本發(fā)明涉及水聲信號(hào)處理領(lǐng)域，尤其涉及一種水聲通信信號(hào)端到端調(diào)制類型識(shí)別方法及系統(tǒng)。

背景技術(shù)：

1、目前，水聲通信技術(shù)得到了空前發(fā)展，水聲通信信號(hào)的調(diào)制類型主要為調(diào)頻信號(hào)、調(diào)相信號(hào)以及擴(kuò)頻信號(hào)，其特點(diǎn)是工作頻率低、通信距離短。在現(xiàn)有通信體制下，研究非合作環(huán)境中的水聲通信信號(hào)調(diào)制類型辨識(shí)，對(duì)水下各項(xiàng)任務(wù)的順利實(shí)施具有決定性影響。然而，聲波在水下的快速衰減、海水的多途效應(yīng)、海洋中的多普勒偏離都會(huì)對(duì)水下通信信號(hào)產(chǎn)生影響，水下噪聲形式復(fù)雜，魚群、輪船、洋流、海面波浪、地震活動(dòng)以及潮汐噪聲等，都為通信信號(hào)處理及識(shí)別帶來了極大的挑戰(zhàn)。

2、目前針對(duì)水聲通信信號(hào)調(diào)制識(shí)別問題，研究者們也開展了廣泛的研究。比如，使用能量檢測法實(shí)現(xiàn)對(duì)水下脈沖信號(hào)的截獲，在此基礎(chǔ)上提取信號(hào)的時(shí)域特征、頻譜特征、參數(shù)特征等不同特征。近年來，卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)分類任務(wù)中表現(xiàn)出了優(yōu)異的性能，在艦船輻射噪聲分類、聲吶圖像目標(biāo)識(shí)別等水聲目標(biāo)識(shí)別中均有所應(yīng)有，也廣泛應(yīng)用于水聲通信信號(hào)調(diào)制方式識(shí)別。通過專家知識(shí)庫或基于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的分類器能夠有效實(shí)現(xiàn)信號(hào)識(shí)別。然而，對(duì)大多數(shù)研究方法來說，特征提取過程通常使用單一特征，具有較大的局限性，為通信信號(hào)的高可靠識(shí)別帶來阻礙。

3、由此可見，非合作水聲通信信號(hào)的調(diào)制類型辨識(shí)仍然面臨著諸多難題，這也為后續(xù)研究提出了新的需求，如何進(jìn)行穩(wěn)健特征提取，進(jìn)而實(shí)現(xiàn)對(duì)信號(hào)屬性快速、準(zhǔn)確、可靠的識(shí)別是一個(gè)重要的研究方向。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)缺陷，提出了一種水聲通信信號(hào)端到端調(diào)制類型識(shí)別方法及系統(tǒng)。

2、為達(dá)到上述目的，本發(fā)明通過下述技術(shù)方案實(shí)現(xiàn)：

3、一方面，提供了一種水聲通信信號(hào)端到端調(diào)制類型識(shí)別方法，包括：

4、對(duì)水聲信號(hào)中的通信信號(hào)進(jìn)行檢測，獲得水聲通信信號(hào)；

5、利用預(yù)先建立并訓(xùn)練好的基于殘差注意力卷積的水聲通信信號(hào)端到端調(diào)制類型識(shí)別模型對(duì)獲得的水聲通信信號(hào)進(jìn)行調(diào)制類型識(shí)別；

