一种基于深度学习的水声正交频分复用通信方法技术

一种基于深度学习的水声正交频分复用通信方法，属于水声通信技术领域。本发明专利技术分为两个阶段。首先是基于大量训练数据的训练阶段，通过训练过程将损失函数最小化并调整深度神经网络参数以获取有效的接收系统模型。其次是在线测试阶段，将有效训练的接收系统模型投入实际测试，在不需要明确信道估计及均衡的条件下直接恢复发射信号。与传统的水声通信需进行明确信道估计及均衡不同，深度神经网络可以通过训练来学习处理水声信道造成的复杂失真，直接从接收的信号中恢复原始发射信号；本发明专利技术可降低水声通信系统设计复杂度，有效实现水下数据传输；本发明专利技术对比于传统水声通信方法，对于导频数据量较少、循环前缀缺失情况下的水生通信具有更好的鲁棒性。

A method of underwater acoustic orthogonal frequency division multiplexing communication based on deep learning

An underwater acoustic orthogonal frequency division multiplexing communication method based on deep learning belongs to the field of underwater acoustic communication technology. The invention is divided into two stages. Firstly, in the training stage based on a large number of training data, the loss function is minimized and the parameters of the deep neural network are adjusted to obtain an effective receiving system model. Secondly, in the on-line test phase, the received system model trained effectively is put into actual test, and the transmitted signal is recovered directly without explicit channel estimation and equalization. Unlike the traditional underwater acoustic communication, which requires clear channel estimation and equalization, the deep neural network can learn to process the complex distortion caused by the underwater acoustic channel by training, and directly recover the original transmitted signal from the received signal; the present invention can reduce the design complexity of the underwater acoustic communication system and effectively realize underwater data transmission; compared with the traditional underwater acoustic communication method, the present invention is applicable to the underwater acoustic communication system. Aquatic communication with less pilot data and missing cyclic prefix has better robustness.

