CN113259288A - 基于特征融合与轻量化混合神经网络的水声通信调制方式识别方法 - Google Patents
基于特征融合与轻量化混合神经网络的水声通信调制方式识别方法 Download PDFInfo
- Publication number
- CN113259288A CN113259288A CN202110487275.2A CN202110487275A CN113259288A CN 113259288 A CN113259288 A CN 113259288A CN 202110487275 A CN202110487275 A CN 202110487275A CN 113259288 A CN113259288 A CN 113259288A
- Authority
- CN
- China
- Prior art keywords
- neural network
- feature
- underwater acoustic
- entropy
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004891 communication Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 230000005236 sound signal Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000000877 morphologic effect Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000006872 improvement Effects 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 77
- 239000011159 matrix material Substances 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013526 transfer learning Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000007500 overflow downdraw method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 208000016261 weight loss Diseases 0.000 claims 1
- 239000013585 weight reducing agent Substances 0.000 claims 1
- 238000013508 migration Methods 0.000 abstract 1
- 230000005012 migration Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于特征融合与轻量化混合神经网络的水声通信调制方式识别方法,首先提取水声信号中熵特征及形态特征;运用线性判别分析法对所得特征进行处理,得到具体特征;利用长短时神经网络构造混合神经网络的浅层;基于YOLO v2神经网络进行改进,将其作为混合神经网络的深层,两种神经网络结合,提取水声信号抽象特征;结合抽象特征与具体特征获得完备的特征集;将特征集输入神经网络中,实现水声信号调制方式的准确识别;基于数据增强后的水声信号,利用贪心算法训练网络;最后采用迁移学习将其迁移至实际海洋环境。本发明最终实现了低延时、高准确率的水声通信调制方式智能识别,该识别方法准确率高,泛化性强。
Description
技术领域
本发明属于水声通信技术领域,具体地说,涉及一种特征融合与轻量化混合神经网络的 水声通信调制识别方式智能识别方法。
背景技术
水下无线数据传输是获取海洋信息、实施海洋观测的关键技术。因声波在水下传播过程 中衰减较小,故水声通信成为水下中远距离传播信息的主要方式。但水声信道复杂多变,单 一固定的调制模式难以适应频繁变化的水声信道,致使通信效率低下。目前,多采用自适应 调制编码(Adaptive modulation coding,AMC),根据信道状况自适应调整调制编码方式, 该技术需要通信双方需要通过握手信号确定当前采用的调制方式,而水下复杂的噪声干扰极 易导致握手信号出错,致使接收端采用不匹配的解调方式,进而导致解调数据的严重错误。
采用调制方式智能识别技术可使接收端自动识别接收信号的调制方式,确保采用正确的 调制方式解调数据,提高水声通信***数据传输的高效性和可靠性。目前调制方式智能识别 的方法主要分为基于最大似然比假设检验的调制方式识别方法、基于特征提取的调制方式识 别方法以及自动提取特征调制识别。基于最大似然比假设检验的调制识别方法需要信号的先 验信息,其有效性与可靠性不足,且计算复杂,难以实际应用;传统基于特征的调制识别方 式方法技术思路简单清晰,在低信噪比条件下拥有可观的识别准确率,然而,水声信道与无 线信道差异巨大,且表现出更加复杂的多径效应及噪声干扰,导致许多在无线通信信号的自 动调制识别中表现良好的特征难以适用于水声信号;自动提取特征调制识别方法可以通过输 入的水声信号自动提取特征进行调制识别,不需要人工干预,但目前还处于起步阶段,大多 基于理想的仿真数据,实际应用效果未知且难以泛化至不同海域。同时,上述方法可识别的 信号种类较少,无法识别水声通信中常用的扩频信号以及OFDM信号等,适用范围有限。
