一种水下激光数字信息传输增强模型的搭建方法技术

本发明专利技术提供了一种水下激光数字信息传输增强模型的搭建方法，方法包括以下步骤：首先，建立适用于水下激光数字信息传输的随机共振系统；然后，搭建包含两个隐藏层的神经网络水体分类器，并初始化各神经网络的权值和偏置，获取数据集，对分类器进行训练和测试；然后，搭建自适应生成随机共振系统参数的生成对抗网络，并初始化各神经网络的权值和偏置，获取数据集，对生成对抗网络进行训练和测试；最后，将训练好的分类器和训练好的生成器串联，完成模型搭建。本发明专利技术提供了一种可提高信噪比，降低误码率的水下激光数字信息传输增强方法，此方法可以快速准确的实现水下信号增强，延长水下光信息的传输距离，一定程度上突破水下无线激光通信的局限性。光通信的局限性。光通信的局限性。

A construction method of underwater laser digital information transmission enhancement model

【技术实现步骤摘要】
一种水下激光数字信息传输增强模型的搭建方法


[0001]本专利技术属于数字信息传输
，尤其涉及一种水下激光数字信息传输增强模型的搭建方法。

技术介绍

[0002]与水声通信相比，水下无线激光通信具有完全数字化，传输速率高，实时性强，传输延迟小等优点，是未来水下通信的趋向之一。由于水体中可溶性物质、悬浮体等水中颗粒物对光有强烈的吸收和散射作用，随着通信距离和水体浑浊度的增加，激光信号的衰减愈发严重，这将导致接收端信号失真严重，且光信号的传播距离通常限制在数百米内。本方法将非周期随机共振应用于水下激光数字信息传输接收端的增强，并研究了基于深度学习的水体分类器及系统参数预测方法，实现快速理想共振，拓展了激光通信在各类水体，尤其是浑浊水体中的适应性并增加了传输距离。
[0003]现有的传统的微弱信号检测方法主要通过识别带噪信号的统计特征来抑制噪声，主要由线性滤波方法、非线性小波阈值方法，和经验模态分解方法等，这些方通常会抑制和噪声频率接近的有用信号，可能会造成信号的畸变和时延。此外，这些方法都依赖于对噪声方差的准确估计，考虑到水下湍流、波浪等因素导致水下环境复杂多变，对噪声方差的准确估计难以做到。因此传统的信号检测方法难以应用于真实的水下数字信息传输系统。
[0004]现有的利用随机共振技术实现微弱信号的检测在轴承、涡轮机和压缩机等故障检测方面已经取得了不错的效果，但是随机共振的寻优过程仍然是一个难题。传统随机共振的寻优方法主要基于调参经验和智能优化算法：粒子群算法、遗传算法、人工鱼群算法等。基于调参经验的寻优算法需要大量的实践经验，耗时多，效率低；基于种群智能优化算法应用于水下动态范围变化大的信号时，将会造成收敛速度慢，容易陷入局部最优的缺点，这将导致信号处理的实时性较差，效率低下。

