[发明专利]基于混合循环网络的水声通信信号分类识别方法及系统

说明书

本申请公开了一种基于混合循环网络的水声通信信号分类识别方法及系统,将输入的数据进行数据预处理以实现数据长度匹配；将处理的后的数据输入混合循环网络提取多种信号调制分类；将分类后的水声通信信号进行输出。采用混合循环网络可以有效避免深度网络可能会过多地获得信号种类识别信息，导致过度拟合信号数据集的问题。混合循环网络内部结构设计更有利于学习隐式时间信号特征，提高识别效果。

技术领域

本申请涉及神经网络技术领域，具体涉及一种基于混合循环网络的水声通信信号分类识别方法及系统。

背景技术

在非合作通信系统中，信号的种类识别属于该技术的核心。近年来，对自动信号种类分类技术进行了广泛的研究。在民用和军事领域，信号种类识别技术已被证明具有很大的实用价值。信号种类识别识别已成为智能无线电系统的基本组成部分，尤其是在认知无线电和软件无线电领域。在民用领域，有链路自适应系统，它可以根据信道情况自适应地选择适合于信号传输的最佳调制方案。在军事领域，它主要用于电子战。典型的情况是拦截和干扰敌方通信，首先需要确定敌方调制方案，该方案适用于通过发射在相同频带中超过敌方通信的更高功率信号，来达到干扰敌方通信的目的。该过程必须采用信号种类识别分类器来检测敌方调制方案以调制中断信号。然而，在水下通信领域，关于调制识别的研究尚未得到深入研究。

从水下通信的角度来看，信息传递的载体是水体。与陆地无线通信相比，水声通信的介质水体相当于无线信道。但是，水下通道具有许多不同于陆地无线信道的特征，这是由于通信环境的特殊性造成的。而且，它更容易受到诸如水温，盐度和水深等多个因素的影响。大多数现有的经典陆地无线通信模型不能直接用于分析水下通信过程。考虑到时间分布，水下通道相当于慢衰落通道，考虑到水介质的分布和随机性，这是不均匀的。容易丢失信号能量并引起较大的衰落，从而导致多普勒频移和严重的多径干扰。由于这些原因，水下通道的可用带宽有限，通道容量小，传输效率低。因此，采用高效的调制方法是绝对必要的，它可以大大提高通信系统的传输效率。

深度学习方法在文本，语音和图像处理的许多基准测试任务中均取得了显著成果。深度学习方法主要是通过深化的人工神经网络架构实现的，从网络结构的角度来看，卷积神经网络(Convolutional Neural Networks，CNN)在图像域领域应用更多，而循环神经网络(Recurrent Neural Network，RNN)在自然语言处理领域应用更多。两种常规网络模型之间最大的区别在于RNN中具有内存临时存储功能，该功能可量化过去输入的影响并与当前时间输入反应以参与网络中的训练。在通信领域，也有深度学习方法的应用，例如信道编码和解码，信道估计和均衡，信道检测，基于自动编码器的通信系统结构等。