6、其中，訓(xùn)練好的基于殘差注意力卷積的水聲通信信號(hào)端到端調(diào)制類型識(shí)別模型包括：特征提取模塊和分類模塊；其中，

7、所述特征提取模塊，用于基于殘差注意力對(duì)水聲通信信號(hào)進(jìn)行特征的提?。?/p>

8、所述分類模塊，用于將提取到的特征進(jìn)行分類，得到水聲通信信號(hào)屬于某一調(diào)制類型的概率。

9、在一種改進(jìn)的水聲通信信號(hào)端到端調(diào)制類型識(shí)別方法中，所述特征提取模塊包括：由m+1個(gè)殘差注意力卷積塊rac和m個(gè)深度卷積塊dc構(gòu)成的m對(duì)rac和dc模塊和1個(gè)rac模塊，它們依次相連；其中，第一對(duì)rac和dc模塊分別對(duì)通信信號(hào)進(jìn)行特征提取，并將輸出特征通過殘差結(jié)構(gòu)連接，剩余對(duì)rac和dc模塊用于將輸出特征進(jìn)行特征提??；所述1個(gè)rac模塊用于對(duì)最后一對(duì)rac和dc模塊輸出的特征繼續(xù)進(jìn)行特征提取。

10、在一種改進(jìn)的水聲通信信號(hào)端到端調(diào)制類型識(shí)別方法中，每個(gè)rac具體包括：依次連接的第一一維卷積層conv1、第一relu6激活層、第二一維卷積層conv2、具有通道注意機(jī)制的一維卷積層attention、第二relu6激活層和最大池化層maxpooling；

11、所述conv1，用于使用yi＝wi·x+bi公式從水聲通信信號(hào)中提取特征，其中，x為卷積層的輸入數(shù)據(jù)，wi和bi分別為輸出特征yi對(duì)應(yīng)的卷積核和偏置，i為卷積層個(gè)數(shù)；

12、所述第一relu6激活層，用于對(duì)提取出的特征進(jìn)行激活處理，得到激活后的特征；

13、所述conv2，用于使用所述公式繼續(xù)對(duì)激活后的特征進(jìn)行特征提?。?/p>

14、所述attention，用于使用全局池化對(duì)conv2提取的特征進(jìn)行降維處理，輸出一組與通道數(shù)相同維度的向量，然后分別使用relu激活和sigmoid激活添加兩個(gè)密集層，利用公式來學(xué)習(xí)每個(gè)通道的權(quán)值，得到注意力加權(quán)特征圖，其中pi為conv2輸出的特征，σi為通道權(quán)重，為注意力加權(quán)特征圖；

15、所述第二relu6激活層，用于對(duì)注意力加權(quán)特征進(jìn)行激活處理，得到激活后的特征；

16、所述maxpooling，用于使用尺寸為l×1的池化核將輸出特征降低采樣至原有長度的1/l，去除冗余信息，減少模型參數(shù)。

17、在一種改進(jìn)的水聲通信信號(hào)端到端調(diào)制類型識(shí)別方法中，每個(gè)dc具體包括：依次連接的4個(gè)普通一維卷積層和1個(gè)relu6激活層；

18、依次連接的4個(gè)所述普通一維卷積層，用于從水聲通信信號(hào)中繼續(xù)提取特征；

19、relu6激活層，用于使用relu6(x)＝min(6,max(x,0))公式對(duì)輸入的特征進(jìn)行激活處理，得到激活后的特征，其中，x表示激活函數(shù)輸入值，min(·)表示取最小值函數(shù)，max(·)表示取最大值函數(shù)。

20、在一種改進(jìn)的水聲通信信號(hào)端到端調(diào)制類型識(shí)別方法中，所述分類模塊包括：依次連接的一個(gè)全局平均池化層、一個(gè)全連接層和一個(gè)softmax激活層；

21、所述全局平均池化層，用于對(duì)提取到的特征進(jìn)行信道平均下采樣；

22、所述全連接層，用于基于下采樣后的特征生成水聲通信信號(hào)調(diào)制類型標(biāo)簽；

23、所述softmax激活層，用于使用激活函數(shù)對(duì)水聲通信信號(hào)調(diào)制類型標(biāo)簽進(jìn)行計(jì)算，得到水聲通信信號(hào)屬于某一調(diào)制類型的概率。

