CN111259861A - 一种数据集不均衡条件下的水声通信信号调制方式识别方法 - Google Patents

一种数据集不均衡条件下的水声通信信号调制方式识别方法 Download PDF

Info

Publication number
CN111259861A
CN111259861A CN202010100401.XA CN202010100401A CN111259861A CN 111259861 A CN111259861 A CN 111259861A CN 202010100401 A CN202010100401 A CN 202010100401A CN 111259861 A CN111259861 A CN 111259861A
Authority
CN
China
Prior art keywords
signal
underwater acoustic
acoustic communication
2fsk
bpsk
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
Application number
CN202010100401.XA
Other languages
English (en)
Inventor
姜喆
董亚芬
申晓红
王海燕
闫永胜
张之琛
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010100401.XA priority Critical patent/CN111259861A/zh
Publication of CN111259861A publication Critical patent/CN111259861A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明提供了一种数据集不均衡条件下的水声通信信号调制方式识别方法，针对目前的水声通信信号调制方式识别方法不能准确地识别出不均衡数据集中的少数类样本这一问题，提供了一种代价敏感卷积神经网络，所定义的网络的损失函数能够拉开正确预测样本的损失与错误预测样本的损失之间的差距，从相对意义上降低正确预测样本的损失，在保证不均衡数据集中多数类样本的识别准确率的前提下，能够提高少数类样本的识别准确率。