发明内容
针对现有水声信号调制方式的抗干扰性差、计算成本高、识别准确率低等问题,本发明 的目的是提供一种基于特征融合与轻量化混合神经网络的水声通信调制方式识别方法,以解 决上述问题。
为实现上述发明目的,本发明采用下述技术方案予以实现:
一种基于特征融合与轻量化混合神经网络的水声通信调制方式识别方法,包括以下步 骤:
S1:提取水声信号具体特征,并对其进行优化;
S2:使用轻量化混合神经网络提取水声信号抽象特征;
S3:结合S1得到的具体特征和S2中得到的抽象特征,运用典型相关分析的特征融合方 法获得完备的特征集;
S4:基于验证水声信号的特征集,利用贪心算法和迁移学习算法训练神经网络模型;
S5:将待测水声信号经过S1、S2和S3处理后,得到的特征集输入至S4训练好的神经网 络模型中,输出识别结果。
进一步的,所述S1中提取水声信号具体特征具体为:
S1-1:首先求出所述水声调制信号的奇异谱、功率谱、频谱、小波能量谱、瞬时相位谱 以及瞬时幅度谱;
S1-2:再计算熵特征和形态特征;
所述熵特征:功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度 香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵;
更进一步的,所述熵特征包括:
其中,功率谱香农熵与功率谱指数熵的计算公式如下:
式中pi为信号功率谱中各点的权值,K为功率谱的点数。
其中,奇异谱香农熵和奇异谱指数熵的计算方法为:
将离散的水声采样信号嵌入维数m和延迟时间n后得到重构相空间矩阵:
其中,频谱幅度香农熵与频谱幅度指数熵的计算公式如下:
式中pi为信号幅频响应曲线中各点的权值,K为幅频响应曲线的点数。
其中,相位谱香农熵与相位谱指数熵的计算公式如下:
式中pi为信号相频响应曲线中各点的权值,K为相频响应曲线的点数。
所述形态特征:信号的零中心归一化瞬时幅度谱密度的最大值γmax、零中心归一化瞬时幅 度标准差δ以及波动系数β;
更进一步的,所述形态特征:
其中,零中心归一化瞬时幅度谱密度的最大值γmax的具体公式为:
γmax=max{DFTacn(n)}2/N
式中N为采样点数,acn(n)为零中心归一化瞬时幅度,其公式如下:
acn(n)=an(n)-1
式中,acn(n)=an(n)/ma,ma为瞬时幅度a(n)的均值。
零中心归一化瞬时幅度标准差:
波动系数:
β=v/μ
其中,v与μ分别为an(n)的方差与均值。
S1-3:所提取信号的熵特征和形态特征统称为具体特征,采用线性判别分析法对所提取 的具体特征进行优化处理;设特征数据集包含n种调制方式共m个特征向量,则该集合可表 示为
D={(xi,y1),(x2,y2),L,(xm,ym)}
xi为m维特征向量,yi∈T={T1,T2,L,Tn},其中Ti为标签集合;
定义LDA的映射关系为:
L=ωTx
其中ω为a×d的矩阵,a为原特征维度,d为映射后的特征维度;
计算映射后样本的类间方差与类内方差最大比值,定义LDA目标函数为
其中,类间散度矩阵Sb与类内散度矩阵Sw分别定义如下:
其中,xj(j=1,2,L,n)为第j类样本的集合,μj(j=1,2,L,n)为第j类样本的均值,μ为所有特征样本的均值。
进一步的,所述S2中使用轻量化混合神经网络提取水声信号抽象特征具体为:
S2-1:对轻量化神经网络的输入进行预处理,为便于神经网络训练,需要对输入神经网 络的水声信号归一化:
其中,S为原始水声信号,S'为归一化后的水声信号,max与min为原始水声信号最大 值与最小值;
归一化后的水声信号为一维数据,然而,轻量化混合神经网络的浅层LSTM输入要求为二 维数据,此时,将原始一维数据(长度为L)重塑为二维数据(维度为N*M,其中N为LSTM 时间步的数量,M为每个时间步输入数据的长度,L=N*M);
S2-2:对YOLO神经网络进行轻量化改进;在YOLO v2神经网络的基础上,去除池化层, 避免因池化作用造成重要特征丢失的问题;轻量化改进YOLO v2的卷积操作,将输入维度为H*W*C的特征图转换为H*W*8的输出特征图,该过程所用参数数量为3C+120;轻量化改进的 卷积操作所需参数数量小于传统卷积方法所需参数数量,降低计算复杂度。
进一步,所述S3中融合特征集并训练神经网络具体步骤为:
