[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

本發明涉及一種基于深度學習技術的水聲通信調制模式識別方法。該方法包括：構建深度學習卷積神經網絡模型；預設訓練集樣本識別準確率T、測試集樣本識別準確率P；獲取不同調制方式實驗數據或仿真數據；將每N個采樣點數據作為一個原始數據樣本，進行預處理；將預處理后數據樣本隨機劃分為訓練集和測試集；用訓練樣本集對其進行訓練；判斷訓練集樣本識別準確率是否達到預設值，當達到時，將輸入切換為數據樣本測試集，用數據樣本測試集對進行測試；否則繼續訓練；判斷測試集樣本識別準確率是否達到預設值，當達到時則完成模型；否則，獲取額外數據，與原數據混合，重復執行本方法。本發明解決了由于海洋信道時變空變導致的信號特征提取困難。

技術領域

本發明涉及一種水聲通信調制模式識別方法，特別是一種基于深度學習技術的水聲通信調制模式識別方法，屬于水聲通信與模式識別領域。

背景技術

非合作水聲通信信號調制模式識別研究作為水聲對抗領域的重要組成部分，日益成為重要的研究課題。為有效實現分類識別，需要獲得最能反映信號分類差別的特征。

范海波(范海波，楊志俊，曹志剛《衛星通信常用調制模式的自動識別》，通信學報，2004,25(1)：140-149)提出了一種基于譜特征的通信信號調制模式自動識別方法，從信號功率譜、平方譜中提取無需調制參數的特征參數作為特征向量，在較低信噪比下仍具有很好的識別準確率.但是，水聲信道具有時變空變等復雜特性，使得無需先驗知識的特征參數往往呈現出嚴重的不穩定性、隨機性。

自2012年興起的深度學習是一種基于數據驅動的自動特征提取識別算法，相較以往基于人工設計的特征提取算法，深度學習取得的效果更為出色，微軟研究院和谷歌的語音識別研究人員先后采用深度學習降低語音識別錯誤率20％～30％，是語音識別領域10多年來最大的突破性進展。

尤其在圖像識別應用中，基于深度學習中的卷積神經網絡模型的算法體現了其它的非深度學習方法所不具備的優勢。文獻《ImageNet classification with deepconvolutional neural networks》(神經信息處理系統2012年會，1097-1105頁)在ImageNet圖像識別評測上將錯誤率從26％降低到15％，比第二名高出10％左右。

發明內容

為克服上述技術缺陷，本發明要解決的技術問題是提供一種較為魯棒的基于深度學習技術的水聲通信調制模式識別方法。

為解決上述技術問題，本發明技術方案是：

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；