基于被动时间反转镜的水声通信信号调制识别方法及装置

摘要

本发明公开了一种基于被动时间反转镜的水声通信信号调制识别方法及装置，方法包括：采用无记忆模拟非线性预处理器去除接收信号中的脉冲噪声。基于被动时间反转镜抑制多径效应，利用线性调频信号作为被动时间反转中的探测信号，基于被动时间反转镜进行信号增强；采用平方谱和功率谱的联合特征作为分类依据，设计卷积自动编码器网络增强两种频域特征，最后基于卷积神经网络进行调制识别。装置包括：处理器和存储器。本发明对调制信号进行分类，不仅提高了调制识别准确率，也提高了对不同水声信道的适应性，减轻了水声信道对调制信号特征的影响。

说明书

技术领域

本发明涉及信号调制识别技术领域，尤其涉及一种基于被动时间反转镜的水声通信信号调制识别方法及装置，提高了水下信号调制识别的准确性和环境适应性。

背景技术

水声通信信号调制识别是在发送和接收两方非合作条件下，对接收信号进行调制方式的自动分类，在民生和军事方面具有广泛的应用。近年来，深度学习被引入到通信信号调制识别中，进一步提高了调制分类识别的准确性。

在水声通信信号的调制分类过程中，主要分为两大类，根据信号时域特征和频域特征进行分类。第一类是将时域特征作为分类依据，通过神经网络完成时序特征的提取和分类。但是I/Q(同相/正交)数据、时序特征、波形特征等时域特征容易受到复杂水声信道特性的影响，稳定性不高。第二类是选取信号频域特征作为分类依据。功率谱、时频图、频谱和奇异谱是常见的用于调制识别的特征。

现有研究主要关注在特征识别方面，尚未有抑制水声信道影响方法的研究，海洋中严重的多径效应会对接收信号的时频特征产生很大影响，降低了调制识别的准确率。

发明内容

本发明提供了一种基于被动时间反转镜的水声通信信号调制识别方法及装置，本发明对调制信号进行分类，不仅提高了调制识别准确率，也提高了对不同水声信道的适应性，减轻了水声信道对调制信号特征的影响，详见下文描述：

一种基于被动时间反转镜的水声通信信号调制识别方法，所述方法包括：

采用无记忆模拟非线性预处理器去除接收信号中的脉冲噪声。

基于被动时间反转镜抑制多径效应，利用同步信号作为被动时间反转中的探测信号，基于被动时间反转镜进行信号增强；

采用平方谱和功率谱的联合特征作为分类依据，设计卷积自动编码器网络增强两种频域特征，最后基于卷积神经网络进行调制识别。

其中，所述探测信号为接收的线性调频信号

其中，所述基于被动时间反转镜进行信号增强具体为：

式中，y

进一步地，所述卷积自动编码器网络为：由7个卷积层构成的编码器和8个反卷积层构成的解码器两部分，卷积层和反卷积层之间设置有跳跃连接；

编码器的卷积层对输入的信号特征进行逐层压缩，通过解码器的反卷积层实现信号特征的解码重构；通过原始信号特征和解码重构的特征之间的L1损失项来衡量特征增强效果，选取均方根传递优化器来优化调整网络参数，实现功率谱特征增强的功能。

其中，所述卷积神经网络包括：5个卷积层、池化层和1个全连接层，激活函数选用Relu函数，损失函数采用交叉熵函数；所述卷积神经网络通过卷积、池化操作提取信号功率谱和平方谱高维特征，最后通过softmax分类器进行分类。

一种基于被动时间反转镜的水声通信信号调制识别装置，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行方法中的任一项所述的方法步骤。