S3-1:将分段处理后的实测数据集记为A={(a1,l1),(a2,l2),(a3,l3),L,(an,ln)},其中ai是第i 段水声信号,li是对应第i段水声信号所属的调制方式;通过BELLHOP软件仿真生成信噪比范 围为-9~30dB的8种调制方式水声信号,仿真数据集B={(b1,l1),(b2,l2),(b3,l3),L,(bm,lm)}, 其中bi是第i段仿真水声信号,li是对应第i段仿真水声信号所属的调制方式;最后,使用数 据增强后的数据集Data={A,B};
S3-2:结合S1得到的具体特征和S2中得到的抽象特征,运用典型相关分析的特征融合 方法获得完备的特征集,具体特征提取方法提取的特征向量记为X(1,n),抽象特征提取方法 提取的特征向量记为Y(1,m),其中m与n为特征维度。SXX与SYY分别代表各自的协方差矩 阵,SXY为X和Y间的协方差矩阵,SYX=(SXY)^T,整体的协方差矩阵为
定义线性合并如下,
X*=(WX)^T*X
Y*=(WY)^T*Y
其中WX及Wy可通过求取X*与Y*相关系数的最大值得出,相关系数定义如下,
变换后的特征通过以下方式合并,
Z为典型相关分析融合后的特征矩阵;
S3-3:使用完备的特征集,利用贪心算法对该神经网络进行预训练,贪心算法可以通过 一系列局部最优解来获取全局最优解,用贪心算法训练网络步骤如下:
(1)单独训练第一层神经网络直至达到给定精度;
(2)保留第一层网络数据,单独训练第二层网络直至达到给定精度;
(3)重复以上流程直至整个神经网络训练完成;
S3-4:将预训练好的神经网络在目标区域中进行迁移学习,得到适用于目标区域的神经 网络模型。
更进一步的,所述迁移学习方法为:
将预训练好的改进稠密神经网络卷积层的权值保持不变,将其投入目标海域,根据实际 的水声信号,调制神经网络的全连接层部分。
与现有技术相比,本发明的优点和积极效果是:
本发明首先选择提取水声信号中抗噪声干扰能力强的熵特征及形态特征;其次,采用线 性判别分析法对特征进行降维重构,减少特征维度的同时优化特征分布,保证识别准确率及 识别效率;然后设计了一种LSTM与轻量化改进YOLO v2神经网络结合的网络提取抽象特征。 混合神经网络特征提取层保证提取水声信号抽象特征的有效性,同时,轻量化改进有效降低 神经网络的计算复杂度,满足通信***实时性的要求;根据数据增强方法增加训练集样本容 量与多样性以提高模型的鲁棒性,并采用典型相关分析的特征融合方法,综合水声信号的具 体特征与抽象特征。最后采用贪心算法与迁移学习网络训练方法,保证识别算法的准确性与 网络模型的泛化性。
本发明最终实现了低延迟、高准确率的水声通信调制方式智能识别,该识别方法抗干扰 能力强、计算成本低、识别准确率高。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例中改进YOLO v2神经网络模型图。
图3是本发明实例中轻量化改进YOLO v2卷积操作模型图。
图4是本发明实施例中使用贪心算法预训练网络的流程图。
图5是本发明所实施例中使用迁移学习训练网络的流程图。
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,以下将结合附图和实施例,对本 发明作进一步详细说明。
实施例1:
在水声自适应调制编码通信***中,信号发射端与接收端通常会通过握手信号约定调制 方式,但水声信道复杂多变,握手信号容易产生错误,接收端可通过调制方式智能识别方法 自动识别接收信号的调制方式,保障数据解调正确。
本实施例是一种基于特征融合与轻量化混合神经网络的水声通信调制方式智能识别方 法,接收水声调制信号之后,包括以下部分,如图1所示:
S1提取水声信号具体特征,并对其进行优化步骤,包括:
S11、求出所述水声调制信号的奇异谱、功率谱、频谱、小波能量谱、瞬时相位谱以及瞬 时幅度谱;
S12、计算熵特征和形态特征;
本实施例选择抗噪声能力强的熵特征与形态特征作为调制方式类间识别的特征;其中, 信号的谱特征与熵特征具体包括:
所述熵特征:功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度 香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵。
其中,功率谱香农熵与功率谱指数熵的计算公式如下:
式中pi为信号功率谱中各点的权值,K为功率谱的点数。
其中,奇异谱香农熵和奇异谱指数熵的计算方法为:
将离散的水声采样信号嵌入维数m和延迟时间n后得到重构相空间矩阵:
其中,频谱幅度香农熵与频谱幅度指数熵的计算公式如下:
式中pi为信号幅频响应曲线中各点的权值,K为幅频响应曲线的点数。
其中,相位谱香农熵与相位谱指数熵的计算公式如下:
式中pi为信号相频响应曲线中各点的权值。K为相频响应曲线的点数。
所述形态特征:信号的零中心归一化瞬时幅度谱密度的最大值γmax、零中心归一化瞬时幅 度标准差δ以及波动系数β;
其中,零中心归一化瞬时幅度谱密度的最大值γmax的具体公式为:
γmax=max{DFTacn(n)}2/N
式中N为采样点数,acn(n)为零中心归一化瞬时幅度,其公式如下:
acn(n)=an(n)-1
式中,acn(n)=an(n)/ma,ma为瞬时幅度a(n)的均值。
波动系数:
