[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

本申請公開了一種基于深度神經網絡的水下通信調制方式識別方法及系統,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，根據所述第三數據特征集判斷并輸出通信調制方式。使用了參考水下通信調制數據與目標水下通信調制數據分別獨立作為輸入深度神經網絡的信息。深度神經網絡中的各神經網絡層對預處理后的多種調制方式的數據進行數據特征集獲取，最后根據最終獲取的數據特征集獲取準確的通信調制方式，提高對水下通信調制方式的判斷準確率。

技術領域

本申請涉及水下通信技術領域，具體涉及一種基于深度神經網絡的水下通信調制方式識別方法及系統。

背景技術

水下通信相比陸上通信由于通道的多徑效應、時變效應、可用頻寬窄、信號衰減嚴重。特別是在長距離傳輸中，高頻電磁波不能長距離在水下傳輸，只能通過低頻聲波進行水下長距離傳輸。因此，如何實現穩定的水下通信一直是一個難題。

隨著通信技術的發展，通過高階調制方法提高了水下通信的效率。高階調制的引入，調制識別成為通信系統通信過程中的重要組成部分。隨著水聲通信環境的復雜性，調制識別成為具有挑戰性的任務。通常機器學習調制識別方法主要包括支持向量機，K-最近鄰和決策樹等。

但是傳統的水下通信調制方式識別方法無法快速準確的判斷出當前的調制方式，因此亟需一種水下通信調制方式識別方法。

發明內容

本申請為了解決上述技術問題，本申請是通過如下技術方案實現的：

第一方面，本申請實施例提供了一種基于深度神經網絡的水下通信調制方式識別方法,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；根據所述第三數據特征集判斷并輸出通信調制方式。

采用上述實現方式，使用了參考水下通信調制數據與目標水下通信調制數據分別獨立作為輸入深度神經網絡的信息。深度神經網絡中的各神經網絡層對預處理后的多種調制方式的數據進行數據特征集獲取，最后根據最終獲取的數據特征集獲取準確的通信調制方式，提高對水下通信調制方式的判斷準確率。

根據第一方面，在第一方面第一種可能的實現方式中，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。

根據第一方面第一種可能的實現方式，在第一方面第二種可能的實現方式中，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。

根據第一方面第二種可能的實現方式，在第一方面第三種可能的實現方式中，所述深度神經網絡還包括第五深度神經網絡層，所述根據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。