[發明專利]一種基于CMA-SAE的水聲信道信號處理方法及系統

有效

• 申請號: 202010501480.5
• 申請日: 2020-06-04
• 公開（公告）號: CN111683026B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 劉振興;陸劍鋒
• 申請（專利權）人: 泰州職業技術學院
• 主分類號: H04L25/03
• 分類號: H04L25/03;H04B15/00
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 杜陽陽

本發明涉及一種基于CMA?SAE的水聲信道信號處理方法及系統。該方法包括：獲取水聲通信系統接收端的輸入信號；采用基于CMA算法的均衡器對所述輸入信號進行均衡處理，得到均衡輸出信號；對所述均衡輸出信號進行離散傅里葉變換，得到所述均衡輸出信號對應的頻域信號；根據所述均衡輸出信號和所述均衡輸出信號對應的頻域信號，利用堆棧自編碼網絡模型進行去噪處理，得到所述水聲通信系統發射信號對應的無噪信號。本發明可以提高水聲信道均衡處理的速度和精度，降低誤碼率，提高通信質量。

技術領域

本發明涉及水聲通信領域，特別是涉及一種基于CMA-SAE的水聲信道信號處理方法及系統。

背景技術

通信質量的好壞取決于所處信道的物理特性，由于水聲信道具有時變、空變、多途、高背景噪聲等復雜特性，其不可避免的將在水聲通信系統的接收端產生嚴重的碼間干擾，從而引起誤碼，降低系統的可靠性。因此，克服傳輸信道尤其是淺海水平聲信道引起的時變多途效應是具有挑戰性的課題。

圖1為水聲通信系統模型，如圖1所示，接收端輸入信號為其中s(n)為通信系統發射信號，h(n)為水聲信道，w(n)為加性高斯白噪聲,d(n)為理想的接收端輸入信號。為了克服通信中的碼間干擾，通常在接收機中采用均衡器進行濾波去噪處理。均衡器輸入信號為X(n)，輸出信號Y(n)，均衡誤差r(n)＝Y(n)-s(n)。均衡器的主要作用是使輸出Y(n)盡可能逼近發射信號s(n),從而降低均衡誤差，提高通信質量?？芍馄魍瓿傻氖且粋€逆濾波過程，實現輸入X(n)與發射信號s(n)的逆向映射，可表示為f^-1:X(n)→s(n)。

基于此，研究者提出了各種各樣的濾波去噪方法，如常數模(constant modulusalgorithm，CMA)、小波和多小波等多種水聲信道均衡算法。其中常數模算法不需要知道水聲信道的先驗信息，因結構簡單、性能穩健、運算量小而被廣泛使用，但其收斂精度不高。小波和多小波算法的均衡效果與其變換的稀疏能力有關，且需事先選取小波和多小波系數，影響了算法的實際應用。

深度學習是人工智能的前沿技術，該技術不強調數據的先驗特性，通過端到端的設計，搭建網絡模型，注重模型的簡單和通用，具有處理能力強、泛化性能好等特點。其中，降噪自編碼器可以模擬人腦思維方式，提取低噪數據特征，重構無噪數據，并且網絡結構簡單、算法復雜度低，廣泛應用于去噪研究。但是，網絡的性能與其結構有關，要想獲得較好的性能，淺層網絡所需節點數與輸入數據數目呈指數關系，而深度網絡在間接性和表達能力上更具優勢，其所需節點數與輸入數據數目呈多項式關系，特別是與自編碼網絡(Auto-Encoders，AE)對應的堆棧自編碼網絡(Stacked Auto-Encoders，SAE)可以模擬人的大腦活動，逐層提取輸入數據特征，表現更優。目前，深度學習廣泛應用于機器視覺、圖像處理等領域，并取得了顯著成效，但其在水聲信道均衡中的應用較少。

有的文獻提出一種基于深度學習的水聲通信系統，該系統將深度神經網絡(具有多個隱含層的前饋神經網絡)作為通信接收機，用訓練后的深度神經網絡模型將接收機輸入信號直接恢復發射信號。還有的文獻提出一種基于堆棧自編碼器的水聲均衡算法，該算法將堆棧自編碼器作為均衡器，用訓練后的堆棧自編碼器將均衡器輸入信號直接恢復發射信號。上述兩個文獻分別采用深度神經網絡和堆棧自編碼器作為均衡器，即采用深度神經網絡表示函數f^-1?？芍ㄐ怒h境越差，干擾越嚴重，水聲信道h(n)的變化越大，噪聲w(n)的水平越高，此時接收端實際輸入信號X(n)與理想輸入信號d(n)相差越大，函數f^-1也越復雜，故上述文獻中網絡訓練的難度也越大，訓練后的模型精度也將受到嚴重影響，信號的誤碼率也會增加，進而影響通信質量。

發明內容

本發明的目的是提供一種基于CMA-SAE的水聲信道信號處理方法及系統，將現有文獻中水聲通信系統接收端深度神經網絡承擔的均衡、去噪功能分割開來，提出了一種基于CMA-SAE的水聲通信系統接收端結構，利用CMA進行均衡，SAE進行去噪，結合CMA和SAE的優點，以提高復雜環境下水聲信道均衡處理的速度和精度，降低誤碼率，提高通信質量。