[发明专利]基于改进稠密神经网络的水声信号调制方式类间识别方法

权利要求书

1.一种基于改进稠密神经网络的水声信号调制方式类间识别方法，其特征在于，该方法包括以下步骤：

S1:接收待识别的水声调制信号，提取水声调制信号特征；具体为：

S1-1：首先求出所述水声调制信号的功率谱、奇异谱、包络谱、频谱及相位谱；

S1-2：再计算谱特征和熵特征；

所述谱特征：Q参数、功率谱谱峰数、R参数、零中心归一化瞬时幅度谱密度的最大值γ_max；

所述熵特征：功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵；

S2：运用主分量分析法对S1提取的水声调制信号特征进行降维去噪；

S3：对S2处理后的水声调制信号特征进行归一化与维度变更；

S4：基于稠密神经网络，去掉池化层，得到改进的稠密神经网络，并对该神经网络进行训练；

S5：将S3处理后的水声调制信号特征输入到S4中训练好的改进的稠密神经网络中，最终完成调制方式类间识别；

所述S4中，所述稠密神经网络训练步骤，包括：

S4-1：改进稠密神经网络，在原稠密神经网络的基础上，删去了用于精简特征的池化层，避免因池化作用引起的重要特征丢失问题；

S4-2：使用已有的海试真实数据与仿真数据，利用贪心算法对该神经网络进行预训练；

S4-3：将预训练好的神经网络在目标海域中进行迁移学习，得到适于目标海域的神经网络模型。

2.如权利要求1所述的水声信号调制方式类间识别方法，其特征在于，所述S2中主分量分析法具体步骤为：

S2-1假设水声信号的第k个特征为X_k＝(x₁，x₂，...，x_n)^T，则K个特征的协方差矩阵为

K为特征总数量，为全体特征参数的均值；

S2-2计算S矩阵的特征值λ₁,λ₁，λ₂，λ₃，...，λ_n与特征向量α₁，α₂，α₃，...，α_n,并将特征值降序排列；

S2-3计算前m个特征分量的累计方差贡献率：

S2-4选择X_k中累计方差贡献率达到90％的前m个特征分量，对其进行线性变换：Y_k＝A^TX_k,其中A为前m个特征值对应的特征向量，Y_k为经PCA处理后的最终特征向量。

3.如权利要求1所述的水声信号调制方式类间识别方法，其特征在于，所述S3中，对提取特征进行归一化与维度变更；

特征归一化公式为：

X为原始特征数据，X′是归一化后的数据，Max与Min分别为特征数据的最大值和最小值；

维度变更具体为：

将原始的n×m维的特征数据转化成适合稠密神经网络的n×m×1维的特征数据，特征数据的特征数量不发生变化，但在逻辑上由二维变为三维。

4.如权利要求1所述的水声信号调制方式类间识别方法，其特征在于，所述贪心算法可以通过一系列局部最优解来获取全局最优解，用贪心算法训练网络步骤如下：

(1)单独训练第一层神经网络直至达到给定精度；

(2)保留第一层网络数据，单独训练第二层网络直至达到给定精度；

(3)重复以上流程直至整个神经网络训练完成。

5.如权利要求1所述的水声信号调制方式类间识别方法，其特征在于，所述迁移学习的方法为：将预训练好的改进稠密神经网络卷积层的权值保持不变，将其投入目标海域，根据实际的水声信号，调制神经网络的全连接层部分。