基于深度神经网络的水下通信调制方式识别方法及系统技术方案

本申请公开了一种基于深度神经网络的水下通信调制方式识别方法及系统,对水下通信传输过来的多种调制方式进行数据预处理；深度神经网络中的各神经网络层根据数据预处理后的所述多种调制方式对应的数据获得数据特征集，根据所述第三数据特征集判断并输出通信调制方式。使用了参考水下通信调制数据与目标水下通信调制数据分别独立作为输入深度神经网络的信息。深度神经网络中的各神经网络层对预处理后的多种调制方式的数据进行数据特征集获取，最后根据最终获取的数据特征集获取准确的通信调制方式，提高对水下通信调制方式的判断准确率。

Modulation Recognition Method and System for Underwater Communication Based on Deep Neural Network

This application discloses an underwater communication modulation recognition method and system based on deep neural network, which preprocesses data of various modulation modes transmitted from underwater communication; each neural network layer of deep neural network obtains data feature set according to data corresponding to various modulation modes after data preprocessing, and judges and outputs data feature set according to the third data feature set. Communication modulation mode. Reference underwater communication modulation data and target underwater communication modulation data are used as input depth neural network information separately. Each layer of the deep neural network obtains the data feature set of the pre-processed data of various modulation modes, and finally obtains the accurate communication modulation mode according to the final data feature set, so as to improve the accuracy of judging the underwater communication modulation mode.

