一种水声信号分类方法、系统、设备及存储介质

本技术涉及水声信号识别，具体地涉及一种水声信号分类方法、系统、设备及存储介质。

背景技术：

1、在无线通信中，自动调制分类（automatic modulation classification，amc）是信号检测的重要工具之一，在民用和军用领域发挥着不可替代的作用，如自适应调制编码系统、截取通信等。在真实的水下通信环境中，影响声信号传输的因素很多，如海洋物理运动、海上商业活动、海洋生物等。水声通道往往比陆地空气通道更加复杂多变。 amc技术有两类：lb（likelihood-based，基于似然）的方法和fb（feature-based，基于特征）的方法。在接收信号调制中，未知参数的似然函数可以通过lb方法最大化，从而将识别问题转变为多假设检验。似然比是最有可能的结果，它需要大量的传输环境先验知识。次优性能是通过fb方法获得的，在计算复杂度和鲁棒性方面具有巨大优势。dla（deep learning algorithms，深度学习算法）是fb的重要分支之一，可以自动提取特征并产生分类结果。

2、dla算法在图像分类、自然语言处理和语音识别等方面取得了长足的进步，在水下amc方面也存在丰富的研究。可以认为cnn（convolutional neural network，卷积神经网络）是空间域的有效提取器，充分获得了信号特征的判别信息。可以有效缓解混合海洋噪声的水下信道干扰，提高识别性能。有些研究了水声调制的不平衡类，重新设计的损失函数可以显着强调识别效果，它假设cnn中的指数分类交叉熵。在少数场景中表明，包含脉冲噪声的水下数据集可以通过所采用的深度学习网络获得更好的结果，该网络在设计中采用了注意力机制。还有使用混合网络来识别多个水下信号接收设备中的调制方式。该方法不仅可以获得多通道信号特征，而且可以更好地对这些特征进行分类，可以极大地强调识别效果。有重新设计的提取器自动编码器，它采用 k 近邻方法对特征进行分类。在识别率显着提高的同时，识别时间也更短了。这是由于获得了高质量的特征和适当的识别方法。水声调制数据可以在多种不同的场景中收集，用于比较学习。在有监督的条件下获得了调制样式的更重要的判别信息，这可以在snr（signal-to-noise ratio， 信噪比）下有效地区分多进制数字相位调制和多进制频移键控调制。

3、dla 解决方案在调制分类领域取得了很多进展，但是还存在很多不足。cnn 的结构往往比较复杂，难以提取更深的特征，容易出现过拟合问题，使得实际信号识别效果不理想，从而导致信号分类不准确。

技术实现思路

1、鉴于此，本技术提供一种水声信号分类方法、系统、设备及存储介质，以利于解决现有技术中水声信号分类不准确的问题。

2、第一方面，本技术实施例提供了一种水声信号分类方法，包括：

3、将原始水声信号序列化处理获得多个信号点序列，每个所述信号点序列包含位置嵌入信息；

4、将所述信号点序列按照所述位置嵌入信息输入预设的时空融合神经网络中，所述时空融合神经网络包含transformer构架和深度卷积；

5、经所述时空融合神经网络对输入的所述信号点序列进行信号分类。

6、在一种可能的实现方式中，所述将原始水声信号序列化处理获得多个信号点序列，每个所述信号点序列包含位置嵌入信息，包括：

7、对水声信号进行预处理，将每个点视为一个元素，相当于一个块操作；

8、通过扁平点的线性投影减小尺寸，并获得线性嵌入将原始水声信号序列化，获得一组预处理信号特征和位置嵌入，位置嵌入包含点序列中的位置信息。

9、在一种可能的实现方式中，所述时空融合神经网络包括：输入端的摊平点序列线性投影单元，所述摊平点序列线性投影单元依次连接多个transformer单元，所述transformer单元之间设置空间转换单元，最后一层transformer单元之后依次设置层归一化ln单元、全局平均池化单元和输出单元；所述空间转换单元包括层归一化ln子单元和卷积子单元，所述层归一化ln子单元和卷积子单元之间设置多个深度卷积dwc子单元。

10、在一种可能的实现方式中，所述将所述信号点序列按照所述位置嵌入信息输入预设的时空融合神经网络中，包括：

11、；

12、 ；

13、；

14、 ；

15、其中是transformer的输入，位于第0个位置，表示点的位置嵌入； 是线性位置， 是点嵌入， ，为添加的位置编码信息，对输入的水声信号进行序列编码；是多头注意力机制， 是层归一化； 表示第 层的输入， 是第 层的多头注意力输出；是多层感知器， 是 transformer 的最终输出。

16、在一种可能的实现方式中，输入在网络训练中已经被随机初始化和更新，编码了整个数据集的统计属性，将信息集中在所有其他类上，即全局特征聚合。

17、在一种可能的实现方式中，将深度卷积嵌入堆叠的transformer单元中，包括：

18、 ；

19、 ；

20、；

21、其中是transformer输入，是具有 激活函数的深度卷积 (dwc)，是具有 激活函数的二维卷积，是dwc的层数, 是对应层，, 是空间变换输出的权重图， 是逐元素乘法， 是全局池化。

22、在一种可能的实现方式中，所述深度卷积一个通道由一个卷积核进行卷积，卷积核的个数与上一层的通道数相同，通道与卷积核一一对应，得到从通道1到通道k的卷积结果。

23、第二方面，本技术实施例提供了一种水声信号分类系统，包括：

24、序列化处理模块，用于将原始水声信号序列化处理获得多个信号点序列，每个所述信号点序列包含位置嵌入信息；

25、输入模块，用于将所述信号点序列按照所述位置嵌入信息输入预设的时空融合神经网络中，所述时空融合神经网络包含transformer构架和深度卷积；

26、分类处理模块，用于经所述时空融合神经网络对输入的所述信号点序列进行信号分类。

27、第三方面，本技术实施例提供了一种电子设备，包括：

28、处理器；

29、存储器；

30、以及计算机程序，其中所述计算机程序被存储在所述存储器中，所述计算机程序包括指令，当所述指令被所述处理器执行时，使得所述电子设备执行第一方面或第一方面任一可能实现方式所述的方法。

31、第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行第一方面或第一方面任一可能实现方式所述的方法

32、在本技术实施例中，将水声信号序列化处理，并保留其在原始信号中的位置，结合包含transformer构架和深度卷积的时空融合神经网络，其中transformer具有比较强的全局建模能力，可以在较低的信噪比下获取关键分类信息。cnn具有归纳偏置能力，可以有效提高小规模数据集的特征提取能力，进而提高了水声信号分类的准确性。