[發明專利]一種水聲信號種類識別方法、系統及設備

在審

• 申請號: 202011021846.5
• 申請日: 2020-09-25
• 公開（公告）號: CN112329523A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 王巖
• 申請（專利權）人: 泰山學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 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

本申請公開了一種水聲信號種類識別方法、系統及設備，基于深度密集連接神經網絡，所述方法包括：將水下通信傳輸的多種調至信號進行數據預處理，獲得輸入信號種類原始數據集；確定對所述輸入信號種類原始數據集進行處理的深度密集連接神經網絡；通過所述深度密集連接神經網絡識別輸出水聲信號的種類。深度密集連接神經網絡克服了跨層連接方法更容易擬合更深模型的問題，在通信過程中，以物理層信號形式進行的分析簡單，使用更深層次的模型時較少涉及。通過跨層連接，可以防止過度擬合現象，提高模型的泛化能力，加深模型提高分類精度。

技術領域

本申請涉及信號識別技術領域，具體涉及一種水聲信號種類識別方法、系統及設備。

背景技術

近年來，作為非合作通信系統核心的調制識別技術得到了深入的研究。作為現代通信系統不可或缺的一部分，調制識別在軍事和民用領域均顯示出提高系統效率，實現電子對抗以及無線信號破解等諸多實用價值。尤其是在軟件無線電(包括認知無線電)中，調制識別已成為實現無線電系統智能的關鍵部分。在軍事領域，它主要涉及電子戰中對敵方信號捕獲后的進一步地識別及處理。為了有效地使用干擾敵方信號來阻止敵方通信，必須發送更高功率的信號，以超過相同頻帶中的敵方信號功率。顯然，最重要的是，所發送的干擾信號應具有與調制分類器檢測到的干擾信號相同的調制方案。在民用領域，靈活的LA(Link-Adaptation，鏈路自適應)系統可以根據通過測量獲得的信道條件，來自適應地選擇高效的調制方案來提升通信系統傳輸效率。但是，自動信號調制種類識別的研究尚未在水下通信領域中并未廣泛開展使用。

從通信的角度來看，水下信息傳輸的載體是水自身，它相當于陸地無線通信的空氣。水下信道比陸地無線信道復雜得多，因為水下電磁波的吸收特性使電磁波無法在水下環境中長距離傳播，因此許多經典的陸地無線電通信技術不能直接用于水下通信過程。水下通道是一種不均勻和隨機的介質通道，具有時間分散和慢衰落的特性。能量損耗不僅隨距離增加，而且隨頻率增加，因此可用帶寬很窄(只有幾千赫茲)，信道容量很小，并且在傳播過程中隨時空變化，多徑干擾影響很大。當信道帶寬受限且容量較小時，有效的調制方案對于提高通信效率尤為重要。調制和解調是數字通信系統的基礎，它是最基本，最重要的環節之一。在水下通信系統中，應用了PSK(Phase Shift Keying，移移鍵控)和QAM(Quadrature Amplitude Modulation，正交幅度調制)。由于在水下環境中的干擾更為嚴重，并且信號比陸地無線通信受到的影響更大，這使得調制星座圖變得模糊并且相移現象變得明顯。

自1990年代人工神經網絡，尤其是CNN(Convolutional Neural Networks，卷積神經網絡)一直在蓬勃發展。在通信領域，調制識別和信號識別主要通過使用淺層人工神經網絡來完成。直到2012年，AlexNet開始在圖像識別方面取得突破，從ZFNet到VGGNet，GoogLeNet，再到ResNet。如圖1所示，典型的網絡結構是VGGNet，其中Conv是卷積層，3×3是內核大小，64～512是圖像過濾器數。pool是池化層，使用1到5來區分不同的池化層。fc是全連接層，4096是隱藏的單元數。但是，這些深層神經網絡也會生成難以搜索的高維非線性超參數空間，從而導致過度擬合現象和較差的泛化能力。在這種情況下，網絡越來越深，架構也越來越復雜。為了提高深度網絡模型的泛化能力，采用了許多巧妙的解決方案來減少反向傳播中的過度擬合出現和梯度消失的問題，例如Dropout，批處理歸一化(BatchNormalization，BN)和ReLU非線性函數等。在計算機視覺領域，CNN已成為最主流的方法。同樣，通信領域已開始使用深度學習方法，例如用于處理各種無線網絡問題的基于ANN的機器學習算法。許多研究涉及基于深度學習的算法，例如物理層通信過程分析，通過CNN和BP(Belief Propagation，信念傳播)的組合進行信道解碼以及使用RNN(Recurrent NeuralNetwork，遞歸神經網絡)來識別和檢測通信系統中的數據序列。但是，可以看出，更深更廣的網絡可以了解有關數據集分布的更多功能，但是它們也導致過擬合的問題，使模型無法使用。

發明內容