β=v/μ
其中,v与μ分别为an(n)的方差与均值。
S13、使用线性判别分析法对提取的具体特征进行优化处理;
线性判别分析法具体步骤为:
S131、设特征数据集包含n种调制方式共m个特征向量,则该集合可表示为
D={(xi,y1),(x2,y2),L,(xm,ym)}
xi为m维特征向量,yi∈T={T1,T2,L,Tn},其中Ti为标签集合;
S132、定义LDA的映射关系为:
L=ωTx
其中ω为a×d的矩阵,a为原特征维度,d为映射后的特征维度;
S133、计算映射后样本的类间方差与类内方差最大比值,定义LDA目标函数为
其中,类间散度矩阵Sb与类内散度矩阵Sw分别定义如下:
其中,xj(j=1,2,L,n)为第j类样本的集合,μj(j=1,2,L,n)为第j类样本的均值,μ为所有特征样本的均值。
S2使用轻量化混合神经网络提取水声信号抽象特征步骤,包括:
S21、对轻量化神经网络的输入进行预处理,为便于神经网络训练,需要对输入神经网络 的水声信号归一化:
其中,S为原始水声信号,S'为归一化后的水声信号,max与min为原始水声信号最大值与最小值。
归一化后的水声信号为一维数据,然而,轻量化混合神经网络的浅层LSTM输入要求为二 维数据,此时,将原始一维数据(长度为L)重塑为二维数据(维度为N*M,其中N为LSTM 时间步的数量,M为每个时间步输入数据的长度,L=N*M)。
S22、本实例对YOLO神经网络进行轻量化改进。如图2所示,在YOLO v2神经网络的基 础上,去除池化层,避免因池化作用造成重要特征丢失的问题。如图3所示,本实例轻量化 改进了YOLO v2的卷积操作,将输入维度为H*W*C的特征图转换为H*W*8的输出特征图,该 过程所用参数数量为3C+120。轻量化改进的卷积操作所需参数数量小于传统卷积方法所需 参数数量,降低计算复杂度。
S3结合S1得到的具体特征和S2中得到的抽象特征,运用典型相关分析的特征融合方法 获得完备的特征集,并利用贪心算法和迁移学习算法训练神经网络模型步骤,包括:
S31、使用海试数据作为本方案的数据集来源。分段处理后的实测数据集记为 A={(a1,l1),(a2,l2),(a3,l3),L,(an,ln)},其中ai是第i段水声信号,li是对应第i段水声信号所属 的调制方式。通过BELLHOP软件仿真生成信噪比范围为-9~30dB的8种调制方式水声信号, 仿真数据集B={(b1,l1),(b2,l2),(b3,l3),L,(bm,lm)},其中bi是第i段仿真水声信号,li是对应 第i段仿真水声信号所属的调制方式。最后,本方案使用数据增强后的数据集Data={A,B}。
S32、结合S1得到的具体特征和S2中得到的抽象特征,运用典型相关分析的特征融合方 法获得完备的特征集具体特征提取方法提取的特征向量记为X(1,n),抽象特征提取方法提取 的特征向量记为Y(1,m),其中m与n为特征维度。SXX与SYY分别代表各自的协方差矩阵, SXY为X和Y间的协方差矩阵,SYX=(SXY)^T,整体的协方差矩阵为,
定义线性合并如下,
X*=(WX)^T*X
Y*=(WY)^T*Y
其中WX及Wy可通过求取X*与Y*相关系数的最大值得出,相关系数定义如下,
变换后的特征通过以下方式合并,
Z为典型相关分析融合后的特征矩阵。
S33、使用完备的特征集,利用贪心算法对该神经网络进行预训练,贪心算法可以通过一 系列局部最优解来获取全局最优解,如图4所示,用贪心算法训练网络步骤如下:
S331、单独训练第一层神经网络直至达到给定精度;
S332、保留第一层网络数据,单独训练第二层网络直至达到给定精度;
S333、重复以上流程直至整个神经网络训练完成;
S34、将预训练好的神经网络在目标海域中进行迁移学习,得到适用于目标海域的神经网 络模型。如图5所示,所述迁移学习方法为:
S341、将预训练好的改进稠密神经网络卷积层的权值保持不变,将其投入目标海域,根 据实际的水声信号,调制神经网络的全连接层部分。
S4、将待测信号数据进行特征融合(S1和S2)处理之后,输入S3训练好的神经网络中, 最终输出调制识别方式。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对 本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述实施例所记载 的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使 相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (6)
1.一种基于特征融合与轻量化混合神经网络的水声通信调制方式识别方法,其特征在于,该识别方法包括以下步骤:
S1:提取水声信号具体特征,并对其进行优化;
S2:使用轻量化混合神经网络提取水声信号抽象特征;
S3:结合S1得到的具体特征和S2中得到的抽象特征,运用典型相关分析的特征融合方法获得完备的特征集;
S4:利用贪心算法和迁移学习算法训练神经网络模型;