Description

一种数据集不均衡条件下的水声通信信号调制方式识别方法
技术领域
本发明涉及水下信号处理、神经网络等领域，具体是一种水声信号调制方式识别方法。
背景技术
水声通信信号的调制方式识别是水声通信信号内容获取的前提，也是水声对抗中最重要的环节之一。传统的水声通信信号调制方式识别主要采用基于特征提取的模式识别方法，依据领域知识提取信号的各种特征来进行调制方式识别，主要包括信号的特征提取和分类识别两个阶段。近年来，以卷积神经网络为代表的深度学习方法在图像识别、语音识别等领域取得了巨大的进展。专家学者们也开始将卷积神经网络等深度学习方法应用在水声通信信号调制方式识别领域，相比传统方法，提高了水声通信信号调制方式识别的准确率，取得了突破性的进展。
在水下信息传输中，不同类型的水声通信信号往往存在数据量不均衡的现象，一般采用不同的调制方式。数据量的不均衡会导致少数类的特征不能充分表达，分类器很难准确地学习到多数类与少数类之间的区分边界，从而导致分类效果不理想，给少数类的识别带来了极大的困难。目前的水声通信信号调制方式识别方法很难准确地识别出不均衡数据集中的少数类样本，对不均衡数据集的识别效果不够理想。因此，亟需一种适合数据集不均衡条件下的水声通信信号调制方式识别的方法。
发明内容
为了克服现有技术的不足，本发明提供一种代价敏感卷积神经网络，该网络根据样本预测概率给传统交叉熵损失函数添加影响因子，从而实现根据样本预测概率自适应调节损失的目的。样本预测的越准确，给交叉熵损失函数添加的影响因子的值越小，损失越小；反之亦然。本发明提供的代价敏感卷积神经网络在保证不均衡数据集中多数类样本的识别准确率的前提下，能够提高少数类样本的识别准确率。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1，将水听器布放于海洋中，采录2FSK、BPSK两类不同调制方式的水声通信信号，两类信号的数据量是不均衡的；
步骤2，得到两类采录信号的功率谱图，对功率谱图进行尺寸调整和像素值归一化处理，对处理后的功率谱图打标签，区分两类信号功率谱图；
步骤3，将步骤2得到的两类信号的功率谱图各自随机打乱后，按设定比例划分，分别构成2FSK信号训练集、2FSK信号测试集和BPSK信号训练集、BPSK信号测试集；2FSK信号训练集和BPSK信号训练集构成了总体训练集，2FSK信号测试集和BPSK信号测试集构成了总体测试集；
步骤4，构建代价敏感卷积神经网络，步骤如下：
步骤401，构建具有m个卷积层、m个池化层和n个全连接层的卷积神经网络，m和n是任意正整数；
步骤402，定义损失函数
Figure BDA0002386702900000021
其中，样本的真实类别是第c类，pc是神经网络预测样本属于第c类的概率；-log pc是交叉熵损失；
Figure BDA0002386702900000022
是根据样本预测概率pc为交叉熵损失添加的影响因子，影响因子取值在0～1之间；β是超参数，取非负值；pc的取值范围在0～1之间；
步骤5，在步骤3的总体训练集上训练步骤401构建的卷积神经网络，以步骤402定义的损失函数作为目标函数，采用Adam算法进行优化，得到最优的网络模型参数；
步骤6，在步骤3的总体测试集上测试步骤5得到的最优模型，给出总体测试集中2FSK信号、BPSK信号的识别准确率。
所述的步骤2中，信号的功率谱图替换成信号的时频图；除了周期图法，也可采用其他方法得到信号的功率谱图。
所述的步骤2中，训练集和测试集的功率谱图数量比例为7：3或6：4或8：2。
本发明的有益效果是：针对目前的水声通信信号调制方式识别方法不能准确地识别出不均衡数据集中的少数类样本这一问题，提供了一种代价敏感卷积神经网络，在保证不均衡数据集中多数类样本的识别准确率的前提下，能够提高少数类样本的识别准确率。本发明所提供的代价敏感卷积神经网络之所以能够实现这一效果，是因为步骤402所定义的网络的损失函数能够拉开正确预测样本的损失与错误预测样本的损失之间的差距，从相对意义上降低正确预测样本的损失，提高错误预测样本的损失。具体来说，正确预测样本的pc值一定大于错误预测样本的pc值，那么，正确预测样本的交叉熵损失-logpc和影响因子
Figure BDA0002386702900000023
一定分别小于错误预测样本的交叉熵损失-logpc和影响因子
Figure BDA0002386702900000024
且-logpc≥0及
Figure BDA0002386702900000025
对所有样本恒成立。因此，正确预测样本的损失
Figure BDA0002386702900000031
一定小于错误预测样本的损失
Figure BDA0002386702900000032
调节超参数β的值会影响正确预测样本的损失与错误预测样本的损失之间的差距。
附图说明
图1是本发明的总体方法流程图。
图2是本发明具体实施方式中的卷积神经网络结构图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
针对目前的水声通信信号调制方式识别方法不能准确地识别出不均衡数据集中的少数类样本这一问题，本发明公开了一种代价敏感卷积神经网络，主要包括以下步骤：
步骤1、将水听器布放于海洋中，采录2FSK、BPSK两类不同调制方式的水声通信信号。其中，2FSK信号的数据量远少于BPSK信号的数据量。
步骤2，利用周期图法得到两类采录信号的功率谱图。对功率谱图进行尺寸调整和像素值归一化处理，对处理后的功率谱图打标签，两类信号功率谱图的标签分别为1和0，构成数据集；
步骤3，将步骤2得到的两类信号的功率谱图各自随机打乱后，按一定比例划分，分别构成2FSK信号训练集、2FSK信号测试集和BPSK信号训练集、BPSK信号测试集，划分比例可以取7：3或6：4或8：2等；2FSK信号训练集和BPSK信号训练集构成了总体训练集，2FSK信号测试集和BPSK信号测试集构成了总体测试集；
步骤4、构建代价敏感卷积神经网络：
步骤401、构建具有m个卷积层、m个池化层和n个全连接层的卷积神经网络。m和n都是正整数。
步骤402、定义损失函数：
Figure BDA0002386702900000033
步骤402，定义损失函数
Figure BDA0002386702900000034
其中，样本的真实类别是第c类，pc是神经网络预测样本属于第c类的概率；-logpc是交叉熵损失；
Figure BDA0002386702900000035
是根据样本预测概率pc为交叉熵损失添加的影响因子，影响因子取值在0～1之间；β是超参数，取非负值；pc的取值范围在0～1之间；pc越大，意味着网络预测的越准确，那么为交叉熵损失添加的影响因子
Figure BDA0002386702900000036
的值越小，损失越小；反之亦然；指数函数的性质使得该损失函数能够拉开正确预测样本的损失与错误预测样本的损失之间的差距，从相对意义上降低正确预测样本的损失，提高错误预测样本的损失，从而使得网络具有代价敏感性。
步骤5、在步骤3的总体训练集上训练步骤401构建的卷积神经网络，以步骤402定义的损失函数作为目标函数，采用Adam算法进行优化，得到最优的网络模型参数。
步骤6、在步骤3的总体测试集上测试步骤5得到的最优模型，给出总体测试集中2FSK信号、BPSK信号的识别准确率。
针对目前的水声通信信号调制方式识别方法不能准确地识别出不均衡数据集中的少数类样本这一问题，本发明公开了一种代价敏感卷积神经网络。该网络根据样本预测概率给损失函数添加影响因子，从而实现根据样本预测概率自适应调节损失函数的目的。样本预测的越准确，给损失函数添加的影响因子越小，损失越小；反之亦然。本发明提供的代价敏感卷积神经网络在保证不均衡数据集中多数类样本的识别准确率的前提下，能够提高少数类样本的识别准确率。如图1所示，本发明包括以下步骤：
步骤1、将水听器布放于海洋中，采录2FSK、BPSK两类不同调制方式的水声通信信号。其中，2FSK信号的数据量远少于BPSK信号的数据量。
步骤2、利用周期图法得到两类采录信号的功率谱图。调整功率谱图的尺寸为w×w并进行归一化处理，对处理后的功率谱图打标签，构成数据集。数据集中，2FSK信号的样本量远少于BPSK信号的样本量。w为正整数，可取64。
步骤3、将步骤2得到的两类信号的功率谱图各自随机打乱后，按7：3划分，分别构成2FSK信号训练集、2FSK信号测试集和BPSK信号训练集、BPSK信号测试集。2FSK信号训练集和BPSK信号训练集构成了总体训练集，2FSK信号测试集和BPSK信号测试集构成了总体测试集。
步骤4、构建代价敏感卷积神经网络：
步骤401、构建具有m个卷积层、m个池化层和n个全连接层的卷积神经网络。m和n都是正整数。m可取2，n可取2。结构如附图2所示。
步骤402、定义损失函数：
Figure BDA0002386702900000041
其中，样本的真实类别是第c类，pc是网络预测样本为第c类的概率。
Figure BDA0002386702900000042
是根据样本预测概率为损失函数添加的影响因子，影响因子取值在0～1之间。β是超参数，取非负值。pc的取值范围在0～1之间。pc越大，意味着网络预测的越准确，那么为损失函数添加的影响因子
Figure BDA0002386702900000051
越小，损失越小；反之亦然。指数函数的性质使得该损失函数能够拉开正确预测样本的损失与错误预测样本的损失之间的差距，从相对意义上降低正确预测样本的损失，提高错误预测样本的损失，从而使得网络具有代价敏感性。
步骤5、在步骤3的总体训练集上训练步骤401构建的卷积神经网络，以步骤402定义的损失函数作为目标函数，采用Adam算法进行优化，得到最优的网络模型参数。
步骤6、在步骤3的总体测试集上测试步骤5得到的最优模型，给出总体测试集中2FSK信号、BPSK信号的识别准确率。
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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
需要特别说明的是，为叙述清晰起见，本发明提供的数据集不均衡条件下的水声通信信号调制方式识别方法在技术方案、附图和具体实施方式中仅以两类调制方式水声通信信号为例进行说明。本发明也适合于多类调制方式水声通信信号数据量不均衡条件下的识别。

