本发明涉及水声通信对抗,尤其涉及一种基于改进残差网络的非合作水声通信信号调制识别方法。
背景技术:
1、水声通信能够胜任远距离的水下通信任务,随着近年来水声通信的不断发展,它已经成为了目前最主要的远距离、高速率的水下无线通信手段。各种军用以及商用水声通信设备都已相继投入使用。出于海洋信息安全和海洋资源开发的角度考虑,针对非合作水声通信的监听、识别、干扰、破译等研究受到重视。
2、水声通信信号调制识别技术已经发展出三类方法:基于最大似然函数、基于人工特征提取以及基于深度学习的方法。其中,基于最大似然函数的方法计算复杂度高,且需要很多先验信息来构建似然函数和选择合适的判决阈值,这在非合作环境下实现较为困难。基于特征提取的方法分类系统设计困难、低信噪比下表现较差。基于深度学习的方法主要是将星座图、时频图和循环谱图等二维图像或者是将同相正交符号送入神经网络进行训练。基于深度学习的方法是目前较为前沿的识别方法,但星座图和同相正交符号难以在非合作条件下得到,生成时频图和循环谱图的复杂度高,分辨率需要人工调整,同时相关的深度学习分类方法大多集中于无线领域,对水声通信领域的衰减严重、多径干扰、多普勒频移等问题的针对性优化不足。
技术实现思路
1、针对现有技术的不足,本发明提出一种基于改进残差网络的非合作水声通信信号调制识别方法,提取信号的表征特征,挖掘信号的隐含特征,将两类特征进行特征融合后生成特征矩阵,将特征矩阵作为深度神经网络的分类输入,以此综合利用信号的完整特性,降低分类系统受到的低信噪比和复杂信道的影响,提高水下通信信号的调制类型识别准确率。
2、具体技术方案如下:
3、一种基于改进残差网络的非合作水声通信信号调制识别方法,其特征在于,包括以下步骤:
4、s1:采集水声通信信号数据并对其进行预处理,作为训练集:利用频域估计法和过零检测法对水声通信信号的载频进行初估计,以频域对称性作为权重对初估计的载频进行权重分配,得到载频估计的最终结果;利用功率谱密度对信号的带宽进行估计;对完成载频与带宽估计的信号进行下混频,将信号从通带转换到基带,再对其进行滤波、标准化和归一化处理得到复基带信号;
5、s2:构建并用训练集训练水声通信信号识别神经网络,具体通过以下子步骤实现:
6、(2.1)表征特征提取:使用统计量特征提取公式以及形态特征提取公式,对所述复基带信号进行人工特征提取并用卷积神经网络进行特征挖掘,得到表征特征矩阵;
7、同时进行隐含特征提取:使用改进的残差模块对所述复基带信号进行隐含特征的提取,得到隐含特征矩阵;
8、(2.2)特征融合并分类:将所述表征特征和隐含特征进行特征融合,得到包含表征特征和隐含特征信息的特征融合矩阵,将所述特征融合矩阵输入全连接层和分类层;
9、s3:将待分类的水声通信信号进行和s1相同的预处理,然后输入所述s2中训练好的水声通信信号识别神经网络,最终输出识别结果。
10、进一步地,所述步骤s1中,水声通信信号的载频与带宽估计方法具体包括以下子步骤:
11、(1.1)对收集到的长度为n的水声通信信号s(i)进行傅里叶变化得到信号频谱s(k),使用加权的方式估计s(k)的中心频率以f0作为第一项载频的估计初值;
12、(1.2)由于频域估计法的准确性受频谱对称性的影响,以谱对称性的估值作为第一项载频的估计初值f0的权重w0=1-|pleft-pright|,其中载频在频域中对应的序号为fs为采样率;
13、(1.3)滤波得到以第一项载频的估计初值f0为中心的信号强区间,使用过零检测法得到载波频率的第二项估计值对其赋予初始权重w1=1-w0;式中,mz为信号s(i)的过零点数;y(i)表示信号的过零点数的差序列,y(i)=s(i+1)-s(i);
14、(1.4)得到最终的载频估计值为fc=w0f0+w1f1;
15、(1.5)以载频fc为中心,利用水声通信信号在功率谱中的不同频率分量与中心频率的距离进行加权求和,得到带宽估计值为:
16、
17、式中,为载频在频域中对应的序号;f(k)为功率谱。
18、进一步地,所述步骤(2.1)中,进行表征特征提取具体通过以下子步骤实现:
19、(2.1.1)对所述复基带信号进行人工特征提取,获得包括高阶矩(m20,m21,m40,m41,m42,m43,m60,m61,m62,m63)、高阶累积量(c20,c21,c40,c41,c42,c60,c61,c62,c63)、谱相关函数、载波附近谱对称估计值、频谱功率密度最大值、二倍幅度的离散傅里叶最大值、瞬时频率绝对值标准差在内的24个特征值,将上述特征值组成一个24×1的数值矩阵;
20、(2.1.2)对所述步骤(2.1.1)获得的24×1的数值矩阵输入到含有双层卷积层和一层舍弃层的卷积神经网络中,输出信号的表征特征值组成的矩阵x=[x1,x2,...xm],其中m为最后一层卷积层的卷积核个数。
21、进一步地,所述步骤(2.1)中,进行隐含特征提取具体通过以下子步骤实现:
22、(2.1.3)将所述步骤s1获得的复基带信号分成数段2n×2大小的数据矩阵,其中矩阵的第一行为所述复基带信号的同相信号,第二行为所述复基带信号的正交信号;
23、(2.1.4)将所述步骤(2.1.3)生成的2n×2×n大小的数据矩阵输入(n-6)层改进的残差模块,之后输入全连接层,输出矩阵即为隐含特征值组成的矩阵:y=[y1,y2,...yn],其中n为所述全连接层的维度数;
24、每个改进的残差模块包括在标准残差单元的前置位置添加的一个卷积核为1×1的卷积层升维结构,卷积层的通道数为n,通过该卷积层,2n×2的数据矩阵会升维为2n×2×n的矩阵;在标准残差单元之后增加一个2×1的最大池化层和一个舍弃层;所述卷积层升维模块、标准残差单元、最大池化层、舍弃层构建的整体为改进的残差模块。
25、进一步地,所述步骤(2.2)具体通过以下子步骤实现:
26、(2.2.1)将表征特征值矩阵和隐含特征值矩阵拼接,完成所述表征特征和隐含特征的特征融合;
27、(2.2.2)将所述步骤(2.2.1)得到的特征融合矩阵输入维度为l的全连接层,即可识别的调制类型数量为l;
28、(2.2.3)将所述步骤(2.2.2)输出的矩阵输入分类层,生成输出矩阵z=[z1,z2,…zl],在所述输出矩阵中取得最大值zp,序号p表示分类结果为第p种调制类型。
29、进一步地,所述分类层为softmax分类层。
30、本发明的有益效果是:
31、(1)本发明对人工提取的表征特征和人工难以提取的隐含特征进行了拼接融合,提升了信号特征的全面性以及后续分类网络的性能。
32、(2)本发明所用的改进的残差模块提升了特征提取效果,降低了系统复杂度,避免过拟合,在保证系统效率的同时提升了特征提取的效果。
33、(3)本发明在对水声通信信号进行人工特征提取的基础上,利用卷积神经网络对特征进行了更深度的挖掘,提升了人工特征的有效性。