S5:将待测水声信号经过所述S1、S2和S3处理后,得到的特征集输入至S4训练好的神经网络模型中,输出识别结果。
2.如权利要求1所述的水声通信调制方式识别方法,其特征在于,所述S1中提取水声信号具体特征具体为:
S1-1:求出所述水声调制信号的奇异谱、功率谱、频谱、小波能量谱、瞬时相位谱以及瞬时幅度谱;
S1-2:计算熵特征和形态特征;
所述熵特征包括:功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵;
所述形态特征包括:信号的零中心归一化瞬时幅度谱密度的最大值γmax、零中心归一化瞬时幅度标准差δ以及波动系数β;
S1-3:然后采用线性判别分析法对所提取的具体特征进行优化处理。
3.如权利要求2所述的水声通信调制方式识别方法,其特征在于,所述S1-3具体为:设特征数据集包含n种调制方式共m个特征向量,则该集合可表示为
D={(xi,y1),(x2,y2),L,(xm,ym)}
xi为m维特征向量,yi∈T={T1,T2,L,Tn},其中Ti为标签集合;
定义LDA的映射关系为:
L=ωTx
其中ω为a×d的矩阵,a为原特征维度,d为映射后的特征维度;
计算映射后样本的类间方差与类内方差最大比值,定义LDA目标函数为
其中,类间散度矩阵Sb与类内散度矩阵Sw分别定义如下:
4.如权利要求1所述的水声通信调制方式识别方法,其特征在于,所述S2中使用轻量化混合神经网络提取水声信号抽象特征具体为:
S2-1:对轻量化神经网络的输入进行预处理,为便于神经网络训练,需要对输入神经网络的水声信号归一化:
其中,S为原始水声信号,S'为归一化后的水声信号,max与min为原始水声信号最大值与最小值;
将原始一维数据重塑为二维数据,维度为N*M,其中N为LSTM时间步的数量,M为每个时间步输入数据的长度,L=N*M;
S2-2:对YOLO神经网络进行轻量化改进;在YOLO v2神经网络的基础上,去除池化层;轻量化改进YOLO v2的卷积操作,将输入维度为H*W*C的特征图转换为H*W*8的输出特征图,该过程所用参数数量为3C+120。
5.如权利要求2所述的水声通信调制方式识别方法,其特征在于,所述S3中融合特征集并训练神经网络具体步骤为:
S3-1:将分段处理后的实测数据集记为A={(a1,l1),(a2,l2),(a3,l3),L,(an,ln)},其中ai是第i段水声信号,li是对应第i段水声信号所属的调制方式;通过BELLHOP软件仿真生成信噪比范围为-9~30dB的8种调制方式水声信号,仿真数据集B={(b1,l1),(b2,l2),(b3,l3),L,(bm,lm)},其中bi是第i段仿真水声信号,li是对应第i段仿真水声信号所属的调制方式;最后,使用数据增强后的数据集Data={A,B};
S3-2:结合S1得到的具体特征和S2中得到的抽象特征,运用典型相关分析的特征融合方法获得完备的特征集,具体特征提取方法提取的特征向量记为X(1,n),抽象特征提取方法提取的特征向量记为Y(1,m),其中m与n为特征维度。SXX与SYY分别代表各自的协方差矩阵,SXY为X和Y间的协方差矩阵,SYX=(SXY)^T,整体的协方差矩阵为
定义线性合并如下,
X*=(WX)^T*X
Y*=(WY)^T*Y
其中WX及Wy可通过求取X*与Y*相关系数的最大值得出,相关系数定义如下,
变换后的特征通过以下方式合并,
Z为典型相关分析融合后的特征矩阵;
S3-3:使用完备的特征集,利用贪心算法对该神经网络进行预训练,用贪心算法训练网络步骤如下:
(1)单独训练第一层神经网络直至达到给定精度;
(2)保留第一层网络数据,单独训练第二层网络直至达到给定精度;
(3)重复以上流程直至整个神经网络训练完成;
S3-4:将预训练好的神经网络在目标区域中进行迁移学习,得到适用于目标区域的神经网络模型。
6.如权利要求5所述的水声通信调制方式识别方法,其特征在于,所述迁移学习方法为:将预训练好的改进稠密神经网络卷积层的权值保持不变,将其投入目标海域,根据实际的水声信号,调制神经网络的全连接层部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110487275.2A CN113259288B (zh) | 2021-05-05 | 2021-05-05 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110487275.2A CN113259288B (zh) | 2021-05-05 | 2021-05-05 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113259288A true CN113259288A (zh) | 2021-08-13 |
CN113259288B CN113259288B (zh) | 2023-08-08 |
Family
