【技术实现步骤摘要】
基于深度学习和深度迁移学习的水下非固定节点通信方法
[0001]本专利技术属于通信
,尤其涉及一种基于TCN深度学习和Fine
‑
tuning深度迁移学习的水下非固定节点M元扩频通信方法。该方法首次将TCN深度学习模型应用于M元扩频水声通信领域,避免了现有循环神经网络(RNN)中LSTM、GRU等网络结构对长时间序列分类过程产生的梯度爆炸、梯度消失及大内存需求等问题,同时基于卷积神经网络对时间序列信号压缩扩展等多普勒影响不敏感的特点,通过大量试验探索出适用于复杂多普勒背景下水下长扩频码通信的TCN网络构架;同时,针对仿真数据线下训练过程与实际海上通信过程在噪声、信道环境等方面存在的差异,提出在海上基于仿真数据的线下TCN模型与部分训练数据开展线上Fine
‑
tuning深度迁移学习训练,得到的TCN
‑
TL模型经试验验证,在低信噪比、近海复杂多普勒和时变多径条件下通信效果明显优于传统直接序列扩频(DSSS)水声通信系统。
[0002]以上技术尚未以论文等形式公开发表,填补了TCN深度学习模型在长码扩频水声通信领域应用的技术空白。
技术介绍
[0003]水声通信鲁棒性受海洋水声信道受海洋中海流、海浪、内波、湍流等时变复杂的起伏动力环境影响明显。由于水下声速远低于空中无线电传播速度,同等径向多普勒扰动下,水声信道中多普勒因子是射频无线电信道近105倍,在实际海上通信中多普勒现象对通信效果影响显著。在近海水声通信网络中基于潜标水声通信节点应用场景下,通信节 ...
【技术保护点】
【技术特征摘要】
1.一种基于TCN深度学习和Fine
‑
tuning深度迁移学习的水下非固定节点M元扩频通信方法,其特征在于,包括:S1:TCN网络模型设计;S2:TCN线下强化训练;S3:TCN基于海上实测数据的迁移学习。2.如权利要求1所述基于TCN深度学习和Fine
‑
tuning深度迁移学习的水下非固定节点M元扩频通信方法,其特征在于,所述S1具体包括:针对M元水声通信扩频接收波形信号特点,设计基于残差网络的TCN深度学习网络模型,基于膨胀卷积和深度残差网络获得随着网络深度指数增加的感受野,在实际TCN网络中,膨胀卷积基数设为2,感受野随层数增加呈2的指数幂增大;同时为了进一步扩大感受野卷积卷积核大小设置为5;在TCN残差块后设置全局池化层、全连接层、Softmax层、Classification层后进行分类。3.如权利要求1所述基于TCN深度学习和Fine
‑
tuning深度迁移学习的水下非固定节点M元扩频通信方法,其特征在于,所述S2具体包括:利用BELLHOP仿真信号线下训练TCN模型,训练过程中,针对实际复杂动力环境下径向多普勒、信道条件强时变性,在线下训练阶段在仿真训练集加入针对多普勒和多径的数据加强预处理过程。4.如权利要求3所述基于TCN深度学习和Fine
‑
tuning深度迁移学习的水下非固定节点M元扩频通信方法,其特征在于,所述针对多普勒和多径的数据加强预处理过程具体如下:训练数据通过输入
‑
1至1m/s多普勒背景的数据、间隔0.2m/s网格化信道背景进行强化,并加入
‑
10dB信噪比条件的白噪声;同时设置空间网格训练节点,通过开展基于网格点间仿真通信信道的仿真信号强化训练,提高TCN模型的空间泛化能力,基于空间网格训练节点示意效果中绿色随机测试节点,开展随机位置、随机多普勒背景的仿真数据线上测试。5.如权利要求1所述基于TCN深度学习和Fine
‑
tuning深度迁移学习的水下非固定节点M元扩频通信方法,其特征在于,所述S3具体包括:基于仿真数据训练得到的TCN模型直接应用在海上试验实际观测数据时产生误码率平台效应;针对噪声、信道不匹配的情况,采用Fine
‑
tuning深度迁移学习,以基于仿真数据训练的TCN模型为预训练模型,冻结冻结全局池化层以前的卷积残差网络,设部分试验数据为约定已知的通信前训练数据,并输入TCN网络对网络后端的全连接层和Softmax层进行迁移学习;评估...
【专利技术属性】
技术研发人员:韩树平,胡耀辉,徐景峰,李智忠,李厚全,赵桁,杨刚,
申请(专利权)人:中国人民解放军海军潜艇学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。