[發明專利]基于深度神經網絡的水下通信調制方式識別方法及系統

有效

• 申請號: 201811364728.7
• 申請日: 2018-11-16
• 公開（公告）號: CN109462564B
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 王巖;肖靜;孫梅;張連;楊紅芳
• 申請（專利權）人: 泰山學院
• 主分類號: H04L27/00
• 分類號: H04L27/00;H04B13/02;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 濟南譽豐專利代理事務所(普通合伙企業) 37240
• 代理人: 高強

1.一種基于深度神經網絡的水下通信調制方式識別方法,其特征在于，所述方法包括：

對水下通信傳輸過來的多種調制方式進行數據預處理；

深度神經網絡中的各神經網絡層根據數據預處理后的所述多種調制方式對應的數據獲得數據特征集，其中所述數據特征集包括：特征提取集、第一數據特征集、第二數據特征集和第三數據特征集，所述特征提取集、第一數據特征集、第二數據特征集和第三數據特征集對應的數據分類精確度遞增；所述深度神經網絡包括第一深度神經網絡層、第二深度神經網絡層、第三深度神經網絡層和第四深度神經網絡層; 第一深度神經網絡包括了第一卷積層和第一批量標準化層, 第一批量標準化層用于在后向傳播時解決梯度消失問題，并緩解深度學習網絡深度過深時難以訓練的問題; 第二深度神經網絡包括了第二卷積層、第二批量標準化層和最大池化層, 第二批量標準化層用于在后向傳播時解決梯度消失問題緩解深度學習網絡難以訓練的問題；最大池化層消除訓練過程中冗余信息并降低模型訓練復雜性; 第四深度神經網絡層為聚合層和全局池化層，根據聚合上層并行卷積神經網絡提取的特征集進行全局池化操作，產生對全局數據集進行分屬歸類情況的判斷，消除這些數據特征集的冗余信息，通過各層神經網絡提取的數據特征集信息，產生能夠初步判斷數據歸屬分類的情況；

根據所述第三數據特征集判斷并輸出通信調制方式。

2.根據權利要求1所述的方法,其特征在于，所述對水下通信傳輸過來的多種調制方式進行數據預處理包括：

將各種調制方式復數表示方式的數據格式轉化成對應實數形式的數據格式的數據格式轉化單元；

對目標水下通信調制方式數據與參考水下通信調制方式數據進行歸一化處理。

3.根據權利要求2所述的方法,其特征在于，所述深度神經網絡包括第一深度神經網絡層、第二深度神經網絡層、第三深度神經網絡層和第四深度神經網絡層；所述深度神經網絡中的各神經網絡層根據數據預處理后的所述多種調制方式對應的數據獲得數據特征集，包括：

所述第一深度神經網絡層根據數據預處理后的所述多種調制方式對應的數據經過第一卷積層和批量標準化產生特征提取集；

所述第二深度神經網絡層將所述特征提取集經過第二層卷機層和批量標準化的處理并經過最大池化層產生第一數據特征集；

所述第三深度神經網絡層根據所述第一數據特征集通過同時輸入并行的4組神經網絡層獲得第二數據特征集，所述4組神經網絡層對應的卷積以此分別為一個單獨的卷積層、兩個兩層的卷積層和一個由卷積層與全局平均池化層組成的卷積層；

所述第四深度神經網絡層，通過聚合所述第二數據特征集，并通過所述第四深度神經網絡層中的全局平均池化層產生第三數據特征集。

4.根據權利要求3所述的方法,其特征在于，所述深度神經網絡還包括第五深度神經網絡層，所述根據所述第三數據特征集判斷并輸出通信調制方式包括：

所述第五深度神經網絡層根據所述第三數據特征集產生最終的調制方式判斷，輸出識別出的調制方式。

5.根據權利要求3所述的方法,其特征在于，所述第四深度神經網絡層包括聚合層和全局池化層，所述所述第四深度神經網絡層，通過聚合所述第二數據特征集，并通過所述第四深度神經網絡層中的全局平均池化層產生第三數據特征集包括：

聚合所述第三深度神經網絡層產生的的第二數據特征集；

將聚合后的第二數據特征集進行全局池化操作，產生分屬歸類情況的判斷，消除數據特征集的冗余信息；

生成用于初步判斷數據歸屬分類的第三數據特征集。