【技术实现步骤摘要】
基于深度神经网络的水下通信调制方式识别方法及系统
本申请涉及水下通信
，具体涉及一种基于深度神经网络的水下通信调制方式识别方法及系统。
技术介绍
水下通信相比陆上通信由于通道的多径效应、时变效应、可用频宽窄、信号衰减严重。特别是在长距离传输中，高频电磁波不能长距离在水下传输，只能通过低频声波进行水下长距离传输。因此，如何实现稳定的水下通信一直是一个难题。随着通信技术的发展，通过高阶调制方法提高了水下通信的效率。高阶调制的引入，调制识别成为通信系统通信过程中的重要组成部分。随着水声通信环境的复杂性，调制识别成为具有挑战性的任务。通常机器学习调制识别方法主要包括支持向量机，K-最近邻和决策树等。但是传统的水下通信调制方式识别方法无法快速准确的判断出当前的调制方式，因此亟需一种水下通信调制方式识别方法。
技术实现思路
本申请为了解决上述技术问题，本申请是通过如下技术方案实现的：第一方面，本申请实施例提供了一种基于深度神经网络的水下通信调制方式识别方法,所述方法包括：对水下通信传输过来的多种调制方式进行数据预处理；深度神经网络中的各神经网络层根据数据预处理后的所述多种调制方式对应的数据获得数据特征集，其中所述数据特征集包括：特征提取集、第一数据特征集、第二数据特征集和第三数据特征集，所述特征提取集、第一数据特征集、第二数据特征集和第三数据特征集对应的数据分类精确度递增；根据所述第三数据特征集判断并输出通信调制方式。采用上述实现方式，使用了参考水下通信调制数据与目标水下通信调制数据分别独立作为输入深度神经网络的信息。深度神经网络中的各神经网络层对预处理后的多种调制方式的数据进行数据特征集获取，最后根据最终获取的数据特征集获取准确的通信调制方式，提高对水下通信调制方式的判断准确率。根据第一方面，在第一方面第一种可能的实现方式中，所述对水下通信传输过来的多种调制方式进行数据预处理包括：将各种调制方式复数表示方式的数据格式转化成对应实数形式的数据格式的数据格式转化单元；对目标水下通信调制方式数据与参考水下通信调制方式数据进行归一化处理。根据第一方面第一种可能的实现方式，在第一方面第二种可能的实现方式中，所述深度神经网络包括第一深度神经网络层、第二深度神经网络层、第三深度神经网络层和第四深度神经网络层；所述深度神经网络中的各神经网络层根据数据预处理后的所述多种调制方式对应的数据获得数据特征集，包括：所述第一深度神经网络层根据数据预处理后的所述多种调制方式对应的数据经过第一卷积层和批量标准化产生特征提取集；所述第二深度神经网络层将所述特征提取集经过第二层卷机层和批量标准化的处理并经过最大池化层产生第一数据特征集；所述第三深度神经网络层根据所述第一数据特征集通过同时输入并行的4组神经网络层获得第二数据特征集，所述4组神经网络层对应的卷积以此分别为一个单独的卷积层、两个两层的卷积层和一个由卷积层与全局平均池化层组成的卷积层；所述第四深度神经网络层，通过聚合所述第二数据特征集，并通过所述第四深度神经网络层中的全局平均池化层产生第三数据特征集。根据第一方面第二种可能的实现方式，在第一方面第三种可能的实现方式中，所述深度神经网络还包括第五深度神经网络层，所述根据根据所述第三数据特征集判断并输出通信调制方式包括：所述第五深度神经网络层根据所述第三数据特征集产生最终的调制方式判断，输出识别出的调制方式。根据第一方面第二种可能的实现方式，在第一方面第四种可能的实现方式中，所述第四深度神经网络层包括聚合层和全局池化层，所述所述第四深度神经网络层，通过聚合所述第二数据特征集，并通过所述第四深度神经网络层中的全局平均池化层产生第三数据特征集包括：聚合所述第三深度神经网络层产生的的第二数据特征集；将聚合后的第二数据特征集进行全局池化操作，产生分属归类情况的判断，消除数据特征集的冗余信息；生成用于初步判断数据归属分类的第三数据特征集。第二方面，本申请实施例提供了一种基于深度神经网络的水下通信调制方式识别系统,所述系统包括：预处理模块，用于对水下通信传输过来的多种调制方式进行数据预处理；获取模块，用于深度神经网络中的各神经网络层根据数据预处理后的所述多种调制方式对应的数据获得数据特征集，其中所述数据特征集包括：特征提取集、第一数据特征集、第二数据特征集和第三数据特征集，所述特征提取集、第一数据特征集、第二数据特征集和第三数据特征集对应的数据分类精确度递增；判断输出模块，用于根据所述第三数据特征集判断并输出通信调制方式。根据第二方面，在第二方面第一种可能的实现方式中，所述预处理模块包括：数据格式转化单元，用于将各种调制方式复数表示方式的数据格式转化成对应实数形式的数据格式的数据格式转化单元；数据归一化处理单元，用于对目标水下通信调制方式数据与参考水下通信调制方式数据进行归一化处理。根据第二方面第一种可能的实现方式，在第二方面第二种可能的实现方式中，所述获取模块包括：第一获取单元，用于所述第一深度神经网络层根据数据预处理后的所述多种调制方式对应的数据经过第一卷积层和批量标准化产生特征提取集；第二获取单元，用于所述第二深度神经网络层将所述特征提取集经过第二层卷机层和批量标准化的处理并经过最大池化层产生第一数据特征集；第三获取单元，用于所述第三深度神经网络层根据所述第一数据特征集通过同时输入并行的4组神经网络层获得第二数据特征集，所述4组神经网络层对应的卷积以此分别为一个单独的卷积层、两个两层的卷积层和一个由卷积层与全局平均池化层组成的卷积层；第四获取单元，用于所述第四深度神经网络层，通过聚合所述第二数据特征集，并通过所述第四深度神经网络层中的全局平均池化层产生第三数据特征集。根据第二方面第二种可能的实现方式，在第二方面第三种可能的实现方式中，所述深度神经网络还包括第五深度神经网络层，所述判断输出模块包括：判断单元，用于所述第五深度神经网络层根据所述第三数据特征集产生最终的调制方式判断；输出单元，用于根据所述判断单元的判断结果输出识别出的调制方式。根据第二方面第二种可能的实现方式，在第二方面第四种可能的实现方式中，所述第四深度神经网络层包括聚合层和全局池化层，所述第四获取单元包括：聚合子单元，用于聚合所述第三深度神经网络层产生的的第二数据特征集；全局池化子单元，用于将聚合后的第二数据特征集进行全局池化操作，产生分属归类情况的判断，消除数据特征集的冗余信息；获取子单元，用于生成用于初步判断数据归属分类的第三数据特征集。附图说明下面结合附图对本申请作进一步的说明。图1为本申请实施例提供的一种基于深度神经网络的水下通信调制方式识别方法的流程示意图；图2为本申请实施例提供的一种水下信道模型的示意图；图3为本申请实施例提供的一种基于水下通信调制方式识别的深度神经网络系统的结构示意图；图4为本申请实施例提供的一种多层感知器的结构示意图；图5为本申请实施例提供的一种多层感知器的结构对比传统CNN结构的示意图；图6为本申请实施例提供的一种深度神经网络训练过程中的表现的示意图示意图；图7为本申请实施例提供的一种深度神经网络在信噪比从-20dB到20dB的总体识别效果示意图；图8为本申请实施例提供的一种深度神经网络在信噪比在-6dB的总体识别效果示意图；图9为本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的水下通信调制方式识别方法,其特征在于，所述方法包括：对水下通信传输过来的多种调制方式进行数据预处理；深度神经网络中的各神经网络层根据数据预处理后的所述多种调制方式对应的数据获得数据特征集，其中所述数据特征集包括：特征提取集、第一数据特征集、第二数据特征集和第三数据特征集，所述特征提取集、第一数据特征集、第二数据特征集和第三数据特征集对应的数据分类精确度递增；根据所述第三数据特征集判断并输出通信调制方式。