技术实现思路

[0005]针对上述问题，本专利技术第一方面提供了一种水下激光数字信息传输增强模型的搭建方法，包括以下步骤：步骤1，建立适用于水下激光数字信息传输的随机共振系统；所述随机共振系统基于经典的双稳态随机共振理论模型并包含非线性系统、微弱的待检测信号和噪声三个要素；所述随机共振系统基于朗之万方程，将朗之万方程进行变换并归一化处理，得到适用于水下激光数字信息传输的随机共振系统；所述朗之万方程利用四阶龙格库塔法求解，用于得到增强后的信号；步骤2，搭建包含两个隐藏层的神经网络水体分类器，并初始化各神经网络的权值和偏置，获取数据集，对分类器进行训练和测试；步骤3，搭建自适应生成随机共振系统参数的生成对抗网络，并初始化各神经网络的权值和偏置，获取数据集，对生成对抗网络进行训练和测试；
步骤4，将训练好的分类器和训练好的生成器串联，完成模型搭建。
[0006]在一种可能的设计中，所述随机共振系统基于朗之万方程：将 带入朗之万方程可得：再将上式进行归一化处理可得：式中s0(t)是非周期随机共振系统的输出，u(x)是具有两个势阱和一个势垒的势函数，系统参数a>0,b>0;其中两个势阱位于 处，势垒的高度；其中s
i
(t)是需要处理的非周期二进制信号，其表达式为，其中A是幅值，x
i
是双稳态随机共振系统的输入信号的序列码元x
i
={1,
‑
1}，且序列中1和
‑
1出现的概率相同，G(t)是矩形脉冲，即 ，T是非周期信号的最小脉宽；N(t)是人为添加到非线性系统中诱发非周期随机共振的高斯白噪声，其满足统计平均，方差，D为噪声强度。
[0007]在一种可能的设计中，所述朗之万方程利用四阶龙格库塔法求解过程如下：其中的4个参数k1,k2,k3,k4分别为：其中h是该算法的计算步长，其数值为算法频率f
l
的倒数：a和b是决定双势阱随机共振系统特征的两个参数，其计算由生成对抗网络的生成器模型生成；s
n
是浑浊水中的激光数字信号第n次的采样值，x
n
是经随机共振系统输出信号的第n次采样值，即x
n
是经随机共振增强后的信号。
[0008]在一种可能的设计中，所述步骤2中获取数据集对分类器进行训练和测试的具体过程为：S21，对于一个长度为N的不同大洋水体中的激光数字传输信号x(t)，提取其四个
特征参数作为训练集和测试集，四个特征参数分别为：均值：有效值：方差：互相关系数：其中，x(j)是输入系统的非周期二进制信号，是输入信号的平均值，s(j)是系统的输出信号，是系统输出信号的平均值；并将样本打上标签，分别为清澈水体，沿岸海水，港口海水；S22，将样本x和标签y作为分类器的输入，经过两层神经网络的运算最后通过Relu函数运算得到与样本特征维度相同的向量x
g
,并输出预测结果y
g
，即预测的分类结果；S23，计算预测结果y
g
和真实标签y的误差，为了使误差变小，根据损失函数，通过Adam优化器进行梯度下降从而修改神经网络的权值和偏差；S24，迭代以上两个步骤，直到满足停止准则；S25，将测试集样本输入到训练好的分类器中进行测试。
[0009]在一种可能的设计中，所述步骤3中获取数据集，对生成对抗网络进行训练和测试的具体过程为：S31，用于参数寻优的数据集生成；对于给定浑浊度的水下数字传输信号x(t)，通过参数遍历的方法选择最优的系统参数a和b来诱导ASR，在[1,10]范围内以步长1遍历得到最优a和b，随后，根据朗之万方程可得最优ASR响应z(t)，提取x(t)中的均值(E)、方差(Var)、偏度(P)来表示水下信号，提取z(t)中的脉冲指数(C)和峰值指数(I)来表示ASR响应，计算s(t)与x(t)之间的互相关系数C
sx_in
, s(t)与z(t)之间的互相关系数C
sx_out
, BER三个特征参数，真实样本由10个参数组成，可表示为:X
real = [E,V,P,C
sx_in
,a,b,BER,C
sx_out
,C,I]；S32，G网络输入随机噪声z，经过两层神经网络运算后生成样本G(z)；S33，生成样本G(z)与数据集中的真实样本X
real
输入到D网络中，D网络的输出是一个预测的概率值，即预测D网络的输入来自真实样本的概率；S34，D网络的输出指导G网络和D网络参数更新的方向，根据D网络的输出将误差反向传播，利用RMSprop优化器进行梯度下降更新G网络和D网络的参数；S35，迭代步骤S34，直到满足设定的停止准则，此时D网络判断的数据来自生成的样本还是真实的样本的概率为0.5，即生成器已经生成较为真实的样本；S36，将训练好的生成器模型保存，以供从生成的样本中得到系统参数a，b；S37， 对生成的对抗网络进行测试；将10维的噪声输入到训练好的生成器中，训练好的生成器将会生成样本，在样本中提取a,b值，测试数字信号传输的增强效果。
[0010]本专利技术第二方面还提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水下激光数字信息传输增强模型的搭建方法，其特征在于，包括以下步骤：步骤1，建立适用于水下激光数字信息传输的随机共振系统；所述随机共振系统基于经典的双稳态随机共振理论模型并包含非线性系统、微弱的待检测信号和噪声三个要素；所述随机共振系统基于朗之万方程，将朗之万方程进行变换并归一化处理，得到适用于水下激光数字信息传输的随机共振系统；所述朗之万方程利用四阶龙格库塔法求解，用于得到增强后的信号；步骤2，搭建包含两个隐藏层的神经网络水体分类器，并初始化各神经网络的权值和偏置，获取数据集，对分类器进行训练和测试；步骤3，搭建自适应生成随机共振系统参数的生成对抗网络，并初始化各神经网络的权值和偏置，获取数据集，对生成对抗网络进行训练和测试；步骤4，将训练好的分类器和训练好的生成器串联，完成模型搭建。2.如权利要求1所述的一种水下激光数字信息传输增强模型的搭建方法，其特征在于：所述随机共振系统基于朗之万方程：将 带入朗之万方程可得：再将上式进行归一化处理可得：式中s0(t)是非周期随机共振系统的输出，u(x)是具有两个势阱和一个势垒的势函数，系统参数a>0,b>0;其中两个势阱位于 处，势垒的高度；其中s
i
(t)是需要处理的非周期二进制信号，其表达式为，其中A是幅值，x
i
是双稳态随机共振系统的输入信号的序列码元x
i
={1,
‑
1}，且序列中1和
‑
1出现的概率相同，G(t)是矩形脉冲，即 ，T是非周期信号的最小脉宽；N(t)是人为添加到非线性系统中诱发非周期随机共振的高斯白噪声，其满足统计平均，方差，D为噪声强度。3.如权利要求1所述的一种水下激光数字信息传输增强模型的搭建方法，其特征在于，所述朗之万方程利用四阶龙格库塔法求解过程如下：其中的4个参数k1,k2,k3,k4分别为：
其中h是该算法的计算步长，其数值为算法频率的倒数：a和b是决定双势阱随机共振系统特征的两个参数，其计算由生成对抗网络的生成器模型生成；s
n
是浑浊水中的无线激光信号第n次的采样值，x
n
是经随机共振系统输出信号的第n次采样值，即x
n
是经随机共振增强后的信号。4.如权利要求1所述的一种水下激光数字信息传输增强模型的搭建方法，其特征在于，所述步骤2中获取数据集对分类器进行训练和测试的具体过程为：S21，对于一个长度为N的大洋水体中的激光数字信息，提取信号的四个特征参数作为训练集和测试集，四个特征参数分别为：均值：有效值：方差：互相关系数：其中，x(j)是输入系统的非周期二进制信号，是输入信号的平均值，s(j)是系统的输出信号，是系统输出信号的平均值；并将样本打上标签，分别为清澈水体，沿岸海水，港口海水；S22，将样本x和标签y作为分类器的输入，经过两层神经网络的运算最后通过Relu函数运算得到与样本特征维度相同的向量x
g
,并输出预测结果y
g
，即预测的分类结果；S23，计算预测结果y

【专利技术属性】
技术研发人员：付民，徐赵敏，刘雪峰，顾肇瑞，郑冰，
申请(专利权)人：中国海洋大学三亚海洋研究院，
类型：发明
国别省市：