[发明专利]基于改进门控网络和残差网络的水声通信信号调制方式识别方法

说明书

本发明公开了一种基于改进门控网络和残差网络的水声通信信号调制方式识别方法，该识别方法包括：接收水声信号；对门控循环神经网络进行改进，以提取水声信号的时间特征；对残差神经网络进行改进，同时引入自注意力机制进行加权再处理，得到水声信号空间特征；基于水声信号时间特征和空间特征之间的相关性，使用自适应融合策略用于得到的水声信号时间特征和得到的空间特征进行融合；将融合后的特征送入全连接神经网络进行网络训练；待识别水声信号进行特征提取和融合后，输入至训练好的全连接神经网络进行识别，最后输出识别结果。本发明最终实现了抗干扰强、准确率高的水声通信调制方式智能识别。

技术领域

本发明属于水声通信技术领域，具体地说，涉及一种改进门控网络结构和改进残差网络结构的自适应特征融合神经网络的水声通信调制识别方式智能识别方法。

背景技术

调制信号的自动识别是现代通信技术中的一个重要的研究领域，目前海洋作为重要的军事和经济战略重点，水下无线数据传输是获取海洋信息、实施海洋观测的关键技术，水声通信信号调制方式的自动识别具有重要的意义。因声波在海水中有着良好的传播性能，传播过程中衰减较小，水声通信成为水下中远距离传播信息的主要方式。但相比于陆地无线信道，水声信道复杂多变，单一固定的调制模式难以适应频繁变化的水声信道，致使通信效率低下。目前，多采用自适应调制编码，根据信道状况自适应调整调制编码方式，该技术需要通信双方需要通过握手信号确定当前采用的调制方式，而水下复杂的噪声干扰极易导致握手信号出错，致使接收端采用不匹配的解调方式，进而导致解调数据的严重错误。

采用调制方式智能识别技术可使接收端自动识别接收信号的调制方式，确保正确解调数据，可以提高水声通信系统数据传输的高效性和可靠性。目前调制方式智能识别的方法主要分为基于最大似然比假设检验的调制方式识别方法、基于特征提取的调制方式识别方法以及自动提取特征调制识别。基于最大似然比假设检验的调制识别方法需要信号的先验信息，其有效性与可靠性不足，且计算复杂，难以实际应用；传统基于特征的调制识别方式方法技术思路简单清晰，在低信噪比条件下拥有可观的识别准确率，然而，水声信道与无线信道差异巨大，且表现出更加复杂的多径效应及噪声干扰，导致许多在无线通信信号的自动调制识别中表现良好的特征难以适用于水声信号；自动提取特征调制识别方法可以通过输入的水声信号自动提取特征进行调制识别，不需要人工干预，但通常考虑的信号特征维度单一，且目前还处于起步阶段，大多基于理想的仿真数据，实际应用效果未知。同时，上述方法目前可识别的信号种类较少，无法识别水声通信中常用的扩频信号以及OFDM信号等，适用范围有限。

发明内容

针对现有水声信号调制方式识别没有充分考虑到水声调制信号的多维度特征、门控循环单元神经网络中输入和状态只在门控单元内部交互可能导致信号前后信息丢失以及单一的多层残差块提取特征有冗余造成的识别准确率低等问题，本发明的目的是提供一种基于改进门控网络结构和改进残差网络结构的自适应特征融合神经网络的水声通信调制识别方式智能识别方法，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：

一种基于改进门控网络和残差网络的水声通信信号调制方式识别方法，包括以下步骤：

S1：接收水声信号；

S2：对门控循环神经网络进行改进，以提取水声信号的时间特征；

S3：对残差神经网络进行改进，同时引入自注意力机制进行加权再处理，得到水声信号空间特征；

S4：基于水声信号时间特征和空间特征之间的相关性，使用自适应融合策略用于S2得到的水声信号时间特征和S3得到的空间特征进行融合；

S5：将S4融合后的特征送入全连接神经网络进行网络训练；

S6：待识别水声信号进行上述S2、S3和S4特征提取和融合后，输入至S5训练好的全连接神经网络进行识别，最后输出识别结果。