水声通信信号调制模式识别算法研究

摘要

水下作战网络的不断进步，离不开水下通信网络安全和水下信息对抗技术的研究与发展。对于截获的非合作通信信号进行调制模式识别是水下对抗侦察阶段的核心环节，也是对抗阶段的第一步。获得截获信号的调制方式后，可以对信号进行参数估计和解调，并且可以模仿对方信号特征进行欺骗干扰。无线电通信信号的调制模式识别技术发展得相对成熟，但由于水下信道时变空变，高频衰减，信号受到多径、多普勒等影响，直接应用于水声通信信号效果不佳。如何找到适应不同水下通信环境的高性能模式识别算法成为水下通信识别领域新的关注点。 首先给出了模式识别的基本原理和基本流程，研究了水声通信信号预处理和特征提取的方法。针对几种特征提取方法进行实验分析，提取出信号的瞬时特征、特征参数、高阶累积量和基于短时傅里叶变换、小波变换的时频特征。其次，由于恶劣的水声信道呈现不稳性和随机性，调制模式识别算法对分类器性能要求更高，开展了从经典的K近邻分类到深度学习分类器算法的研究。最后，将特征提取和分类识别算法相结合，研究了基于特征参数与高阶累积串联特征的K近邻和CART决策树识别算法、基于瞬时特征的长短时间网络分类算法，提出了基于时频特征的TLGoogLeNet卷积神经网络水声通信信号模式识别算法，完成了单载波调制(BPSK、QPSK、8PSK)、直接序列扩频(DSSS)和正交频分复用(OFDM)三大类5种调制方式的模式识别。 通过仿真实验，验证了各识别算法的可行性并分析了信噪比对各种识别算法准确率的影响。通过处理水下通信实验数据，对所提出算法的性能进行评估与分析。其中基于TLGoogLeNet的卷积神经网络模式识别算法在准确率、查全率和F1值上均达到90％以上，成功实现了对5种调制方式信号的准确识别。论文研究内容可为水声通信侦察与对抗系统提供必要的技术支撑。

目录

声明

摘要

第1章绪论

1．1论文背景与研究意义

1．2国内外研究现状

1．3常用水声通信信号

1．4本领域存在问题

1．5论文主要研究内容

第2章水声通信信号的特征提取

2．1水声通信信号预处理

2．2．1信号的瞬时特征

2．2．2信号的特征参数

2．2．3高阶累积量

2．3基于时频分析的水声通信信号特征

2．3．1短时傅里叶变换

2．3．2小波变换

2．4特征提取结果验证

2．5本章小结

第3章基于机器学习的水声通信信号识别方法

3．1 K近邻学习

3．2决策树学习

3．2．1决策树学习理论

3．2．2 CART决策树

3．3．1卷积神经网络理论

3．3．2 GoogLeNet网络

3．3．3基于迁移学习的卷积神经网络算法

3．3．4基于TLGoogLeNet的水声通信信号模式识别算法

3．4长短时间记忆网络

3．5仿真研究

3．6本章小结

第4章水声通信信号调制模式识别实验研究

4．1实验数据集介绍

4．2机器学习模型评估

4．2．1评估方法

4．2．2评价标准

4．3机器学习模型评估

4．3．1 K近邻算法实验

4．3．2 CART决策树算法实验

4．3．3卷积神经网络实验

4．3．4LSTM网络实验

4．3．5算法对比

4．4本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