24、在一種改進(jìn)的水聲通信信號(hào)端到端調(diào)制類型識(shí)別方法中，所述激活函數(shù)為：

25、

26、其中，softmax(zf)為水聲通信信號(hào)屬于各調(diào)制類型的概率，zf為全連接層第f個(gè)節(jié)點(diǎn)的輸出的調(diào)制類型標(biāo)簽，k為水聲通信信號(hào)調(diào)制類型索引，k為水聲通信信號(hào)調(diào)制類型總數(shù)。

27、在一種改進(jìn)的水聲通信信號(hào)端到端調(diào)制類型識(shí)別方法中，通過以下方式訓(xùn)練所述水聲通信信號(hào)端到端調(diào)制類型識(shí)別模型：

28、構(gòu)建訓(xùn)練數(shù)據(jù)集dtrain和測試數(shù)據(jù)集dtest：對(duì)獲取的對(duì)水聲信號(hào)中的通信信號(hào)進(jìn)行檢測，獲得k類水聲通信信號(hào)n個(gè)長度相同的一維信號(hào)x1,x2,...,xn樣本以及對(duì)應(yīng)的真實(shí)標(biāo)簽向量y1,y2,...,yn；隨機(jī)選取n1個(gè)樣本及對(duì)應(yīng)的標(biāo)簽向量構(gòu)成訓(xùn)練數(shù)據(jù)集dtrain，剩余n-n1個(gè)樣本及對(duì)應(yīng)的標(biāo)簽向量構(gòu)成測試數(shù)據(jù)集dtest；

29、初始化調(diào)制類型識(shí)別模型：對(duì)每個(gè)網(wǎng)絡(luò)層的參數(shù)進(jìn)行均值為0，方差為1的高斯分布g(μ,σ2)隨機(jī)初始化；

30、訓(xùn)練調(diào)制類型識(shí)別模型：按照設(shè)定的批量大小，將訓(xùn)練數(shù)據(jù)集分批次；對(duì)所有批次數(shù)據(jù)在模型中進(jìn)行一輪訓(xùn)練，得到優(yōu)化后的模型，接著利用所有批次數(shù)據(jù)對(duì)優(yōu)化后的模型進(jìn)行下一輪訓(xùn)練，直至訓(xùn)練輪數(shù)達(dá)到設(shè)置的訓(xùn)練輪數(shù)epochs；

31、其中，對(duì)模型的第一輪訓(xùn)練包括：從批次數(shù)據(jù)中選取一個(gè)批次，輸入初始化后的水聲通信信號(hào)端到端調(diào)制類型識(shí)別模型，結(jié)合真實(shí)標(biāo)簽向量，使用交叉熵?fù)p失函數(shù)來計(jì)算模型的函數(shù)損失值loss，使用誤差反向傳播bp算法更新調(diào)制類型識(shí)別模型參數(shù)，并使用具有自適應(yīng)學(xué)習(xí)率的adam優(yōu)化器優(yōu)化模型參數(shù)，不斷重復(fù)從訓(xùn)練集中選取一個(gè)批次數(shù)據(jù)，輸入優(yōu)化后的調(diào)制類型識(shí)別模型，直至所有批次數(shù)據(jù)均被選取；

32、對(duì)模型的其他輪訓(xùn)練包括：從批次數(shù)據(jù)中選取一個(gè)批次，輸入上一輪訓(xùn)練得到的水聲通信信號(hào)端到端調(diào)制類型識(shí)別模型，結(jié)合真實(shí)標(biāo)簽向量，使用交叉熵?fù)p失函數(shù)來計(jì)算模型的函數(shù)損失值loss，使用誤差反向傳播bp算法更新調(diào)制類型識(shí)別模型參數(shù)，并使用具有自適應(yīng)學(xué)習(xí)率的adam優(yōu)化器優(yōu)化模型參數(shù)，不斷重復(fù)從訓(xùn)練集中選取一個(gè)批次數(shù)據(jù)，輸入優(yōu)化后的調(diào)制類型識(shí)別模型，直至所有批次數(shù)據(jù)均被選取。

