[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

说明书

本发明公开了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，首先接收待识别的水声调制信号，提取水声调制信号特征；运用主分量分析法对水声调制信号特征进行降维去噪；再进行归一化与维度变更；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；将处理后的水声调制信号特征输入到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。本发明最终实现低延迟、高准确率的水声信号调制方式类间识别，识别方法抗干扰能力强、计算成本低、识别准确率高。

技术领域

本发明属于水声通信技术领域，具体地说，涉及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。

背景技术

水下无线数据传输技术是建设海洋强国的关键技术。水声通信以其传播损耗小、传输距离远等优势，成为了目前应用最广泛的水下通信方式。目前，可以根据信道状况选择调制方式的自适应调制编码(Adaptive modulation coding，AMC)技术已广泛用于水声通信系统，该技术需要通信双方通过多次握手来匹配调制方式，而水下复杂的信道环境可能会导致握手信号出错，致使接收端采用了不匹配的解调方式，进而导致解调数据的严重错误。

调制方式智能识别可以帮助接收端自动识别接收信号的调制方式，保证接收端采用正确的解调方式解调数据。目前调制方式智能识别的方法主要有基于最大似然比假设检验的调制方式识别、基于特征提取的调制方式识别以及基于不同神经网络模型的调制方式识别方法。基于最大似然比假设检验的调制方式识别方法需要信号的先验信息且计算复杂，并不适用于实际应用；传统的基于特征提取的调制方式识别方法尽管技术思路简单清晰，易于工程应用，但却极其依赖提取特征的质量。然而在繁杂多变的水下信道中，信号特征受噪声干扰严重，难以用于调制方式的识别；在基于神经网络模型的调制方式识别方法中，具有较好识别性能的模型主要有卷积神经网络等，然而，采用的大多数神经网络均为已有的网络模型，对模型进行针对性改进的研究相对较少，另外，训练一个深度神经网络需要大量的训练样本，而目前我国水声通信数据稀缺且获取成本高昂，已有的水声数据量不足以支撑神经网络的训练。

发明内容

针对现有水声信号调制方式类间识别方法的抗干扰能力差、计算成本高、识别准确率低等技术问题，本发明的目的是提供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，以解决上述问题。

为实现上述发明目的，本发明采用下述技术方案予以实现：

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，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；

S2：运用主分量分析法(PCA)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。

进一步的，所述S1中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。

其中，Q参数的物理意义及具体公式为：

Q＝V/μ