本发明涉及信号分析识别，尤其涉及一种基于改进resnet的水声仿生通信信号识别方法及系统。
背景技术：
1、水声仿生通信技术基于仿生学思想，利用海洋中固有的鲸豚类动物叫声或者人工合成的模拟叫声作为信息载体。第三方在识别过程中将仿生隐蔽水声通信信号视为海洋背景噪声而排除，从而实现隐蔽通信。这种方式大大提高了水声通信的通信速率和隐蔽性，具有广泛的应用前景。
2、水声仿生通信技术备受关注的同时，水声通信信号的识别在水下电子对抗领域也占有重要的地位，有效的信号识别方法可以带来显著的优势。然而，当下针对水声仿生通信信号识别的研究却仍处于起步阶段，这意味着对于水声仿生隐蔽通信尚没有有效的解决方法。
3、近年来，深度学习技术得益于其强大的特征提取能力和模型泛化能力，已经在通信信号调制识别领域得到广泛的应用和发展。但在公开文献中，尚无基于深度学习的水声仿生通信信号识别方法。现有仿生通信信号的识别方法多是基于人工提取特征的模式识别方法，首先依据领域知识设计特征提取算法构造特征识别量，然后构造分类器进行识别。基于模式识别的方法识别性能依赖领域知识，而且水声相干多途信道和脉冲噪声等会引起信号畸变，导致人工设计特征对水声环境的泛化能力较差，进一步加大了水声仿生通信信号识别的难度。
4、此外，海洋中的生物种类繁多，每种生物都有其独特的通信方式，随着对仿生通信信号的研究和应用的不断深入，仿生通信信号在未来具有很大的可扩展性，可以不断适应新的应用场景和需求，如何在水下复杂信道环境下对多样化仿生通信信号进行准确识别将成为亟待解决的一个实际问题。因此，需要寻求一种能够适应水声环境并较为全面的刻画仿生信号特征的水声仿生通信信号识别方法。
技术实现思路
1、为此，本发明提出一种基于改进resnet的水声仿生通信信号识别方法及系统，实现水声仿生通信信号的准确识别，有效降低了对领域知识的依赖，对水声环境具备更强的环境适应性。
2、为了实现上述目的，本发明采用以下的技术方案：
3、一种基于改进resnet的水声仿生通信信号识别方法，包含：
4、采用带通滤波和变分模态分解对采集的水声仿生通信信号和真实动物叫声信号进行降噪预处理，以各阶本征模态函数与原数据的皮尔逊相关系数作为指标重构得到降噪信号；
5、计算信号时频谱图，采用动态自适应阈值分割方法提取信号时频轮廓模态特征，构建仿生通信信号和真实动物叫声信号特征数据集；
6、基于上述数据集对搭建好的resnet50网络模型进行训练，并引入cbam注意力机制，得到仿生通信信号识别网络；
7、采用基于网络的迁移学习思想继续训练仿生通信信号识别网络，实现水声仿生通信信号的精确识别。
8、根据本发明基于改进resnet的水声仿生通信信号识别方法，进一步地，在海洋信道中传播的信号建模为：
9、
10、其中，s(n)表示声源信号，为chirp仿哨声仿生通信信号和真实动物哨声信号；h(n)表示海洋信道系统冲激响应；w(n)表示海洋环境加性背景噪声；代表卷积运算。
11、根据本发明基于改进resnet的水声仿生通信信号识别方法，进一步地，采用带通滤波和变分模态分解对采集的水声仿生通信信号和真实动物叫声信号进行降噪预处理，包含：
12、首先，对采集信号序列x(n)进行带通滤波；
13、然后，利用vmd方法对信号进行模态分解，计算各阶本征模态函数和原数据的皮尔逊相关系数，经阈值选择后重构得到降噪信号阈值设置为各阶皮尔逊相关系数的均值。
14、根据本发明基于改进resnet的水声仿生通信信号识别方法，进一步地，计算信号时频谱图，包含：
15、信号经短时傅里叶变换后表示为：
16、
17、其中，n和k分别代表时频谱图的时间维度和频率维度；x(n,k)表示在时刻n，频点k的幅度值；w(n)表示窗函数，n为窗长度；表示经降噪预处理的输入信号，m∈[0,n-1]，表示离散时间点；ω＝2πk/n代表离散频率。
18、根据本发明基于改进resnet的水声仿生通信信号识别方法，进一步地，采用动态自适应阈值分割方法提取信号时频轮廓模态特征，包含：
19、首先，根据时频谱图每点的幅值，利用交叉采样法计算动态自适应阈值；
20、之后，基于动态自适应阈值将时频谱图二值化处理；