33、在一種改進(jìn)的水聲通信信號(hào)端到端調(diào)制類型識(shí)別方法中，loss的計(jì)算公式為：

34、

35、其中，n1代表訓(xùn)練集樣本個(gè)數(shù)，k為水聲通信信號(hào)調(diào)制類型總數(shù)，k為調(diào)制類型索引，j為樣本索引，q(xj,k)表示樣本xj,k的預(yù)測調(diào)制類型，p(xj,k)表示樣本xj,k為當(dāng)前預(yù)測調(diào)制類型的概率。

36、另一方面，提供了一種基于上述的水聲通信信號(hào)端到端調(diào)制類型識(shí)別方法的調(diào)制類型識(shí)別系統(tǒng)，包括：

37、獲取模塊，用于對(duì)水聲信號(hào)中的通信信號(hào)進(jìn)行檢測，獲得水聲通信信號(hào)；

38、識(shí)別模塊，利用預(yù)先建立并訓(xùn)練好的基于殘差注意力卷積的水聲通信信號(hào)端到端調(diào)制類型識(shí)別模型對(duì)獲得的水聲通信信號(hào)進(jìn)行調(diào)制類型識(shí)別；其中，訓(xùn)練好的基于殘差注意力卷積的水聲通信信號(hào)端到端調(diào)制類型識(shí)別模型具體包括：特征提取模塊和分類模塊；特征提取模塊，用于基于殘差注意力對(duì)水聲通信信號(hào)進(jìn)行特征的提??；分類模塊，用于將提取到的特征進(jìn)行分類，得到水聲通信信號(hào)屬于某一調(diào)制類型的概率。

39、在一種改進(jìn)的水聲通信信號(hào)端到端調(diào)制類型識(shí)別系統(tǒng)，所述特征提取模塊包括：由m+1個(gè)殘差注意力卷積塊rac和m個(gè)深度卷積塊dc構(gòu)成的m對(duì)rac和dc模塊和1個(gè)rac模塊，它們依次相連；其中，第一對(duì)rac和dc模塊分別對(duì)通信信號(hào)進(jìn)行特征提取，并將輸出特征通過殘差結(jié)構(gòu)連接，剩余對(duì)rac和dc模塊用于將輸出特征進(jìn)行特征提?。凰?個(gè)rac模塊用于對(duì)最后一對(duì)rac和dc模塊輸出的特征繼續(xù)進(jìn)行特征提取。

40、本發(fā)明與現(xiàn)有技術(shù)相比優(yōu)點(diǎn)在于：

41、1、基于智能方法實(shí)現(xiàn)多類型水聲通信信號(hào)的自動(dòng)識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)作為信號(hào)處理重要工具，可以針對(duì)不同任務(wù)從訓(xùn)練數(shù)據(jù)中自動(dòng)學(xué)習(xí)到有效特征。采用殘差結(jié)構(gòu)結(jié)合卷積模塊，能夠適應(yīng)信號(hào)的微弱變化，增強(qiáng)對(duì)信號(hào)的采樣能力，提高水聲通信信號(hào)調(diào)制類型識(shí)別的可靠性。

42、2、模型中使用通道注意力機(jī)制。使用通道注意力機(jī)制能夠自動(dòng)獲取到每個(gè)特征通道的重要程度，為每個(gè)通道賦予不同的權(quán)重系數(shù)，強(qiáng)化特征提取過程中得到的重要特征，提高模型對(duì)特征的表示能力。

43、3、模型參數(shù)較少，較為輕量化。該模型在設(shè)計(jì)過程中考慮到了參數(shù)量和計(jì)算成本，使用較少的網(wǎng)絡(luò)層數(shù)進(jìn)行模型設(shè)計(jì)，同時(shí)利用殘差結(jié)構(gòu)實(shí)現(xiàn)模塊內(nèi)卷積層之間的連接，模型復(fù)雜度較小，在水下場景中具有更好的適應(yīng)性。