ID=77223529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110487275.2A Active CN113259288B (zh) | 2021-05-05 | 2021-05-05 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113259288B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902098A (zh) * | 2021-09-30 | 2022-01-07 | 云天弈(广州)智能科技有限公司 | 多类型数据并行学习方法、装置、计算机设备及介质 |
CN114070688A (zh) * | 2021-11-29 | 2022-02-18 | 中国海洋大学 | 多制式水声通信信号调制识别方法和*** |
CN114157539A (zh) * | 2022-02-10 | 2022-03-08 | 南京航空航天大学 | 一种数据知识双驱动的调制智能识别方法 |
CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
CN115225440A (zh) * | 2022-07-08 | 2022-10-21 | 金陵科技学院 | 基于图最大度特征的cr信号调制识别方法及*** |
CN117614467A (zh) * | 2024-01-17 | 2024-02-27 | 青岛科技大学 | 基于降噪神经网络的水声信号智能接收方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109802905A (zh) * | 2018-12-27 | 2019-05-24 | 西安电子科技大学 | 基于cnn卷积神经网络的数字信号自动调制识别方法 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和*** |
CN110738138A (zh) * | 2019-09-26 | 2020-01-31 | 哈尔滨工程大学 | 基于循环神经网络的水声通信信号调制模式识别方法 |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN112134818A (zh) * | 2020-09-23 | 2020-12-25 | 青岛科技大学 | 一种水声信号调制方式自适应类内识别方法 |
CN112132027A (zh) * | 2020-09-23 | 2020-12-25 | 青岛科技大学 | 基于改进稠密神经网络的水声信号调制方式类间识别方法 |
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*** |
-
2021
- 2021-05-05 CN CN202110487275.2A patent/CN113259288B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109802905A (zh) * | 2018-12-27 | 2019-05-24 | 西安电子科技大学 | 基于cnn卷积神经网络的数字信号自动调制识别方法 |
CN110490095A (zh) * | 2019-07-31 | 2019-11-22 | 中国人民解放军战略支援部队信息工程大学 | 一种基于神经网络的多模态特征融合调制识别方法和*** |
CN110738138A (zh) * | 2019-09-26 | 2020-01-31 | 哈尔滨工程大学 | 基于循环神经网络的水声通信信号调制模式识别方法 |
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN112134818A (zh) * | 2020-09-23 | 2020-12-25 | 青岛科技大学 | 一种水声信号调制方式自适应类内识别方法 |
CN112132027A (zh) * | 2020-09-23 | 2020-12-25 | 青岛科技大学 | 基于改进稠密神经网络的水声信号调制方式类间识别方法 |
CN112733811A (zh) * | 2020-09-23 | 2021-04-30 | 青岛科技大学 | 基于改进稠密神经网络的水声信号调制方式类间识别方法 |
CN112737992A (zh) * | 2020-09-23 | 2021-04-30 | 青岛科技大学 | 一种水声信号调制方式自适应类内识别方法 |
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*** |
Non-Patent Citations (4)
Title |
---|
孙继旋;: "基于关联规则的舰船故障数据定位挖掘算法", 舰船科学技术, no. 24 * |
梁晔;郝洁;石蕊;: "基于小波神经网络的数字信号调制方式识别", 吉林大学学报(理学版), no. 02 * |
