[发明专利]一种基于CMA-SAE的水声信道信号处理方法及系统

说明书

本发明涉及一种基于CMA‑SAE的水声信道信号处理方法及系统。该方法包括：获取水声通信系统接收端的输入信号；采用基于CMA算法的均衡器对所述输入信号进行均衡处理，得到均衡输出信号；对所述均衡输出信号进行离散傅里叶变换，得到所述均衡输出信号对应的频域信号；根据所述均衡输出信号和所述均衡输出信号对应的频域信号，利用堆栈自编码网络模型进行去噪处理，得到所述水声通信系统发射信号对应的无噪信号。本发明可以提高水声信道均衡处理的速度和精度，降低误码率，提高通信质量。

技术领域

本发明涉及水声通信领域，特别是涉及一种基于CMA-SAE的水声信道信号处理方法及系统。

背景技术

通信质量的好坏取决于所处信道的物理特性，由于水声信道具有时变、空变、多途、高背景噪声等复杂特性，其不可避免的将在水声通信系统的接收端产生严重的码间干扰，从而引起误码，降低系统的可靠性。因此，克服传输信道尤其是浅海水平声信道引起的时变多途效应是具有挑战性的课题。

图1为水声通信系统模型，如图1所示，接收端输入信号为其中s(n)为通信系统发射信号，h(n)为水声信道，w(n)为加性高斯白噪声,d(n)为理想的接收端输入信号。为了克服通信中的码间干扰，通常在接收机中采用均衡器进行滤波去噪处理。均衡器输入信号为X(n)，输出信号Y(n)，均衡误差r(n)＝Y(n)-s(n)。均衡器的主要作用是使输出Y(n)尽可能逼近发射信号s(n),从而降低均衡误差，提高通信质量。可知均衡器完成的是一个逆滤波过程，实现输入X(n)与发射信号s(n)的逆向映射，可表示为f^-1:X(n)→s(n)。

基于此，研究者提出了各种各样的滤波去噪方法，如常数模(constant modulusalgorithm，CMA)、小波和多小波等多种水声信道均衡算法。其中常数模算法不需要知道水声信道的先验信息，因结构简单、性能稳健、运算量小而被广泛使用，但其收敛精度不高。小波和多小波算法的均衡效果与其变换的稀疏能力有关，且需事先选取小波和多小波系数，影响了算法的实际应用。

深度学习是人工智能的前沿技术，该技术不强调数据的先验特性，通过端到端的设计，搭建网络模型，注重模型的简单和通用，具有处理能力强、泛化性能好等特点。其中，降噪自编码器可以模拟人脑思维方式，提取低噪数据特征，重构无噪数据，并且网络结构简单、算法复杂度低，广泛应用于去噪研究。但是，网络的性能与其结构有关，要想获得较好的性能，浅层网络所需节点数与输入数据数目呈指数关系，而深度网络在间接性和表达能力上更具优势，其所需节点数与输入数据数目呈多项式关系，特别是与自编码网络(Auto-Encoders，AE)对应的堆栈自编码网络(Stacked Auto-Encoders，SAE)可以模拟人的大脑活动，逐层提取输入数据特征，表现更优。目前，深度学习广泛应用于机器视觉、图像处理等领域，并取得了显著成效，但其在水声信道均衡中的应用较少。

有的文献提出一种基于深度学习的水声通信系统，该系统将深度神经网络(具有多个隐含层的前馈神经网络)作为通信接收机，用训练后的深度神经网络模型将接收机输入信号直接恢复发射信号。还有的文献提出一种基于堆栈自编码器的水声均衡算法，该算法将堆栈自编码器作为均衡器，用训练后的堆栈自编码器将均衡器输入信号直接恢复发射信号。上述两个文献分别采用深度神经网络和堆栈自编码器作为均衡器，即采用深度神经网络表示函数f^-1。可知，通信环境越差，干扰越严重，水声信道h(n)的变化越大，噪声w(n)的水平越高，此时接收端实际输入信号X(n)与理想输入信号d(n)相差越大，函数f^-1也越复杂，故上述文献中网络训练的难度也越大，训练后的模型精度也将受到严重影响，信号的误码率也会增加，进而影响通信质量。

发明内容

本发明的目的是提供一种基于CMA-SAE的水声信道信号处理方法及系统，将现有文献中水声通信系统接收端深度神经网络承担的均衡、去噪功能分割开来，提出了一种基于CMA-SAE的水声通信系统接收端结构，利用CMA进行均衡，SAE进行去噪，结合CMA和SAE的优点，以提高复杂环境下水声信道均衡处理的速度和精度，降低误码率，提高通信质量。