本发明提供的技术方案的有益效果是：

1、本发明基于被动时间反转镜技术，利用通信信号中常见的同步信号作为探测信号，实现无外加信号的被动时间反转，达到了抑制水声信道多径效应的效果；

2、本发明相较现有方法不仅具有更高的识别准确率，且对水声信道的变化具有更高的适应性。

附图说明

图1为基于被动时间反转镜的水声通信信号调制识别方法的流程图；

图2为卷积自动编码器(CAE)网络结构图；

其中，Conv代表卷积层，Deconv代表反卷积层，q表示卷积核步长，n表示卷积核个数，m表示卷积核长度，激活函数使用leaky relu函数。

图3为卷积神经网络(CNN)结构图；

其中，Conv代表卷积层，Pool代表池化层，q表示卷积核步长，s表示池化步长，n表示卷积核个数，m表示卷积核长度。

图4为基于被动时间反转镜的调制识别网络模型的训练流程图；

图5为六种调制信号识别在三种信道环境下的混淆矩阵的示意图。

其中，(a)为海河信道条件下，采用六种调制方式识别准确率混淆矩阵的示意图；(b)为丹江口水库信道条件下的调制识别准确率混淆矩阵的示意图；(c)为敬业湖信道条件下的调制识别准确率混淆矩阵的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

实施例1

本发明实施例提出了一种基于被动时间反转镜的水声通信信号调制识别方法，在对信号做脉冲噪声抑制后，基于被动时间反转镜技术(本领域技术人员所公知，本发明实施例对此不做赘述)抑制多径效应，利用通信信号中广泛存在的同步信号作为被动时间反转中的探测信号，设计了一种基于被动时间反转镜的信号增强方法，提高识别步骤之前的信号质量。之后采用平方谱和功率谱的联合特征作为分类依据，设计卷积自动编码器网络(CAE)增强两种频域特征，最后设计卷积神经网络(CNN)进行调制识别，具体流程如图1所示。

通信信号在水下传输时，受到信道多径效应和噪声的影响，其模型如式(1)所示：

其中，y(t)为接收信号，x(t)为发送的调制信号，h(t)为水声信道冲击响应，

其中，多径信道的信道脉冲响应函数模型如下：

其中，A

脉冲噪声n(t)服从Alpha稳定分布，其特征函数如下所示：

φ(t)＝exp(iμt-σ

其中，sign(t)表示符号函数，α∈(0,2]为特征指数，α越大，脉冲性越弱，当α＝2时，退化为高斯白噪声。μ表示位置参数，σ表示尺度参数，β是偏度参数，λ(t)的表达式如下：

目前国内外常见的调制方式包括：MFSK(多进制频移键控)、MPSK(多进制相移键控)、OFDM(正交频分复用)和LFM(线性调频信号)。本发明实施例识别的调制类型包括：2FSK、4FSK、8FSK、BPSK(二进制相移键控)、QPSK(四进制相移键控)和OFDM。

其中，MFSK的数学表达式为：

式中，A为信号幅度，θ为初始相位，f

其中，MPSK的数学表达式为：

式中，b

其中，OFDM的数学表达式为：

式中，K为子载波个数，a

其中，LFM(线性调频信号)数学表达式为：

x(t)

式中，f

综上所述，本发明实施例通过上述操作利用通信信号中常见的同步信号作为探测信号，实现无外加信号的被动时间反转，达到了抑制水声信道多径效应的效果。

实施例2

下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：

步骤1：脉冲噪声和多径效应的抑制；

本发明实施例采用的无记忆模拟非线性预处理器(MANP)可对大于门限部分进行非线性抑制，输出信号如下：

β(t)＝(1+2β

式中，β

去除脉冲噪声后，在接收端基于被动时间反转镜(PTRM)抑制信道的多径。PTRM的输入包括：探测信号和调制信号。在调制信号发送之前，先发送探测信号，通过对接收端探测信号时间反转，再与接收端调制信号卷积得到中间数据，最后将中间数据与发送端探测信号卷积实现多径效应的抑制。

下面用公式推导说明基于PTRM抑制多径效应的全过程，详见下文描述：

将接收的LFM信号

式中，n

从式(15)可以看出，接收信号通过时反信道以实现多径聚焦增益，但是这个过程会引入反转后的探测信号，因此之后要与探测信号p(t)卷积消除探测信号的影响，其过程如式(16)所示：

式中，y

最后对y

由于通信信号通常使用LFM信号做同步，所以选用该信号作为探测信号。基于分数傅立叶变换(FrFT)求出LFM的起始频率f

步骤2：基于卷积自动编码器的调制信号频域特征增强；

由于2FSK、4FSK、8FSK、MPSK、OFDM的功率谱特征有明显区别，因此首先选取信号的功率谱作为分类特征，设计卷积自动编码器(CAE)对功率谱进行增强。离散信号功率谱P(ω)的计算公式如下：