【技术特征摘要】
1.一种基于深度神经网络的水下通信调制方式识别方法,其特征在于，所述方法包括：对水下通信传输过来的多种调制方式进行数据预处理；深度神经网络中的各神经网络层根据数据预处理后的所述多种调制方式对应的数据获得数据特征集，其中所述数据特征集包括：特征提取集、第一数据特征集、第二数据特征集和第三数据特征集，所述特征提取集、第一数据特征集、第二数据特征集和第三数据特征集对应的数据分类精确度递增；根据所述第三数据特征集判断并输出通信调制方式。2.根据权利要求1所述的方法,其特征在于，所述对水下通信传输过来的多种调制方式进行数据预处理包括：将各种调制方式复数表示方式的数据格式转化成对应实数形式的数据格式的数据格式转化单元；对目标水下通信调制方式数据与参考水下通信调制方式数据进行归一化处理。3.根据权利要求2所述的方法,其特征在于，所述深度神经网络包括第一深度神经网络层、第二深度神经网络层、第三深度神经网络层和第四深度神经网络层；所述深度神经网络中的各神经网络层根据数据预处理后的所述多种调制方式对应的数据获得数据特征集，包括：所述第一深度神经网络层根据数据预处理后的所述多种调制方式对应的数据经过第一卷积层和批量标准化产生特征提取集；所述第二深度神经网络层将所述特征提取集经过第二层卷机层和批量标准化的处理并经过最大池化层产生第一数据特征集；所述第三深度神经网络层根据所述第一数据特征集通过同时输入并行的4组神经网络层获得第二数据特征集，所述4组神经网络层对应的卷积以此分别为一个单独的卷积层、两个两层的卷积层和一个由卷积层与全局平均池化层组成的卷积层；所述第四深度神经网络层，通过聚合所述第二数据特征集，并通过所述第四深度神经网络层中的全局平均池化层产生第三数据特征集。4.根据权利要求3所述的方法,其特征在于，所述深度神经网络还包括第五深度神经网络层，所述根据根据所述第三数据特征集判断并输出通信调制方式包括：所述第五深度神经网络层根据所述第三数据特征集产生最终的调制方式判断，输出识别出的调制方式。5.根据权利要求3所述的方法,其特征在于，所述第四深度神经网络层包括聚合层和全局池化层，所述所述第四深度神经网络层，通过聚合所述第二数据特征集，并通过所述第四深度神经网络层中的全局平均池化层产生第三数据特征集包括：聚合所述第三深度神经网络层产生的的第二数据特征集；将聚合后的第二数据特征集进行全局池化操作，产生分属归类情况的判断，消除数据特征集的冗余信息；生成...

【专利技术属性】
技术研发人员：王岩，孙梅，
申请(专利权)人：泰山学院，
类型：发明
国别省市：山东,37