和混响严重，还存在许多干扰。分别用本申请方法、经典CNN方法、归一化匹配滤波方法处理数据，三种方法的性能对比，如下表一所示。
表一
从表一可以看出，经典CNN方法虚警率低于归一化匹配滤波方法、检测概率显著高于归一化匹配滤波方法，检测性能全面优于归一化匹配滤波方法，但参数量和运算量较大。本申请所提轻量化CNN方法，检测性能与经典CNN方法相差不大，而参数量和运算量远低于经典CNN方法，参数量降低约24600倍，运算量降低约163倍。
图6为本申请实施例三所提供的一种水声通信前导信号检测模型的压缩装置的结构示意图。
如图6所示，该水声通信前导信号检测模型的压缩装置，包括：
构建模块61，用于利用深度可分离卷积和全局平均池化技术构建水声通信前导信号检测模型；
剪枝模块62，用于采用基于通道间独立性的特征导向滤波器剪枝方法对水声通信前导信号检测模型进行剪枝，得到剪枝后的水声通信前导信号检测模型；
量化模块63，用于采用训练后量化技术对剪枝后的水声通信前导信号检测模型进行量化，以压缩水声通信前导信号检测模型的参数，得到压缩后的水声通信前导信号检测模型，其中，压缩后的水声通信前导信号检测模型为轻量化卷积神经网络。
本申请实施例的水声通信前导信号检测模型的压缩装置，包括构建模块，用于利用深度可分离卷积和全局平均池化技术构建水声通信前导信号检测模型；剪枝模块，用于采用基于通道间独立性的特征导向滤波器剪枝方法对水声通信前导信号检测模型进行剪枝，得到剪枝后的水声通信前导信号检测模型；量化模块，用于采用训练后量化技术对剪枝后的水声通信前导信号检测模型进行量化，以压缩水声通信前导信号检测模型的参数，得到压缩后的水声通信前导信号检测模型，其中，压缩后的水声通信前导信号检测模型为轻量化卷积神经网络。由此，能够解决现有方法难以很好地满足水声通信的时效性和水下通信机低能耗的要求的技术问题，通过多种网络压缩方法对训练后的紧凑卷积神经网络进行压缩，得到轻量化卷积神经网络，并利用轻量化卷积神经网络识别接收信号时频图以实现前导检测，实现一种高性能、低运算量、低参数量的水声通信前导信号检测方法，提高了计算效率，能够满足水声通信前导信号检测低功耗、高实时性的实际应用要求。
图7为本申请实施例四所提供的一种水声通信前导信号检测装置的结构示意图。
如图7所示，该水声通信前导信号检测装置，包括：
获取模块71，用于获取待检测接收信号，并对待检测接收信号进行预处理，得到待检测接收信号的时频图；
生成模块72，用于将待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，生成前导信号检测结果。
本申请实施例的水声通信前导信号检测装置，包括获取模块，用于获取待检测接收信号，并对待检测接收信号进行预处理，得到待检测接收信号的时频图；生成模块，用于将待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，生成前导信号检测结果。由此，能够解决现有方法难以很好地满足水声通信的时效性和水下通信机低能耗的要求的技术问题，通过多种网络压缩方法对训练后的紧凑卷积神经网络进行压缩，得到轻量化卷积神经网络，并利用轻量化卷积神经网络识别接收信号时频图以实现前导检测，实现一种高性能、低运算量、低参数量的水声通信前导信号检测方法，提高了计算效率，能够满足水声通信前导信号检测低功耗、高实时性的实际应用要求。
为了实现上述实施例，本申请还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例的水声通信前导信号检测模型的压缩方法，或者，水声通信前导信号检测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种水声通信前导信号检测模型的压缩方法，其特征在于，包括以下步骤：
利用深度可分离卷积和全局平均池化技术构建水声通信前导信号检测模型；
采用基于通道间独立性的特征导向滤波器剪枝方法对所述水声通信前导信号检测模型进行剪枝，得到剪枝后的水声通信前导信号检测模型；
采用训练后量化技术对所述剪枝后的水声通信前导信号检测模型进行量化，以压缩水声通信前导信号检测模型的参数，得到压缩后的水声通信前导信号检测模型，其中，所述压缩后的水声通信前导信号检测模型为轻量化卷积神经网络；
所述水声通信前导信号检测模型为紧凑卷积神经网络，所述利用深度可分离卷积和全局平均池化技术构建水声通信前导信号检测模型，包括：
利用全局平均池化层替换经典卷积神经网络的部分全连接层，并利用深度可分离卷积核替代经典卷积神经网络的标准卷积核，得到紧凑卷积神经网络作为水声通信前导信号检测模型；
其中，所述紧凑卷积神经网络包括特征提取模块和分类模块，所述特征提取模块由多个深度可分离卷积核和ReLU激活函数、多个最大池化层、全局平均池化层构成，所述分类模块由全连接层、softmax激活函数构成；
所述采用基于通道间独立性的特征导向滤波器剪枝方法对所述水声通信前导信号检测模型进行剪枝，得到剪枝后的水声通信前导信号检测模型，包括：
利用特征图展平矩阵核范数的变化量度量特征图的通道独立性，并剪除通道独立性低于预设阈值的特征图对应的滤波器，得到剪枝后的水声通信前导信号检测模型；
其中，所述特征图的通道独立性表示为：
其中，表示第i个特征图/>的通道独立性，/>表示核范数，/>表示哈达玛积，表示第i行元素全为0，其余行元素全为1的掩码矩阵；
所述采用训练后量化技术对所述剪枝后的水声通信前导信号检测模型进行量化，以压缩水声通信前导信号检测模型的参数，包括：