Claims (3)

1.一种数据集不均衡条件下的水声通信信号调制方式识别方法，其特征在于包括以下步骤：
步骤1，将水听器布放于海洋中，采录2FSK、BPSK两类不同调制方式的水声通信信号，两类信号的数据量是不均衡的；
步骤2，利用周期图法得到两类采录信号的功率谱图，对功率谱图进行尺寸调整和像素值归一化处理，对处理后的功率谱图打标签，区分两类信号功率谱图；
步骤3，将步骤2得到的两类信号的功率谱图各自随机打乱后，按设定比例划分，分别构成2FSK信号训练集、2FSK信号测试集和BPSK信号训练集、BPSK信号测试集；2FSK信号训练集和BPSK信号训练集构成了总体训练集，2FSK信号测试集和BPSK信号测试集构成了总体测试集；
步骤4，构建代价敏感卷积神经网络，步骤如下：
步骤401，构建具有m个卷积层、m个池化层和n个全连接层的卷积神经网络，m和n是任意正整数；
步骤402，定义损失函数
Figure FDA0002386702890000011
其中，样本的真实类别是第c类，pc是神经网络预测样本属于第c类的概率；-log pc是交叉熵损失；
Figure FDA0002386702890000012
是根据样本预测概率pc为交叉熵损失添加的影响因子，影响因子取值在0～1之间；β是超参数，取非负值；pc的取值范围在0～1之间；
步骤5，在步骤3的总体训练集上训练步骤401构建的卷积神经网络，以步骤402定义的损失函数作为目标函数，采用Adam算法进行优化，得到最优的网络模型参数；
步骤6，在步骤3的总体测试集上测试步骤5得到的最优模型，给出总体测试集中2FSK信号、BPSK信号的识别准确率。
2.根据权利要求1所述的数据集不均衡条件下的水声通信信号调制方式识别方法，其特征在于：所述的步骤2中，信号的功率谱图替换成信号的时频图。
3.根据权利要求1所述的数据集不均衡条件下的水声通信信号调制方式识别方法，其特征在于：所述的步骤2中，训练集和测试集的功率谱图数量比例为7：3或6：4或8：2。
CN202010100401.XA 2020-02-18 2020-02-18 一种数据集不均衡条件下的水声通信信号调制方式识别方法 Pending CN111259861A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010100401.XA CN111259861A (zh) 2020-02-18 2020-02-18 一种数据集不均衡条件下的水声通信信号调制方式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010100401.XA CN111259861A (zh) 2020-02-18 2020-02-18 一种数据集不均衡条件下的水声通信信号调制方式识别方法

