[發明專利]基于深度學習和深度遷移學習的水下非固定節點通信方法

在審

• 申請號: 202310239579.6
• 申請日: 2023-03-14
• 公開（公告）號: CN116232478A
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 韓樹平;胡耀輝;徐景峰;李智忠;李厚全;趙桁;楊剛
• 申請（專利權）人: 中國人民解放軍海軍潛艇學院
• 主分類號: H04B13/02
• 分類號: H04B13/02;H04B11/00;H04B1/69;G06N3/0464;G06N3/049;G06N3/092;G06N3/096
• 代理公司: 青島鼎尖知識產權代理有限公司 37318
• 代理人: 宋濤

1.一種基于TCN深度學習和Fine-tuning深度遷移學習的水下非固定節點M元擴頻通信方法，其特征在于，包括：

S1：TCN網絡模型設計；

S2：TCN線下強化訓練；

S3：TCN基于海上實測數據的遷移學習。

2.如權利要求1所述基于TCN深度學習和Fine-tuning深度遷移學習的水下非固定節點M元擴頻通信方法，其特征在于，所述S1具體包括：

針對M元水聲通信擴頻接收波形信號特點，設計基于殘差網絡的TCN深度學習網絡模型，基于膨脹卷積和深度殘差網絡獲得隨著網絡深度指數增加的感受野，在實際TCN網絡中，膨脹卷積基數設為2，感受野隨層數增加呈2的指數冪增大；同時為了進一步擴大感受野卷積卷積核大小設置為5；在TCN殘差塊后設置全局池化層、全連接層、Softmax層、Classification層后進行分類。

3.如權利要求1所述基于TCN深度學習和Fine-tuning深度遷移學習的水下非固定節點M元擴頻通信方法，其特征在于，所述S2具體包括：

利用BELLHOP仿真信號線下訓練TCN模型，訓練過程中，針對實際復雜動力環境下徑向多普勒、信道條件強時變性，在線下訓練階段在仿真訓練集加入針對多普勒和多徑的數據加強預處理過程。

4.如權利要求3所述基于TCN深度學習和Fine-tuning深度遷移學習的水下非固定節點M元擴頻通信方法，其特征在于，所述針對多普勒和多徑的數據加強預處理過程具體如下：

訓練數據通過輸入-1至1m/s多普勒背景的數據、間隔0.2m/s網格化信道背景進行強化，并加入-10dB信噪比條件的白噪聲；同時設置空間網格訓練節點，通過開展基于網格點間仿真通信信道的仿真信號強化訓練，提高TCN模型的空間泛化能力，基于空間網格訓練節點示意效果中綠色隨機測試節點，開展隨機位置、隨機多普勒背景的仿真數據線上測試。

5.如權利要求1所述基于TCN深度學習和Fine-tuning深度遷移學習的水下非固定節點M元擴頻通信方法，其特征在于，所述S3具體包括：

基于仿真數據訓練得到的TCN模型直接應用在海上試驗實際觀測數據時產生誤碼率平臺效應；

針對噪聲、信道不匹配的情況，采用Fine-tuning深度遷移學習，以基于仿真數據訓練的TCN模型為預訓練模型，凍結凍結全局池化層以前的卷積殘差網絡，設部分試驗數據為約定已知的通信前訓練數據，并輸入TCN網絡對網絡后端的全連接層和Softmax層進行遷移學習；

評估TCN-TL模型在低信噪比條件下的通信效果，將試驗收集的環境噪聲信號按照信噪比能量條件調整幅值，并疊加到試驗接收波形信號，得到低信噪比條件的考察波形信號，將剩余數據導入遷移學習后的模型，與傳統擴頻接收器、頻率壓縮接收器與基于仿真數據訓練的TCN接收器解碼誤碼率對比。

6.如權利要求5所述基于TCN深度學習和Fine-tuning深度遷移學習的水下非固定節點M元擴頻通信方法，其特征在于，所述S3中，基于仿真數據訓練得到的TCN模型直接應用在海上試驗實際觀測數據時產生誤碼率平臺效應具體包括：

基于獲得的511碼M元通信接收波形數據，得到傳統擴頻接收器、頻率壓縮接收器與基于仿真數據訓練的TCN接收器解碼誤碼率分別為0.0788、0.0363和0.0863。

7.如權利要求5所述基于TCN深度學習和Fine-tuning深度遷移學習的水下非固定節點M元擴頻通信方法，其特征在于，所述Fine-tuning深度遷移學習具體包括：

基于實測波形數據開展Fine-tuning深度遷移學習，評估TCN-TL模型在低信噪比條件下的通信效果，將試驗收集的環境噪聲信號按照信噪比能量條件調整幅值，并疊加到試驗接收波形信號，得到低信噪比條件的考察波形信號；而后將剩余數據導入遷移學習后的模型(TCN-TL)，與傳統擴頻接收器、頻率壓縮接收器與基于仿真數據訓練的TCN接收器解碼誤碼率對比。