[发明专利]一种用于水下通信调制识别的深度残差网络及系统

说明书

本申请公开了一种用于水下通信调制识别的深度残差网络及系统，包括：数据预处理层，所述数据预处理层包括第一深度残差网络层，数据特征提取层，所述数据特征提取层包括第二深度残差网络层、第三深度残差网络层和第四深度残差网络层，数据分类结果输出层，所述数据分类结果输出层包括第五深度残差网络层。由于本申请提供的用于水下通信调制识别的深度残差网络包含多个深度残差网络层，而且随着深度残差网络层深度的递增，深度残差网络层对数据的辨识能力递增，进而使得本申请提供的深度残差网络在用于水下通信时，可以提高在实际水底通信中的使用效果，更方便高效地完成水底通信调制识别，提高在水底通信过程中调制识别判断的准确度。

技术领域

本申请涉及深度学习领域，特别涉及一种用于水下通信调制识别的深度残差网络及系统。

背景技术

水底无线通信被认为是最具挑战性的无线通信方法，水底无线信道由于其自身的特性(例如窄带宽，延长的时间和严重的符号间干扰)而使通信过程变得异常困难。这些水底无线通信特性严重影响水底通信系统的稳定性，并对高速水底无线通信造成严重障碍。

调制识别分类在通信系统过程中起着决定性的作用，在通信接收器处，信号解调和信号识别都是基于正确的调制分类识别。由于水底无线通信系统的复杂性和不稳定性，在实际水底通信期间难以识别正确的调制方式。

对于调制方式的识别方法，各种机器学习方法中脱颖而出，成为目前最流行的处理方法。各种深度残差网络模型需要在使用之前提供大量用于训练的数据。通过从大量数据中学习数据集分布概率，深度残差网络可以在分类效果上获得良好的性能。在训练模型阶段，计算量实际上没有减少。相反，随着需求的变化，模型越来越复杂，这在训练模型时会消耗更多的计算资源。然而，当模型被训练并在实践中使用时，只要底层硬件支持深度残差网络的训练好的模型运行，处理速度将非常快。这主要是因为训练的模型不需要实时处理数据，因此可以通过已经训练好的模型结构快速作出结果判断。在实际场景中，由于没有大量数据用于深度残差网络模型的训练，数据量不足导致深度残差网络模型训练效果不佳，甚至无法在现实场景中部署使用。

由上述可知，网络深度是影响模型性能的关键因素。随着深度学习的网络层数量的增加，网络模型可以提取更复杂数据集的特征。当模型加深时，理论上可以获得更好的分类效果。当用于训练的深度残差网络模型设计得太深时，性能将降低甚至无法训练。主要原因是当学习数据集的分布概率时，随着网络模型深度的加深，获得的梯度将消失或爆炸。由于梯度问题，当深度残差网络太深而且效果没有提高时，深度残差网络变得更难训练。在水下无线通信中，由于环境的限制，特别是窄带宽的实际通信特性不能传输大量数据。这些因素导致了深度学习模型的训练，用于水下无线通信的数据集受到限制，并且没有达到理想训练模型的规模。因此，准确地识别水底通信的调制方式变成一个具有挑战性的问题。

发明内容

本申请为了解决上述技术问题提供，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用于水下通信调制识别的深度残差网络，包括：数据预处理层，所述数据预处理层包括第一深度残差网络层，所述第一深度残差网络层用于将接收到的多种调制方式数据进行预处理；数据特征提取层，所述数据特征提取层包括第二深度残差网络层、第三深度残差网络层和第四深度残差网络层，所述第二深度残差网络层、第三深度残差网络层和第四深度残差网络层对数据特征识别提取能力逐渐增强，经过所述第一深度残差网络层预处理后的数据依次经过所述第二深度残差网络层、第三深度残差网络层和第四深度残差网络层进行数据特征提取；数据分类结果输出层，所述数据分类结果输出层包括第五深度残差网络层，所述第五深度残差网络层用于根据所述第四深度残差网络层提取的特征数据进行判断并输出最终识别的调制方式。。

采用上述实现方式，由于本申请提供的用于水下通信调制识别的深度残差网络包含多个深度残差网络层，而且随着深度残差网络层深度的递增，深度残差网络层对数据的辨识能力递增，进而使得本申请提供的深度残差网络在用于水下通信时，可以提高在实际水底通信中的使用效果，更方便高效地完成水底通信调制识别，提高在水底通信过程中调制识别判断的准确度。