21、最后，基于四连通域原理对二值化时频谱图不同区域进行编号标记，根据各编号标记的能量大小以区分信号和背景噪声。
22、根据本发明基于改进resnet的水声仿生通信信号识别方法，进一步地，仿生通信信号识别网络包括一个单独的7×7卷积层、四个级联的大型卷积块和一个输出层；所述四个级联的大型卷积块分别包含3、4、6、3个小卷积块；所述输出层包含一个平均池化模块、一个全连接层和一个softmax层。
23、根据本发明基于改进resnet的水声仿生通信信号识别方法，进一步地，所述小卷积块包括：
24、首先，采用1×1卷积层对特征通道进行压缩；
25、其次，通过一个批标准化层将输入特征标准化，得到通道注意力机制的输入特征图f；
26、然后，对输入特征图f计算通道注意力特征mc(f)，将mc(f)和输入特征图f做逐元素相乘操作，生成空间注意力机制的输入特征f′；
27、之后，对输入特征f′计算空间注意力特征ms(f′)，将ms(f′)和输入特征图f′做逐元素相乘操作得到特征图f″；
28、最后，将特征图f″和输入特征图f残差求和，利用带泄露线性整流函数leaky relu实现非线性激活，得到最终的特征提取结果foutput。
29、根据本发明基于改进resnet的水声仿生通信信号识别方法，进一步地，采用基于网络的迁移学习思想，构建迁移数据模型以产生数量充足的训练集，迁移数据模型表示如下：
30、
31、其中，表示获得的迁移数据集；表示与待识别信道特性近似的信道响应；当近似信道不可得时，可取记为h0信道。
32、根据本发明基于改进resnet的水声仿生通信信号识别方法，进一步地，采用基于网络的迁移学习思想继续训练仿生通信信号识别网络，包含：
33、首先，采用迁移数据模型产生数量充足的仿生迁移数据集以训练得到预训练网络pre-resnet；
34、然后，结合采集到的小样本目标信道下的仿生通信信号微调pre-resnet，冻结网络大部分底层权重，仅微调提取高维特征的最后几层网络的权重参数，最终得到迁移学习新模型trans-resnet。
35、一种基于改进resnet的水声仿生通信信号识别系统，用于实现如上述的基于改进resnet的水声仿生通信信号识别方法，包含：
36、降噪预处理模块，用于采用带通滤波和变分模态分解对采集的水声仿生通信信号和真实动物叫声信号进行降噪预处理，以各阶本征模态函数与原数据的皮尔逊相关系数作为指标重构得到降噪信号；
37、模态特征提取模块，用于计算信号时频谱图，采用动态自适应阈值分割方法提取信号时频轮廓模态特征，构建仿生通信信号和真实动物叫声信号特征数据集；
38、识别网络构建模块，用于基于上述数据集对搭建好的resnet50网络模型进行训练，并引入cbam注意力机制，得到仿生通信信号识别网络；
39、迁移训练模块，用于采用基于网络的迁移学习思想继续训练仿生通信信号识别网络，实现水声仿生通信信号的精确识别。
40、与现有技术相比，本发明具有以下优点：
41、本发明提供的一种基于改进resnet的水声仿生通信信号识别方法，将深度学习技术和信号分析处理领域知识相结合，能够在复杂水声环境下实现水声仿生通信信号的精确识别。本发明方法在仿真的水声信道中，snr大于-15db时识别准确率达到90％以上。
42、1、针对水声仿生通信信号隐蔽性高、特征不明显的问题，本发明采用提取的时频轮廓模态特征作为分类依据，相较于现有特征，更全面和细致的刻画了仿生通信信号的特性。
43、2、针对现有水声仿生通信信号识别方法特征提取不充分的问题，本发明采用resnet网络提取仿生通信信号的深度特征，增强了提取特征的稳健性，降低了对信号分析处理领域知识的依赖性，对水声环境具备更强的环境适应性。
44、3、针对现有识别方法低信噪比无法工作、高信噪比存在理论性能瓶颈的问题，本发明引入cbam注意力机制，增强了网络的细节特征提取能力，提升了对低信噪比信号的识别能力，且不存在理论性能瓶颈。
45、4、针对实际水下场景中仿生通信信号样本极难获取的问题，引入基于迁移学习思想的两步迁移训练方法训练仿生通信信号识别网络，大大降低了网络训练对真实信号样本的需求，有效增强了本方法在小样本场景下的稳健性和泛化性。