一种基于深度神经网络的扩频水声信号解调方法与流程

本发明公开一种基于深度神经网络的扩频水声信号解调方法，属于信号解调。

背景技术：

1、水下通信技术为建设海洋强国提供重要技术保障。电磁波易被海水吸收，光通信易受海洋悬浮物阻隔，通信距离难以达到需求，声音是水下通信的重要媒介。扩频通信技术具有理想的抗多途性能，可以有效避免信号从多条路径传输过来造成的码间串扰的影响。传统的扩频信号解调方法是使用多路相关器求最大值判决得到发送端的信息，通常在判别器中设置一定阈值用于判别传输的信号，对于不同海洋环境，其水下声信道不尽相同，复杂多变的海洋噪声对相关器的判别会造成影响，进而影响解调效果，造成较高误码率。

技术实现思路

1、本发明的目的在于提供一种基于深度神经网络的扩频水声信号解调方法，以解决现有技术中，水声信号解调误码率高的问题。

2、一种基于深度神经网络的扩频水声信号解调方法，包括扩频水声信号预处理、搭建深度神经网络、训练深度神经网络和扩频水声信号解调；

3、扩频水声信号预处理包括水声信号归一化处理；

4、搭建深度神经网络包括搭建一维same卷积神经网络结构、搭建双向lstm神经网络结构和搭建全连接神经网络结构；

5、训练深度神经网络包括小批量梯度下降训练、均方根传播优化器更新网络参数；

6、扩频水声信号解调包括对采集的水声信号进行截取、串并转换和预处理、将处理后的扩频信号输入训练好的深度神经网络进行解调。

7、水声信号归一化处理包括：

8、

9、式中，sout为输出信号，sin为输入信号，max和min分别为信号序列的最大值、最小值。

10、搭建一维same卷积神经网络结构包括：

11、卷积的公式表示为：

12、y(k)＝leakyrelu(w(k)*y(k-1)+b(k))；

13、

14、其中，y(k)代表当前层的特征值，y(k-1)代表前一层的特征值，w(k)代表当前层的特征矩阵，b(k)表示当前层的偏置矩阵，leakyrelu为激活函数，negative_slope为负斜率值，设置为0.1，otherwise表示不满足x≥0的情况；

15、卷积层共3层，卷积核大小为[3，3]，全部采用same卷积，卷积前后维度不变，最后通过变维将其变为一维，作为下一层的输入。

16、全连接层的计算公式如下：

17、

18、

19、ai-1为上一层的输出，和分别为矩阵乘法和矩阵加法，ai为全连接层输出；

20、全连接层的最后一层激活函数为softmax：

21、

22、zi与zj为神经元的输出，softmax计算出不同码的概率。

23、小批量梯度下降训练包括：

24、小批量梯度下降训练开始之前，将所有权值w[1,l]和偏置b[1,l]置为随机值，输入训练数据进行训练，并将数据分组，进行小批量梯度下降方法，计算神经网络输出与真实值之间的差距，代价函数loss为：

25、

26、其中，y为输出值，为期望值；

27、计算梯度减小最快的方向：

28、

29、

30、⊙为点乘运算，根据计算结果使用均方根传播优化器对权值进行更新。

31、小批量梯度下降训练中的正向传播的计算公式为：

32、zl＝wlal-1+bl；

33、al＝f(zl)＝f(wlal-1+bl)；

34、其中，al-1代表上一层的输出值，wl代表本层神经网络的权值矩阵，bl表示本层神经网络的偏置矩阵，神经网络输出al经过激活函数便得到下一层的输入，f代表激活函数，除了最后一层为softmax激活函数，其他层为leakyrelu。