其中，x(n)为离散调制信号，N为信号采样点个数，ω为频率。

由于BPSK和QPSK信号的功率谱特征相似，而BPSK信号平方谱在其载波频率二倍的位置上具有冲激特性，而QPSK信号没有此特征。因此对于这两种信号，本发明实施例选取平方谱作为调制分类特征。同样采用CAE对这两种信号的平方谱特征进行增强。离散信号平方谱计算公式如下：

本发明实施例设计的特征增强网络包括：由7个卷积层构成的编码器和8个反卷积层构成的解码器两部分，卷积层和反卷积层之间设置有跳跃连接。网络结构如图2所示。

编码器的卷积层对输入的信号特征进行逐层压缩，去除冗余信息，提取高维特征。通过解码器的反卷积层实现信号特征的解码重构。通过原始信号特征和解码重构的特征之间的L1损失项来衡量特征增强效果，选取RMSProp(均方根传递)优化器来优化调整网络参数，从而实现功率谱特征增强的功能。

步骤3：基于卷积神经网络的调制方式分类识别。

在对调制信号进行特征增强后，设计卷积神经网络(CNN)进行调制方式的分类识别。分类网络包括：5个卷积层、池化层和1个全连接层，激活函数选用Relu函数。损失函数采用交叉熵函数。CNN通过卷积、池化操作提取信号功率谱和平方谱高维特征，最后通过softmax分类器进行分类。网络结构如图3所示。

通过学习增强后的信号功率谱特征，CNN可以实现对2FSK、4FSK、8FSK、PSK、OFDM的分类。当已经识别出信号的调制方式为PSK时，采用增强的平方谱特征和CNN对信号进行更进一步的分类，划分出BPSK和QPSK。

在模型训练阶段，六种调制信号由matlab仿真生成，水声信道数据由bellhop水声信道仿真软件生成的仿真信道和天津大学敬业湖水声信道组成，噪声参数α在[1.8,2]范围内随机选取，信噪比设置为[0,10]dB。首先采用仿真信道根据公式(1)生成训练数据1，之后采用敬业湖信道数据和调制信号卷积产生训练数据2。通过训练数据1不断优化CAE和CNN的网络参数，实现信号功率谱和平方谱的特征增强及信号的调制识别。之后将训练数据2作为微调数据集，固定CAE的全部参数和CNN的前几层网络参数，微调CNN最后一层参数。当损失函数趋于稳定时停止训练。由于微调数据集建立在真实水声信道环境下，因此微调后的网络对实际水声信道更具有适应性。网络训练和测试的流程图如图4所示。

一种基于被动时间反转镜的水声通信信号调制识别装置，该装置包括：处理器和存储器，存储器中存储有程序指令，处理器调用存储器中存储的程序指令以使装置执行以下的方法步骤：

基于被动时间反转镜抑制多径效应，利用同步信号作为被动时间反转中的探测信号，基于被动时间反转镜进行信号增强；

采用平方谱和功率谱的联合特征作为分类依据，设计卷积自动编码器增强两种频域特征，最后基于卷积神经网络进行调制识别。

其中，所述探测信号为接收的线性调频信号

其中，基于被动时间反转镜进行信号增强具体为：

式中，y

进一步地，卷积自动编码器网络为：由7个卷积层构成的编码器和8个反卷积层构成的解码器两部分，卷积层和反卷积层之间设置有跳跃连接；

编码器的卷积层对输入的信号特征进行逐层压缩，通过解码器的反卷积层实现信号特征的解码重构；通过原始信号特征和解码重构的特征之间的L1损失项来衡量特征增强效果，选取均方根传递优化器来优化调整网络参数，实现功率谱特征增强的功能。

其中，卷积神经网络包括：5个卷积层、池化层和1个全连接层，激活函数选用Relu函数，损失函数采用交叉熵函数；所述CNN网络通过卷积、池化操作提取信号功率谱和平方谱高维特征，最后通过softmax分类器进行分类。

这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。

上述的处理器和存储器的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件，具体实现时，本发明实施例对执行主体不做限制，根据实际应用中的需要进行选择。

存储器和处理器之间通过总线传输数据信号，本发明实施例对此不做赘述。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。