System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及水声通信信号调制类型识别,尤其是涉及针对非合作方所发射的水声通信信号进行调制类型识别的一种类对比学习式水声信号调制识别系统和识别方法。
技术介绍
1、当执行水声通信信号侦测任务时,敌方水声通信信号的码元长度、调制阶数、通信带宽等信息无法事先获取;同时,水声信道存在着严重的多途扩展和多普勒效应,并明显的空间-时间差异性。在以上条件下,针对敌方的水声通信信号进行调制类型识别存在着精度不高、泛化性能不够等问题。
2、现有针对非合作方的水声通信信号进行调制类型识别存在着以下较为主流的方法:基于似然准则的方法、基于人工特征提取的方法和端到端深度学习方法。其中,基于似然准则方法最优,但计算量较大,且随信道结构的复杂度呈指数级增长;人工进行特征提取的方法受限于特征提取的有效性和阈值选取的合理性,在时变信道中不够稳健;因此,近年兴起的深度学习凭借其强大的非线性拟合能力,不仅无需人为设计特征,而且可以同时实现特征提取和分类任务,在调制识别领域受到越来越多的关注。譬如,中国专利cn109361635 b基于深度残差网络结构端到端地提取信号特征,获取准确的通信调制类型;cn111431825 b提供一种基于深度多流神经网络的信号自动分类识别方法;cn 111970218 b提供一种基于深度多跳网络进行通信自动调制识别的方法;与前面三种端到端提取信号特征不同,cn 112733811 b公开一种基于改进稠密神经网络的水声信号调制类型类间识别方法,首先提取水声调制信号特征并降维;然后将水声调制信号特征输入到已训练好的稠密神经网络
3、以上几种已公开文献采用的方法,或较为简单地采用端到端学习并分类,或对水声通信信号进行先特征提取再分类,然而,这些方法都忽视一个问题:采用特定训练数据样本集进行训练的神经网络模型,往往无法深层次地分辨信号特征和信道特征的差异,会将信道特征也视为调制信号特征,而恰恰水声信道的强多途扩展和多普勒效应存在着较强的空间-时间差异性,当信道特征变化时,会产生识别精度急剧下降的问题,即对不同信道的泛化性能不够;而且,此种情况在信噪比较低时表现得更为明显。能够想到的办法是,使用多样的信道数据进行训练,但在非合作场景下,要在不同时间、不同海区收集已标注的大量数据样本,此种要求并不容易满足。
4、因此,如何设计一种不依赖于码元长度、调制阶数、通信带宽等先验信息,解耦水声信道特性影响,专注于提取水声通信信号本身特征的神经网络,以提升调制识别算法在非合作、信道特征差异化明显、低信噪比应用场景下的适应性与鲁棒性,是本领域技术人员目前需要解决的技术难题。
技术实现思路
1、本专利技术的目的是为了应对非合作场景缺乏先验信息,且水声通信信号调制识别受恶劣信道影响,导致其对信道变化适应能力低等问题,提供专注于提取通信信号本身特征的一种类对比学习式水声信号调制识别系统及识别方法,以提升调制识别在信道特征差异化明显的应用场景下的适应性。
2、为了达到上述目的,本专利技术采用如下技术方案:
3、第一方面,本专利技术提供一种类对比学习式水声信号调制识别系统,依次包括共模特征提取器训练模块、调制识别分类器训练模块、测试模块;
4、所述共模特征提取器训练模块依次包括标准调制信号生成子模块、孪生分支子模块和共模一致性约束子模块;标准调制信号生成子模块用于输入调制类型备选集,将调制类型备选集输入通信调制信号模拟发生器,产生并输出标准调制信号;所述孪生分支子模块包含至少2个结构相同、参数共享的分支,各分支依次设有时变水声信道生成单元、信道传输单元、时频分析单元、预处理单元、共模特征提取器单元;所述共模特征提取器训练模块用于通过孪生分支结构与共模一致性约束实现类对比式地从同源样本对中提取同源特征对,使同源特征对不受水声信道特性影响,只包含与信号调制特性有关的共模特征;
5、所述调制识别分类器训练模块依次包括训练模块水声通信接收机观测信号获取子模块、训练模块共模特征提取子模块、训练模块调制识别分类器子模块;调制识别分类器训练模块用于通过训练模块水声通信接收机观测信号获取子模块获取含有标签的水声通信接收机观测信号,基于训练模块共模特征提取子模块的共模特征提取器单元提取信号的共模特征训练训练模块调制识别分类器子模块,使其基于共模特征实现对水声通信接收机观测信号调制类型的识别;
6、所述测试模块结构依次设有测试模块水声通信接收机观测信号获取子模块、测试模块共模特征提取子模块、测试模块调制识别分类器子模块;测试模块用于通过测试模块水声通信接收机观测信号获取子模块获取未知调制类型的水声通信接收机观测信号(即测试样本),基于测试模块共模特征提取子模块提取共模特征,共模特征输入测试模块调制识别分类器子模块,得到调制类型识别结果。