35、均方根传播优化器更新网络参数包括：

36、wt+1＝β*wt+(1-β)*(gt)2；

37、

38、wt和wt+1分别为更新前后的权重向量，gt为所有小批量梯度，η为学习率，ε为稳定常数，δxt为更新的差值，β为梯度累积的指数。

39、扩频水声信号解调包括对采集的水声信号进行预处理，将接收的信号归一化，使其符合神经网络模型的输入；将处理后的扩频信号输入训练好的深度神经网络进行解调，输出接收信号的内容，完成水声信号的解调功能。

40、扩频水声信号解调包括对采集的水声信号进行预处理，将接收的信号归一化，使接收的信号符合神经网络模型的输入，换能器采用50k采样率，接收到水声信号之后，将水声信号按照1524个点分割，然后进行串并转换，经过归一化之后输入训练好的深度神经网络进行解调，解调结果经过并串转换后输出接收信号的内容，完成水声信号的解调功能。

41、相对比现有技术，本发明具有以下有益效果：本发明不依赖于传统的相关解调算法，归一化将水声信号调整至[0，1]之间，减小水声噪音的影响；使用小批量梯度下降算法，避免奇异水声信号的干扰；卷积核采用一维卷积核，非常适用于水声信号的时序序列。

技术特征：

1.一种基于深度神经网络的扩频水声信号解调方法，其特征在于，包括扩频水声信号预处理、搭建深度神经网络、训练深度神经网络和扩频水声信号解调；

2.根据权利要求1所述的一种基于深度神经网络的扩频水声信号解调方法，其特征在于，水声信号归一化处理包括：

3.根据权利要求2所述的一种基于深度神经网络的扩频水声信号解调方法，其特征在于，搭建一维same卷积神经网络结构包括：

4.根据权利要求3所述的一种基于深度神经网络的扩频水声信号解调方法，其特征在于，全连接层的计算公式如下：

5.根据权利要求4所述的一种基于深度神经网络的扩频水声信号解调方法，其特征在于，小批量梯度下降训练包括：

6.根据权利要求5所述的一种基于深度神经网络的扩频水声信号解调方法，其特征在于，小批量梯度下降训练中的正向传播的计算公式为：

7.根据权利要求6所述的一种基于深度神经网络的扩频水声信号解调方法，其特征在于，均方根传播优化器更新网络参数包括：

8.根据权利要求7所述的一种基于深度神经网络的扩频水声信号解调方法，其特征在于，扩频水声信号解调包括对采集的水声信号进行预处理，将接收的信号归一化，使其符合神经网络模型的输入；将处理后的扩频信号输入训练好的深度神经网络进行解调，输出接收信号的内容，完成水声信号的解调功能。

9.根据权利要求8所述的一种基于深度神经网络的扩频水声信号解调方法，其特征在于，扩频水声信号解调包括对采集的水声信号进行预处理，将接收的信号归一化，使接收的信号符合神经网络模型的输入，换能器采用50k采样率，接收到水声信号之后，将水声信号按照1524个点分割，然后进行串并转换，经过归一化之后输入训练好的深度神经网络进行解调，解调结果经过并串转换后输出接收信号的内容，完成水声信号的解调功能。

技术总结
本发明公开一种基于深度神经网络的扩频水声信号解调方法，属于信号解调技术领域，用于水声信号解调，包括扩频水声信号预处理包括水声信号归一化处理；搭建深度神经网络包括搭建一维卷积神经网络结构、搭建双向LSTM神经网络结构和搭建全连接神经网络结构；训练深度神经网络包括小批量梯度下降训练、均方根传播优化器更新网络参数；扩频水声信号解调包括对采集的水声信号进行预处理、将处理后的扩频信号输入训练好的深度神经网络进行解调。本发明不依赖于传统的相关解调算法，使用小批量梯度下降算法，避免奇异水声信号的干扰；卷积核采用一维卷积核，非常适用于水声信号的时序序列。

技术研发人员：李奇伟,郭晓云,朱甘罗,薛晓明,邵虎林
受保护的技术使用者：青岛智能导航与控制研究所
技术研发日：
技术公布日：2024/3/4