[發明專利]一種基于深度學習技術的水聲通信調制模式識別方法

在審

• 申請號: 201711443626.X
• 申請日: 2017-12-27
• 公開（公告）號: CN108038471A
• 公開（公告）日: 2018-05-15
• 發明（設計）人: 殷敬偉;邵夢琦;韓笑;周啟明;李成;沈益冉;李理
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習技術的水聲通信調制模式識別方法，其特征在于：包括以下步驟：

步驟一：構建一個深度學習卷積神經網絡模型；

步驟二：預設訓練集樣本識別準確率T，預設測試集樣本識別準確率P；

步驟三：獲取不同調制方式的水聲通信調制信號的實驗數據或仿真數據；

步驟四：將同類調制方式信號的每N個采樣點數據作為一個原始數據樣本，每一個原始數據樣本為一個N×1的列向量，對原始數據樣本標注信號的調制方式；

步驟五：對每個數據樣本進行預處理，將所有原始數據樣本轉換為深度學習卷積神經網絡的輸入形式，包括對原始數據樣本進行帶通濾波，得到一個N×1的列向量，然后對濾波后得到的N×1的列向量進行希爾伯特變換，得到另一個N×1的列向量，將2個N×1的列向量合并成1個N×2矩陣；

步驟六：將預處理后的數據樣本矩陣隨機劃分為訓練集和測試集；

步驟七：用訓練樣本集訓練深度學習卷積神經網絡模型的參數；

步驟八：判斷訓練集樣本識別準確率是否達到預設值，當訓練集樣本識別準確率大于等于T時，跳轉至步驟九；否則，跳轉至步驟七；

步驟九：將深度學習卷積神經網絡的輸入切換為數據樣本測試集，用數據樣本測試集對深度學習卷積神經網絡模型進行檢驗；

步驟十：判斷測試集樣本識別準確率是否達到預設值，當測試集樣本識別準確率大于等于P時，則執行步驟十一；否則，獲取額外數據，與所述的步驟三中的原數據混合，擴大原始數據樣本，然后跳轉至步驟四；

步驟十一：完成深度學習卷積神經網絡參數的設置，獲得網絡模型參數，完成模型。

2.根據權利要求1所述的一種基于深度學習技術的水聲通信調制模式識別方法，其特征在于：步驟一所述的深度學習卷積神經網絡模型的輸出為經模型判斷獲得的數據樣本調制方式，對每一層的輸出結果先進行規范化處理后輸出。

3.根據權利要求1所述的一種基于深度學習技術的水聲通信調制模式識別方法，其特征在于：步驟七中用訓練樣本集對深度學習卷積神經網絡進行訓練方法為反向傳播算法。

4.根據權利要求1所述的一種基于深度學習技術的水聲通信調制模式識別方法，其特征在于：步驟四所述的原始數據樣本滿足：

(N-1)×t×B＞40

其中，t為采樣周期，B為步驟三所述的實驗數據和仿真數據的信號頻帶寬度。

5.根據權利要求1所述的一種基于深度學習技術的水聲通信調制模式識別方法，其特征在于：步驟一所述的深度學習卷積神經網絡模型包括卷積層、池化層和全連接層，所述的卷基層層數大于等于3層，所述的各卷積層的通道數應均大于等于30，所述的各卷積層的每個通道的神經元個數隨卷積層逐層遞減，通道個數逐層遞增；每一層卷積層后面加入池化層，池化層為最大池化層，池化層的通道數與之前的卷積層的通道數相等；所述的全連接層連接在最后的池化層后，所述的全連接層層數大于等于2層且為單通道，第一層全連接層的神經元的個數大于等于100，最后一層全連接層的神經元的個數大于等于30，所述的全連接層的神經元個數逐層遞減。