[发明专利]一种数据集不均衡条件下的水声通信信号调制方式识别方法

说明书

本发明提供了一种数据集不均衡条件下的水声通信信号调制方式识别方法，针对目前的水声通信信号调制方式识别方法不能准确地识别出不均衡数据集中的少数类样本这一问题，提供了一种代价敏感卷积神经网络，所定义的网络的损失函数能够拉开正确预测样本的损失与错误预测样本的损失之间的差距，从相对意义上降低正确预测样本的损失，在保证不均衡数据集中多数类样本的识别准确率的前提下，能够提高少数类样本的识别准确率。

技术领域

本发明涉及水下信号处理、神经网络等领域，具体是一种水声信号调制方式识别方法。

背景技术

水声通信信号的调制方式识别是水声通信信号内容获取的前提，也是水声对抗中最重要的环节之一。传统的水声通信信号调制方式识别主要采用基于特征提取的模式识别方法，依据领域知识提取信号的各种特征来进行调制方式识别，主要包括信号的特征提取和分类识别两个阶段。近年来，以卷积神经网络为代表的深度学习方法在图像识别、语音识别等领域取得了巨大的进展。专家学者们也开始将卷积神经网络等深度学习方法应用在水声通信信号调制方式识别领域，相比传统方法，提高了水声通信信号调制方式识别的准确率，取得了突破性的进展。

在水下信息传输中，不同类型的水声通信信号往往存在数据量不均衡的现象，一般采用不同的调制方式。数据量的不均衡会导致少数类的特征不能充分表达，分类器很难准确地学习到多数类与少数类之间的区分边界，从而导致分类效果不理想，给少数类的识别带来了极大的困难。目前的水声通信信号调制方式识别方法很难准确地识别出不均衡数据集中的少数类样本，对不均衡数据集的识别效果不够理想。因此，亟需一种适合数据集不均衡条件下的水声通信信号调制方式识别的方法。

发明内容

为了克服现有技术的不足，本发明提供一种代价敏感卷积神经网络，该网络根据样本预测概率给传统交叉熵损失函数添加影响因子，从而实现根据样本预测概率自适应调节损失的目的。样本预测的越准确，给交叉熵损失函数添加的影响因子的值越小，损失越小；反之亦然。本发明提供的代价敏感卷积神经网络在保证不均衡数据集中多数类样本的识别准确率的前提下，能够提高少数类样本的识别准确率。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1，将水听器布放于海洋中，采录2FSK、BPSK两类不同调制方式的水声通信信号，两类信号的数据量是不均衡的；

步骤2，得到两类采录信号的功率谱图，对功率谱图进行尺寸调整和像素值归一化处理，对处理后的功率谱图打标签，区分两类信号功率谱图；

步骤3，将步骤2得到的两类信号的功率谱图各自随机打乱后，按设定比例划分，分别构成2FSK信号训练集、2FSK信号测试集和BPSK信号训练集、BPSK信号测试集；2FSK信号训练集和BPSK信号训练集构成了总体训练集，2FSK信号测试集和BPSK信号测试集构成了总体测试集；

步骤4，构建代价敏感卷积神经网络，步骤如下：

步骤401，构建具有m个卷积层、m个池化层和n个全连接层的卷积神经网络，m和n是任意正整数；

步骤402，定义损失函数其中，样本的真实类别是第c类，p_c是神经网络预测样本属于第c类的概率；-log p_c是交叉熵损失；是根据样本预测概率p_c为交叉熵损失添加的影响因子，影响因子取值在0～1之间；β是超参数，取非负值；p_c的取值范围在0～1之间；

步骤5，在步骤3的总体训练集上训练步骤401构建的卷积神经网络，以步骤402定义的损失函数作为目标函数，采用Adam算法进行优化，得到最优的网络模型参数；

步骤6，在步骤3的总体测试集上测试步骤5得到的最优模型，给出总体测试集中2FSK信号、BPSK信号的识别准确率。