[发明专利]基于小数据样本的浅海水声通信信号调制识别方法及系统

说明书

本发明属于信号分类识别技术领域，特别涉及一种基于小数据样本的浅海水声通信信号调制识别方法及系统，将预制的已知水域信号的样本数据划分为用于降噪自编码器训练学习的训练数据一、结合训练后的降噪自编码器对卷积神经网络进行训练学习的训练数据二、及用于对训练后的降噪自编码器和卷积神经网络进行测试的测试数据，并利用数据迁移通过增加不同水域不同传输条件下的相同或相似信道特性数据来扩充测试数据；利用训练后的降噪自编码器对接收到的待识别水声通信信号进行降噪处理；通过训练后的卷积神经网络从降噪处理后的待识别信号频域提取特征向量，并利用分类器对特征向量进行分类识别，能够有效提升分类识别性能和实用性，具有较高可靠性。

技术领域

本发明属于信号分类识别技术领域，特别涉及一种基于小数据样本的浅海水声通信信号调制识别方法及系统。

背景技术

信号的自动识别技术是信号检测与信号解调之间的关键技术，在民用领域，主要用于空间频谱资源的管理，对频谱资源使用者确认身份，防止无线频谱被非法利用，保证通信活动的安全进行。随着通信环境越来越复杂，为了提高频谱的利用率，对不同的通信信号通常会采用多种不同的调制方式，因此，通信信号调制方式的自动识别具有重要应用价值。

目前，基于模式识别的通信信号调制识别方法较为完善。这种方法主要分为特征参数的提取和分类识别两个阶段，提取的特征参数主要包括瞬时信息特征参数、高阶累积量、循环累积量、以及谱特征参数等，基于模式识别的调制识别方法实现简单，相比人工识别方法不再依赖操作员的经验，识别结果有更好的稳定性。但是，这种方法对信号的特征提取依赖于人工算法设计，而且，当待识别信号种类不同时，提取的特征参数不同，需要设计不同的特征提取算法。人工智能技术被认为是研发颠覆性装备和技术的支撑。近些年，随着神经网络在语音识别、计算机视觉上的成功应用，将其应用在水声识别领域成为国内外研究的热门课题。基于深度神经网络的识别方法首先对原始信号进行模态域转换，然后设计神经网络结构，从模态域信号中提取深层抽象特征向量，最后利用分类器对特征向量识别分类。该方法的核心是利用深度神经网络从信号中自动提取特征向量，而不再依赖人工设计算法提取特征参数，因此，识别过程减少了人的工作量，提取的特征向量虽然抽象，但对分类器而言往往有更好的分类效果。但是，目前基于深度神经网络的识别方法通常需要大量的训练数据对神经网络进行训练优化，在水域环境噪声干扰严重或在未知水域信道训练数据不足的情况下很难取得理想识别性能。

发明内容

为此，本发明提供一种基于小数据样本的浅海水声通信信号调制识别方法及系统，解决在浅海环境下，基于深度学习的识别方法对信号模态识别性能有限、鲁棒性差以及可获取的信号数据量难以满足深度学习训练要求等问题，在浅海脉冲噪声环境下能够保持较高的识别率。

按照本发明所提供的设计方案，一种基于小数据样本的浅海水声通信信号调制识别方法，用于水声通信信号识别，包含如下内容：

将预制的已知水域信号的样本数据划分为用于降噪自编码器训练学习的训练数据一、结合训练后的降噪自编码器对卷积神经网络进行训练学习的训练数据二、及用于对训练后的降噪自编码器和卷积神经网络进行测试的测试数据，并利用数据迁移通过增加不同水域不同传输条件下的相同或相似信道特性数据来扩充测试数据；

利用训练后的降噪自编码器对接收到的待识别水声通信信号进行降噪处理；

通过训练后的卷积神经网络从降噪处理后的待识别信号频域提取特征向量，并利用分类器对特征向量进行分类识别。

作为本发明基于小数据样本的浅海水声通信信号调制识别方法，进一步的，降噪自编码器包含由卷积层构成的编码器和由反卷积层构成的解码器，两者通过残差结构连接；采用编码器卷积层对信号数据逐层压缩，并与随机噪声相连接输入解码器；利用解码器反卷积层对输入进行解码重构还原信号数据；利用还原信号数据与无噪声数据平均绝对值作为损失函数来衡量降噪效果以优化降噪自编码器参数。