分别对剪枝后的水声通信前导信号检测模型的参数、激活函数、输入数据进行量化，并对所述剪枝后的水声通信前导信号检测模型的输出数据进行反量化；
其中，剪枝后的水声通信前导信号检测模型的参数的量化公式表示为：
其中，Q表示量化后的整数，r表示量化前的浮点数，s表示量化的尺度因子，Z表示0经量化后对应的整数；
量化后的剪枝后的水声通信前导信号检测模型的激活函数表示为：
其中，表示激活函数的输出值，/>表示激活函数的输入值，Z表示0经量化后对应的整数；
剪枝后的水声通信前导信号检测模型的输入数据的量化公式表示为：
其中，Q表示量化后的整数，r表示量化前的浮点数，s表示量化的尺度因子，Z表示0经量化后对应的整数；
剪枝后的水声通信前导信号检测模型的输出数据的反量化公式表示为：
其中，表示反量化后的浮点数，Q表示量化后的整数，s表示量化的尺度因子，Z表示0经量化后对应的整数。
2.一种水声通信前导信号检测方法，其特征在于，压缩后的水声通信前导信号检测模型如权利要求1所述的水声通信前导信号检测模型的压缩方法得到，包括以下步骤：
获取待检测接收信号，并对所述待检测接收信号进行预处理，得到待检测接收信号的时频图；
将所述待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，生成前导信号检测结果。
3.如权利要求2所述的方法，其特征在于，所述获取待检测接收信号，并对所述待检测接收信号进行预处理，得到待检测接收信号的时频图，包括：
通过时频分析技术对待检测接收信号进行时域和频域的联合观测，得到待检测接收信号的时频图。
4.如权利要求2所述的方法，其特征在于，所述将所述待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，生成前导信号检测结果，包括：
将待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，得到所述压缩后的水声通信前导信号检测模型的输出；
根据所述压缩后的水声通信前导信号检测模型的输出判断所述待检测接收信号是否为前导信号，生成前导信号检测结果。
5.一种水声通信前导信号检测模型的压缩装置，其特征在于，包括：
构建模块，用于利用深度可分离卷积和全局平均池化技术构建水声通信前导信号检测模型；
剪枝模块，用于采用基于通道间独立性的特征导向滤波器剪枝方法对所述水声通信前导信号检测模型进行剪枝，得到剪枝后的水声通信前导信号检测模型；
量化模块，用于采用训练后量化技术对所述剪枝后的水声通信前导信号检测模型进行量化，以压缩水声通信前导信号检测模型的参数，得到压缩后的水声通信前导信号检测模型，其中，所述压缩后的水声通信前导信号检测模型为轻量化卷积神经网络；
所述水声通信前导信号检测模型为紧凑卷积神经网络，所述构建模块，具体用于：
利用全局平均池化层替换经典卷积神经网络的部分全连接层，并利用深度可分离卷积核替代经典卷积神经网络的标准卷积核，得到紧凑卷积神经网络作为水声通信前导信号检测模型；
其中，所述紧凑卷积神经网络包括特征提取模块和分类模块，所述特征提取模块由多个深度可分离卷积核和ReLU激活函数、多个最大池化层、全局平均池化层构成，所述分类模块由全连接层、softmax激活函数构成；
所述剪枝模块，具体用于：
利用特征图展平矩阵核范数的变化量度量特征图的通道独立性，并剪除通道独立性低于预设阈值的特征图对应的滤波器，得到剪枝后的水声通信前导信号检测模型；
其中，所述特征图的通道独立性表示为：
其中，表示第i个特征图/>的通道独立性，/>表示核范数，/>表示哈达玛积，表示第i行元素全为0，其余行元素全为1的掩码矩阵；
所述量化模块，具体用于：
分别对剪枝后的水声通信前导信号检测模型的参数、激活函数、输入数据进行量化，并对所述剪枝后的水声通信前导信号检测模型的输出数据进行反量化；
其中，剪枝后的水声通信前导信号检测模型的参数的量化公式表示为：
其中，Q表示量化后的整数，r表示量化前的浮点数，s表示量化的尺度因子，Z表示0经量化后对应的整数；
量化后的剪枝后的水声通信前导信号检测模型的激活函数表示为：
其中，表示激活函数的输出值，/>表示激活函数的输入值，Z表示0经量化后对应的整数；
剪枝后的水声通信前导信号检测模型的输入数据的量化公式表示为：
其中，Q表示量化后的整数，r表示量化前的浮点数，s表示量化的尺度因子，Z表示0经量化后对应的整数；
剪枝后的水声通信前导信号检测模型的输出数据的反量化公式表示为：
其中，表示反量化后的浮点数，Q表示量化后的整数，s表示量化的尺度因子，Z表示0经量化后对应的整数。
6.一种水声通信前导信号检测装置，其特征在于，包括：如权利要求5所述的水声通信前导信号检测模型的压缩装置、获取模块和生成模块，其中，
所述获取模块，用于获取待检测接收信号，并对所述待检测接收信号进行预处理，得到待检测接收信号的时频图；
所述生成模块，用于将所述待检测接收信号的时频图输入压缩后的水声通信前导信号检测模型进行检测，生成前导信号检测结果。