熊小芸;宋朝晖;季飞;马惠珠;: "基金项目智能受理相关问题――申请代码、研究方向与关键词", 电子与信息学报 * |
解琳;梁海楠;佟璐;: "复杂光网络信号调制类型的识别研究", 激光杂志, no. 07 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902098A (zh) * | 2021-09-30 | 2022-01-07 | 云天弈(广州)智能科技有限公司 | 多类型数据并行学习方法、装置、计算机设备及介质 |
CN114070688A (zh) * | 2021-11-29 | 2022-02-18 | 中国海洋大学 | 多制式水声通信信号调制识别方法和*** |
CN114157539A (zh) * | 2022-02-10 | 2022-03-08 | 南京航空航天大学 | 一种数据知识双驱动的调制智能识别方法 |
CN114157539B (zh) * | 2022-02-10 | 2022-05-10 | 南京航空航天大学 | 一种数据知识双驱动的调制智能识别方法 |
US11700156B1 (en) | 2022-02-10 | 2023-07-11 | Nanjing University Of Aeronautics And Astronautics | Intelligent data and knowledge-driven method for modulation recognition |
CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
CN115225440A (zh) * | 2022-07-08 | 2022-10-21 | 金陵科技学院 | 基于图最大度特征的cr信号调制识别方法及*** |
CN117614467A (zh) * | 2024-01-17 | 2024-02-27 | 青岛科技大学 | 基于降噪神经网络的水声信号智能接收方法 |
CN117614467B (zh) * | 2024-01-17 | 2024-05-07 | 青岛科技大学 | 基于降噪神经网络的水声信号智能接收方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113259288B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN111783558A (zh) | 一种卫星导航干扰信号类型智能识别方法及*** | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
CN112731309A (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
CN112733811B (zh) | 基于改进稠密神经网络的水声信号调制方式类间识别方法 | |
CN113947151B (zh) | 一种海上复杂环境下的无线通信信号自动调制识别方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN111010356A (zh) | 一种基于支持向量机的水声通信信号调制方式识别方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN114692665A (zh) | 基于度量学习的辐射源开集个体识别方法 | |
CN112305506A (zh) | 一种基于cnn的lpi雷达信号检测方法 | |
CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN112034434A (zh) | 基于稀疏时频检测卷积神经网络的雷达辐射源识别方法 | |
CN116471154A (zh) | 基于多域混合注意力的调制信号识别方法 | |
CN111551893A (zh) | 一种深度学习与集成神经网络的室内定位方法 | |
CN114757224A (zh) | 一种基于持续学习和联合特征提取的特定辐射源识别方法 | |
CN109347601B (zh) | 基于卷积神经网络的抗音调干扰ldpc码的译码方法 | |
CN114298086A (zh) | 基于深度学习和四阶滞后矩谱的stbc-ofdm信号盲识别方法和装置 | |
CN117119377A (zh) | 基于滤波Transformer的室内指纹定位方法 | |
CN115238748B (zh) | 一种基于Transformer和决策融合的调制识别方法 | |
CN115278871B (zh) | 一种基于gasf和胶囊网络的nlos识别方法 | |
CN112910813B (zh) | 基于lda-knn的水声信号自动调制识别方法 | |
CN112202696B (zh) | 基于模糊自编码器的水声信号自动调制识别方法 |
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 |