7、优选的,所述孪生分支子模块包含2个结构相同、参数共享的分支,第一分支依次设有第一时变水声信道生成单元、第一信道传输单元、第一时频分析单元、第一预处理单元、第一共模特征提取器单元;第二分支依次设有第二时变水声信道生成单元、第二信道传输单元、第二时频分析单元、第二预处理单元、第二共模特征提取器单元;
8、所述孪生分支子模块的第一分支中:
9、第一时变水声信道生成单元:用于输入已知的时变水声信道,随机生成并输出与已知的时变水声信道二阶统计特性相同的时变水声信道;
10、第一信道传输单元用于输入标准调制信号与时变水声信道,模拟标准调制信号经过水声时变信道传输过程,获得水声通信接收机观测信号;
11、第一时频分析单元用于对输入的水声通信接收机观测信号进行时频分析,获得二维时频矩阵;
12、第一预处理单元用于将输入的二维时频矩阵转换为二维灰度时频图,进行缩放等预处理,输出二维灰度时频图;
13、第一共模特征提取器单元用于输入预处理后的二维灰度时频图,对其进行特征提取,得到共模特征;
14、孪生分支子模块的第二分支与第一分支并行,且结构相同。
15、进一步的,所述调制识别分类器训练模块中;
16、训练模块水声通信接收机观测信号用于获取子模块用于获取并输出含有标签的水声通信接收机观测信号;
17、训练模块共模特征提取子模块依次设有第三时频分析单元、第三预处理单元、第三共模特征提取器单元;输入的水声通信接收机观测信号经第三时频分析单元进行时频分析获得二维时频矩阵;二维时频矩阵经第三预处理单元转换为二维本文档来自技高网...
【技术保护点】
1.一种类对比学习式水声信号调制识别系统,其特征在于依次包括共模特征提取器训练模块、调制识别分类器训练模块、测试模块;
2.如权利要求1所述一种类对比学习式水声信号调制识别系统,其特征在于所述孪生分支子模块采用两个结构相同、参数共享的分支,第一分支依次设有第一时变水声信道生成单元、第一信道传输单元、第一时频分析单元、第一预处理单元、第一共模特征提取器单元;第二分支依次设有第二时变水声信道生成单元、第二信道传输单元、第二时频分析单元、第二预处理单元、第二共模特征提取器单元。
3.如权利要求2所述一种类对比学习式水声信号调制识别系统,其特征在于所述孪生分支子模块的第一分支中:
4.如权利要求1所述一种类对比学习式水声信号调制识别系统,其特征在于所述训练模块水声通信接收机观测信号获取子模块用于获取并输出含有标签的水声通信接收机观测信号;
5.如权利要求1所述一种类对比学习式水声信号调制识别系统,其特征在于所述测试模块水声通信接收机观测信号获取子模块用于获取并输出不含标签的水声通信接收机观测信号;
6.一种类对比学习式水声信号调
7.如权利要求6所述一种类对比学习式水声信号调制识别方法,其特征在于在步骤(S1)中,所述共模特征提取器训练阶段包括:生成标准调制信号、生成时变水声信道、生成同源样本对、孪生分支类对比学习四个步骤;
8.如权利要求7所述一种类对比学习式水声信号调制识别方法,其特征在于在步骤(S2)中,所述调制识别分类器训练阶段包含获取观测信号、提取共模特征、训练调制识别分类器三个步骤;
9.如权利要求8所述一种类对比学习式水声信号调制识别方法,其特征在于在步骤(S3)中,所述测试阶段包含获取观测信号、提取共模特征、分类识别三个步骤;
...【技术特征摘要】
1.一种类对比学习式水声信号调制识别系统,其特征在于依次包括共模特征提取器训练模块、调制识别分类器训练模块、测试模块;
2.如权利要求1所述一种类对比学习式水声信号调制识别系统,其特征在于所述孪生分支子模块采用两个结构相同、参数共享的分支,第一分支依次设有第一时变水声信道生成单元、第一信道传输单元、第一时频分析单元、第一预处理单元、第一共模特征提取器单元;第二分支依次设有第二时变水声信道生成单元、第二信道传输单元、第二时频分析单元、第二预处理单元、第二共模特征提取器单元。
3.如权利要求2所述一种类对比学习式水声信号调制识别系统,其特征在于所述孪生分支子模块的第一分支中:
4.如权利要求1所述一种类对比学习式水声信号调制识别系统,其特征在于所述训练模块水声通信接收机观测信号获取子模块用于获取并输出含有标签的水声通信接收机观测信号;
5.如权利要求1所述一种类对比学习式水声...
【专利技术属性】
技术研发人员:王德清,刘信湧,张凯熠,魏励晨,黄双茂,
申请(专利权)人:厦门大学,
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。