7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1所述的水声通信前导信号检测模型的压缩方法，或者，实现如权利要求2-4中任一所述的水声通信前导信号检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310681294.8A CN116405127B (zh) | 2023-06-09 | 2023-06-09 | 水声通信前导信号检测模型的压缩方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310681294.8A CN116405127B (zh) | 2023-06-09 | 2023-06-09 | 水声通信前导信号检测模型的压缩方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116405127A CN116405127A (zh) | 2023-07-07 |
| CN116405127B true CN116405127B (zh) | 2023-09-12 |
Family
ID=87020307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310681294.8A Active CN116405127B (zh) | 2023-06-09 | 2023-06-09 | 水声通信前导信号检测模型的压缩方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116405127B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118367884B (zh) * | 2024-06-14 | 2024-09-03 | 深圳市君威科技有限公司 | 一种低噪声放大变频器设备的精细控制方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102780534A (zh) * | 2012-07-04 | 2012-11-14 | 中国电子科技集团公司第四十一研究所 | 一种通用的电磁信号自动搜索方法 |
| CN106936514A (zh) * | 2017-02-24 | 2017-07-07 | 哈尔滨工业大学深圳研究生院 | 稀疏信道下基于能量集中的水声前导信号检测方法 |
| CN106972895A (zh) * | 2017-02-24 | 2017-07-21 | 哈尔滨工业大学深圳研究生院 | 稀疏信道下基于累积相关系数的水声前导信号检测方法 |
| CN111652366A (zh) * | 2020-05-09 | 2020-09-11 | 哈尔滨工业大学 | 一种基于通道剪枝和量化训练的联合神经网络模型压缩方法 |
| CN113162699A (zh) * | 2021-03-31 | 2021-07-23 | 中国科学院地质与地球物理研究所 | 一种水声通信方法及其装置 |
| CN114332482A (zh) * | 2022-01-04 | 2022-04-12 | 电子科技大学 | 一种基于特征融合的轻量化目标检测方法 |
| CN115137300A (zh) * | 2021-03-31 | 2022-10-04 | 京东方科技集团股份有限公司 | 信号检测方法、信号检测装置、电子设备和存储介质 |
| WO2022205685A1 (zh) * | 2021-03-29 | 2022-10-06 | 泉州装备制造研究所 | 一种基于轻量化网络的交通标志识别方法 |
| CN115587628A (zh) * | 2022-10-27 | 2023-01-10 | 长春理工大学 | 一种深度卷积神经网络轻量化方法 |
| CN115941084A (zh) * | 2023-03-09 | 2023-04-07 | 北京理工大学 | 基于时频图模板匹配的水声通信前导信号检测方法及装置 |
| CN116091892A (zh) * | 2023-02-13 | 2023-05-09 | 南京理工大学 | 一种基于卷积神经网络的快速目标检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200272899A1 (en) * | 2019-02-22 | 2020-08-27 | Ubotica Technologies Limited | Systems and Methods for Deploying and Updating Neural Networks at the Edge of a Network |
-
2023
- 2023-06-09 CN CN202310681294.8A patent/CN116405127B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102780534A (zh) * | 2012-07-04 | 2012-11-14 | 中国电子科技集团公司第四十一研究所 | 一种通用的电磁信号自动搜索方法 |
| CN106936514A (zh) * | 2017-02-24 | 2017-07-07 | 哈尔滨工业大学深圳研究生院 | 稀疏信道下基于能量集中的水声前导信号检测方法 |
| CN106972895A (zh) * | 2017-02-24 | 2017-07-21 | 哈尔滨工业大学深圳研究生院 | 稀疏信道下基于累积相关系数的水声前导信号检测方法 |
| CN111652366A (zh) * | 2020-05-09 | 2020-09-11 | 哈尔滨工业大学 | 一种基于通道剪枝和量化训练的联合神经网络模型压缩方法 |
| WO2022205685A1 (zh) * | 2021-03-29 | 2022-10-06 | 泉州装备制造研究所 | 一种基于轻量化网络的交通标志识别方法 |