Publications (1)

Publication Number Publication Date
CN111259861A true CN111259861A (zh) 2020-06-09

Family

ID=70952779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010100401.XA Pending CN111259861A (zh) 2020-02-18 2020-02-18 一种数据集不均衡条件下的水声通信信号调制方式识别方法

Country Status (1)

Country Link
CN (1) CN111259861A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022121289A1 (en) * 2020-12-11 2022-06-16 Huawei Cloud Computing Technologies Co., Ltd. Methods and systems for mining minority-class data samples for training neural network

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140376669A1 (en) * 2013-06-21 2014-12-25 Digital Compression Technology, Llc Use of neural network based matched filter for fast response time in high-speed communications channels
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN108616470A (zh) * 2018-03-26 2018-10-02 天津大学 基于卷积神经网络的调制信号识别方法
CN108961358A (zh) * 2017-05-22 2018-12-07 阿里巴巴集团控股有限公司 一种获得样本图片的方法、装置及电子设备
CN109583575A (zh) * 2018-12-17 2019-04-05 东南大学 基于深度学习提高仪器矢量信号分析性能的处理方法
CN110163282A (zh) * 2019-05-22 2019-08-23 西安电子科技大学 基于深度学习的调制方式识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140376669A1 (en) * 2013-06-21 2014-12-25 Digital Compression Technology, Llc Use of neural network based matched filter for fast response time in high-speed communications channels
CN108961358A (zh) * 2017-05-22 2018-12-07 阿里巴巴集团控股有限公司 一种获得样本图片的方法、装置及电子设备
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN108616470A (zh) * 2018-03-26 2018-10-02 天津大学 基于卷积神经网络的调制信号识别方法
CN109583575A (zh) * 2018-12-17 2019-04-05 东南大学 基于深度学习提高仪器矢量信号分析性能的处理方法
CN110163282A (zh) * 2019-05-22 2019-08-23 西安电子科技大学 基于深度学习的调制方式识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUOPING XU等: "A novel exponential loss function for pathological lymph node image classification", 《MIPPR 2019》 *
叶凯: "基于机器学习的水声信号识别技术研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022121289A1 (en) * 2020-12-11 2022-06-16 Huawei Cloud Computing Technologies Co., Ltd. Methods and systems for mining minority-class data samples for training neural network
US11816183B2 (en) 2020-12-11 2023-11-14 Huawei Cloud Computing Technologies Co., Ltd. Methods and systems for mining minority-class data samples for training a neural network

Similar Documents

Publication Publication Date Title
CN109102005B (zh) 基于浅层模型知识迁移的小样本深度学习方法
CN110516305B (zh) 基于注意机制元学习模型的小样本下故障智能诊断方法
CN112802484B (zh) 一种混合音频下的大熊猫声音事件检测方法及***
CN108600135A (zh) 一种信号调制方式的识别方法
CN110166484A (zh) 一种基于LSTM-Attention网络的工业控制***入侵检测方法
CN108922513A (zh) 语音区分方法、装置、计算机设备及存储介质
CN114337880B (zh) 一种考虑主用户信号随机到达和离开的频谱感知方法
CN111428817A (zh) 一种面向无线电信号识别对抗攻击的防御方法
CN108305619A (zh) 语音数据集训练方法和装置
CN110929842B (zh) 非合作无线电信号突发时间区域精确智能检测方法
CN110428845A (zh) 合成音频检测方法、***、移动终端及存储介质
CN111325143A (zh) 一种数据集不均衡条件下的水下目标识别方法
CN112232366A (zh) 一种基于rfid监测的电气设备故障预警方法及***
CN111368892A (zh) 一种广义s变换和svm的电能质量扰动高效识别方法
CN111310719B (zh) 一种未知辐射源个体识别及检测的方法
CN116866129A (zh) 一种无线通信信号检测方法
CN113111786A (zh) 基于小样本训练图卷积网络的水下目标识别方法
CN113109782B (zh) 一种直接应用于雷达辐射源幅度序列的分类方法
CN106548136A (zh) 一种无线信道场景分类方法
CN111600878A (zh) 一种基于maf-adm的低速率拒绝服务攻击检测方法
CN114980122A (zh) 一种小样本射频指纹智能识别***与方法
CN111259861A (zh) 一种数据集不均衡条件下的水声通信信号调制方式识别方法
CN113452637A (zh) 基于特征选择和支持向量机的水声通信信号调制识别方法
CN112581940A (zh) 基于边缘计算与神经网络的放电声音检测方法
CN116153337B (zh) 合成语音溯源取证方法及装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200609