【技术实现步骤摘要】
一种基于深度学习的水声正交频分复用通信方法
本专利技术属于水声通信
，具体涉及一种基于深度学习的水声正交频分复用通信方法。
技术介绍
正交频分复用技术是将信道分成若干正交子信道，将高速数据信号转化为并行的低速子数据流，调制到每个子信道上进行传输。可以有效的抑制和消除由于信道的时延拓展引起的选择性衰落，易实现调制解调。但是由于水下通信的多途传播及多普勒效应等因素，大大增加了水声正交频分复用接收系统的设计难度。为了简化通信接收系统的设计复杂度，本文提出基于深度学习的水声正交频分复用通信方法。该方法无需传统接收系统要求明确的信道估计及均衡，采用深度神经网络于接收端直接恢复原始发射信号。近年来，机器学习被认为是解决目标检测与识别、语音识别等复杂问题的有效的解决方法。在2006年，多伦多大学教授GeoffreyHinton首次提出了深度学习的模型以及训练方法。一般的深度学习模型有多层网络构成，每一层又由多个神经元组成，通过基于大量标记与未标记数据整合而成的训练集的有效训练而获取参数配置合理的深度学习模型。
技术实现思路
本专利技术的目的是为了降低传统水声正交频分复用通信接收系统设计复杂度较高的问题，提出了一种基于深度学习的水声正交频分复用通信方法。本专利技术的目的是这样实现的：一种基于深度学习的水声正交频分复用通信方法，包括下述步骤：步骤1、训练阶段：通过建立深度神经网络并进行有效训练，得到有效训练的水声正交频分复用通信接收系统的深度学习模型；步骤2、测试阶段：将步骤1所得到的有效训练的深度学习模型投入实际测试，直到恢复原始发射信号。步骤1所述的有效训练的水声正交频分复用通信接收系统的深度学习模型是这样得到的：步骤1.1、在通信系统输入端产生已知随机二进制比特流b，并将此数据序列进行符号映射得到频域信号s；对该频域信号进行多载波正交频分复用调制，即依次进行串并转换、插入导频、逆傅里叶变换、插入循环前缀及并串转换；调制后信号的数学表达式为xCP(n)，其中n为离散时间索引；步骤1.2、步骤1.1的调制信号xCP(n)经过信道后到达通信接收端，长度为N的接收信号yCP(n)为：其中，h(n)为信道的冲激响应函数，w(n)为加性高斯白噪声；步骤1.3、对接收数据进行预处理，依次做串并转换、移除循环前缀及傅里叶变换，得到输出数据其中k为载波序号；步骤1.4、搭建包含输入层、多层隐藏层、输出层，且每层由多个代表数据特征的神经元构成的深度神经网络并进行训练；训练过程中，深度神经网络输入数据集为步骤1.3的输出数据数据于神经网络中在权重、偏置和激活函数的共同作用下前向传播进而得到神经网络输出则第q层神经网络的第j个神经元的输入aj(q)和输出bj(q)分别为：其中，J(q-1)和J(q)分别代表第q-1和第q层神经网络所包含的神经元个数，uij(q-1)为第q-1层第i个神经元与第q层第j个神经元之间的权重，vj(q-1)为第q层第j个神经元的偏置，f(·)为激活函数；因此得到深度神经网络的总输出：其中，Q为深度神经网络层数，即为步骤1.3的输出数据定义表征神经网络性能的损失函数：其中，为预测数据，b(k)为监督数据即原始输入比特，当L2到达预设阈值ξ，结束训练并保存深度神经网络当前状态下各层的权值和偏置即得到有效训练的深度学习模型。步骤2所述的深度学习的测试过程具体包括以下操作步骤：步骤2.1、步骤2.2、步骤2.3同步骤1.1、步骤1.2、步骤1.3一致，其中，通信系统输入数据由已知随机二进制比特流变更为未知随机二进制比特流，得到神经网络输入数据y(k)；步骤2.4、将步骤2.3得到的y(k)输入步骤1.4获取的深度学习模型，进而恢复原始发射信号。步骤1.1发射信号包括以下具体操作步骤：步骤1.1.1、将随机比特流进行符号映射并转换成并行数据；步骤1.1.2、在转换后的并行数据插入导频符号；步骤1.1.3、将插入导频符号后的数据进行傅里叶逆变换得到时域信号；步骤1.1.4、在步骤1.3得到的时域信号插入循环前缀；步骤1.1.5、将步骤1.4插入循环前缀后的数据进行并串转换后发送到信道中。所述步骤1.4中将经信道传输得到的接收信号进行预处理后输入深度神经网络，通过损失函数判决得到权值u和偏置v，从而获取有效的深度学习模型。本专利技术的有益效果在于：本专利技术使用基于深度学习的水声正交频分复用通信方法，以深度学习模型代替传统水声通信接收系统。与传统的水声通信需进行明确信道估计及均衡不同，深度神经网络可以通过训练来学习处理水声信道造成的复杂失真，然后直接从接收的信号中恢复原始发射信号。本专利技术可降低水声通信系统设计复杂度，有效实现水下数据传输。同时，本专利技术对比于传统水声通信方法，对于导频数据量较少、循环前缀缺失情况下的水生通信具有更好的鲁棒性。附图说明图1为完整的基于深度学习的水声通信系统流程图；图2为正交频分复用调制流程图；图3为接收信号预处理流程图；图4为深度神经网络原理图。具体实施方式下面结合附图对本专利技术进一步详细说明。基于正交载波扫扩技术的抗多途水声通信方法，包括下述步骤：步骤1、通过建立深度神经网络并进行有效训练，得到有效的水声正交频分复用通信接收系统。步骤1.1、在通信系统输入端产生已知随机二进制比特流b，并将此数据序列进行符号映射得到频域信号s。如图2，对该频域信号进行多载波正交频分复用调制，即依次进行串并转换、插入导频、逆傅里叶变换、插入循环前缀及并串转换。调制后信号的数学表达式为xCP(n)，其中n为离散时间索引；步骤1.2、步骤1.1的调制信号经过信道后到达通信接收端，长度为N的接收信号yCP(n)为：其中，h(n)为信道的冲激响应函数，w(n)为加性高斯白噪声。步骤1.3、如图3，对接收数据进行预处理，依次做串并转换、移除循环前缀及傅里叶变换，得到输出数据其中k为载波序号。步骤1.4、如图4，搭建包含输入层、多层隐藏层、输出层，且每层由多个代表数据特征的神经元构成的深度神经网络并进行训练。训练过程中，该深度神经网络输入数据集为步骤1.3的输出数据数据于神经网络中在权重、偏置和激活函数的共同作用下前向传播进而得到神经网络输出则第q层神经网络的第j个神经元的输入aj(q)和输出bj(q)分别为：其中，J(q-1)和J(q)分别代表第q-1和第q层神经网络所包含的神经元个数，uij(q-1)为第q-1层第i个神经元与第q层第j个神经元之间的权重，vj(q-1)为第q层第j个神经元的偏置，f(·)为激活函数。因此可以得到深度神经网络的总输出：其中，Q为深度神经网络层数，即为步骤1.3的输出数据我们定义表征神经网络性能的损失函数：其中，为预测数据，b(k)为监督数据即原始输入比特。当L2到达预设阈值ξ，结束训练并保存深度神经网络当前状态下各层的权值和偏置即得到有效训练的深度学习模型。步骤2、将步骤1所得到的有效训练的深度学习模型投入实际测试。步骤2.1、步骤2.2、步骤2.3同步骤1.1、步骤1.2、步骤1.3一致，得到神经网络输入数据y(k)，其中，通信系统输入数据变更为未知随机二进制比特流。步骤2.4、将步骤2.3得到的y(k)输入步骤1.4获取的深度学习模型，进而直接恢复原始发射信号。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的水声正交频分复用通信方法，其特征在于，包括下述步骤：步骤1、训练阶段：通过建立深度神经网络并进行有效训练，得到有效训练的水声正交频分复用通信接收系统的深度学习模型；步骤2、测试阶段：将步骤1所得到的有效训练的深度学习模型投入实际测试，直到恢复原始发射信号。

