[发明专利]基于One2ThreeNet的信号调制方式识别方法

说明书

本发明公开了一种基于One2ThreeNet的信号调制方式识别方法，属于水声通信技术领域。该方法包括：微观尺度选取步骤、水声信号预处理步骤、神经网络搭建步骤、神经网络训练步骤、水声信号调制方式识别步骤。本发明提出微观尺度概念以及时序特征提取器One2Three Block，从3个尺度对信号进行细致且完备的时序特征提取，确保了时序特征的有效性；本发明提出双压缩激励卷积模块Dual‑Stream SE Block，一方面拓宽网络宽度，确保特征提取的多样性，另一方面也优化了特征图各通道权重，抑制无效特征表达，提升特征图质量。本发明在我国南海实测数据上取得了优异的识别性能，证明了该发明的可行性与有效性。

技术领域

本发明属于海洋通信技术领域，具体地说，涉及一种基于One2ThreeNet的水声信号调制方式识别方法。

背景技术

相较于电磁波而言，声波具有更低的衰减系数以及更高的传输距离，是目前唯一能够实现水体中远距离传输的数据载体，水下无线通信技术因此飞速发展，成为获取海洋信息、实施海洋观测的关键技术。

在合作式水声通信系统中通常使用自适应调制编码技术提高信道利用率与数据传输效率，该技术根据水声信号的瞬时质量状况，自适应选择最适合当前信道环境的调制编码方案。然而，通信收发两端依赖握手信号沟通当前数据所采用的调制方式，但繁杂的水下噪声与干扰极易影响握手信号的准确性，进而导致接收机使用错误的解调方式解调数据，引发通信失败。

自动调制识别技术（Automatic Modulation Recognition，AMR）可使接收机在无需任何先验知识的情况下，准确识别出接收信号所采用的调制方式从而实现正确解调，显著提升了水声通信系统的高效性及可靠性，特别适合用于调制方式多变且信道环境复杂的水声通信。

由于接收机所获取的信号是一维时间序列，而卷积神经网络不擅长学习一维信号中的时序特征。因此，现有方法大多将信号处理为眼图、循环谱、星座图等形式，输入卷积神经网络中实现调制识别，但这种将信号先行处理为特定图像的方法本质上是一种人工特征提取，势必会丢失部分关键的时序特征；同时，用于水声信号AMR的卷积神经网络大多结构较为简单，难以有效提取信号的空间特征，致使识别准确率低下。

发明内容

本发明的目的是提供一种基于One2ThreeNet的信号调制方式识别方法，以弥补现有技术的不足。

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One2ThreeNet的水声信号调制方式识别方法，包括以下步骤：

S1：接收水声信号之后进行预处理：对信号进行归一化操作与维度重构；预处理后的数据集分为训练集和测试集；

S2：搭建One2ThreeNet神经网络模型：包括One2Three Block、Dual-SE Block和全连接层、输出层构成；

S3：利用所述训练集对练所述One2ThreeNet神经网络模型进行训练；

S4：利用S3训练好的模型，输入测试集数据或接收到的水声信号经过S1预处理后，识别所接收水声信号的调制方式，输出。

进一步的，所述S1具体为：

S1-1：归一化操作公式为：

；

其中，为长度为N的原始信号，X为归一化后的信号，max为原始信号的最大值,min为原始信号的最小值，该操作将信号的幅度限定在［0,1］之间；

S1-2：微观尺度选取：

S1-21：确定信号的码元长度；

信号的码元长度公式如下：

；

其中，为接收机的采样频率，为信号的码元速率。

S1-22：确定信号的微观尺度：

信号的三个微观尺度分别为半码元尺度、单码元尺度、双码元尺度，计算方式如下：