| CN113162699A (zh) * | 2021-03-31 | 2021-07-23 | 中国科学院地质与地球物理研究所 | 一种水声通信方法及其装置 |
| CN115137300A (zh) * | 2021-03-31 | 2022-10-04 | 京东方科技集团股份有限公司 | 信号检测方法、信号检测装置、电子设备和存储介质 |
| CN114332482A (zh) * | 2022-01-04 | 2022-04-12 | 电子科技大学 | 一种基于特征融合的轻量化目标检测方法 |
| CN115587628A (zh) * | 2022-10-27 | 2023-01-10 | 长春理工大学 | 一种深度卷积神经网络轻量化方法 |
| CN116091892A (zh) * | 2023-02-13 | 2023-05-09 | 南京理工大学 | 一种基于卷积神经网络的快速目标检测方法 |
| CN115941084A (zh) * | 2023-03-09 | 2023-04-07 | 北京理工大学 | 基于时频图模板匹配的水声通信前导信号检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| WANG,Fengjie 等.Application of Model Compression Technology Based on Knowledge Distillation in Convolutional Neural Network Lightweight.IEEE.2023,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116405127A (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
| CN106529428A (zh) | 基于深度学习的水下目标识别方法 | |
| Wang et al. | ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network. | |
| CN116405127B (zh) | 水声通信前导信号检测模型的压缩方法和装置 | |
| CN113259288B (zh) | 基于特征融合与轻量化混合模型的水声调制方式识别方法 | |
| Luo et al. | An underwater acoustic target recognition method based on combined feature with automatic coding and reconstruction | |
| Yang et al. | A new cooperative deep learning method for underwater acoustic target recognition | |
| CN109818892A (zh) | 构建循环谱特征参数提取模型及信号调制方式识别方法 | |
| CN113567969B (zh) | 一种基于水下声信号的非法采砂船自动监控方法及系统 | |
| CN103323532A (zh) | 一种基于心理声学参量的鱼类识别方法及系统 | |
| CN112528775A (zh) | 一种水下目标的分类方法 | |
| CN105589073A (zh) | 一种基于Walsh变换的鱼类主动声学识别方法 | |
| CN111627030A (zh) | 快速高效的可见光遥感影像海陆精确分割方法 | |
| Alouani et al. | A spatio-temporal deep learning approach for underwater acoustic signals classification | |
| CN112307926B (zh) | 一种基于生成对抗网络的声学被动式舰船目标分类方法 | |
| CN113919525A (zh) | 一种电站风机状态预警方法、系统及其应用 | |
| CN116106880A (zh) | 基于注意力机制和多尺度融合的水下声源测距方法和装置 | |
| CN116417011A (zh) | 基于特征融合和残差cnn的水声目标识别方法 | |
| Chen et al. | A review of underwater target recognition based on deep learning | |
| CN115187855A (zh) | 一种海底底质声呐图像分类方法 | |
| CN115293214A (zh) | 一种基于样本扩充网络的水声目标识别模型优化方法 | |
| CN115238738A (zh) | 构建水声目标识别模型的方法和装置 | |
| Song et al. | A deep-shallow network for passive underwater target recognition | |
| CN111624585A (zh) | 一种基于卷积神经网络的水下目标被动检测方法 | |
| CN115079258B (zh) | 一种基于小波分析的海底地震信号在线识别方法 |
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 |