【技术特征摘要】
1.一种基于深度学习的水声正交频分复用通信方法，其特征在于，包括下述步骤：步骤1、训练阶段：通过建立深度神经网络并进行有效训练，得到有效训练的水声正交频分复用通信接收系统的深度学习模型；步骤2、测试阶段：将步骤1所得到的有效训练的深度学习模型投入实际测试，直到恢复原始发射信号。2.根据权利要求1所述的一种基于深度学习的水声正交频分复用通信方法，其特征在于，步骤1所述的有效训练的水声正交频分复用通信接收系统的深度学习模型是这样得到的：步骤1.1、在通信系统输入端产生已知随机二进制比特流b，并将此数据序列进行符号映射得到频域信号s；对该频域信号进行多载波正交频分复用调制，即依次进行串并转换、插入导频、逆傅里叶变换、插入循环前缀及并串转换；调制后信号的数学表达式为xCP(n)，其中n为离散时间索引；步骤1.2、步骤1.1的调制信号xCP(n)经过信道后到达通信接收端，长度为N的接收信号yCP(n)为：其中，h(n)为信道的冲激响应函数，w(n)为加性高斯白噪声；步骤1.3、对接收数据进行预处理，依次做串并转换、移除循环前缀及傅里叶变换，得到输出数据其中k为载波序号；步骤1.4、搭建包含输入层、多层隐藏层、输出层，且每层由多个代表数据特征的神经元构成的深度神经网络并进行训练；训练过程中，深度神经网络输入数据集为步骤1.3的输出数据数据于神经网络中在权重、偏置和激活函数的共同作用下前向传播进而得到神经网络输出则第q层神经网络的第j个神经元的输入aj(q)和输出bj(q)分别为：其中，J(q-1)和J(q)分别代表第q-1和第q层神经网络所包含的神经元个数，uij(q-1)为第q-1层第i个神经元与第q层...

【专利技术属性】
技术研发人员：张友文，李俊轩，郭嘉城，黄福鹏，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23