基于降噪神经网络的水声信号智能接收方法 |
|||||||
申请号 | CN202410063273.4 | 申请日 | 2024-01-17 | 公开(公告)号 | CN117614467B | 公开(公告)日 | 2024-05-07 |
申请人 | 青岛科技大学; | 发明人 | 王景景; 刘钊; 姜帅; 王渝; 王猛; 董新利; 鄢社锋; 龙奇; | ||||
摘要 | 本 发明 涉及 水 声 信号 降噪技术领域,具体为基于降噪神经网络的水声信号智能接收方法。该方法具体包括生成用于训练的水声信号样本,对样本进行预处理,分别建立降噪扩散概率模型和混合 深度神经网络 模型进行特征提取,利用降噪扩散概率模型获取水声信号更具鲁棒性的表征,提高 信噪比 ,利用混合深度神经网络模型进行两阶段训练,分别完成调制方式自动识别与信号自适应解调任务,实现水声信号智能接收。解决了当前信号接收方法误码率高、实现复杂、只能针对单一信号的技术问题。 | ||||||
权利要求 | 1.基于降噪神经网络的水声信号智能接收方法,其特征在于,包括以下步骤: |
||||||
说明书全文 | 基于降噪神经网络的水声信号智能接收方法技术领域[0001] 本发明涉及水声信号降噪技术领域,具体为基于降噪神经网络的水声信号智能接收方法。 背景技术[0002] 水声通信被广泛应用于海洋科学研究、水下探测、水下机器人以及水下军事攻防等领域。然而,由于水声信道的复杂性和动态特性,信号在传输过程中容易受到干扰、衰减和失真的影响,接收端难以较好地对接收到的信号进行恢复和重构,另外,在电子对抗等非合作通信场景下,接收端往往接收到的是完全未知的信号,这将大大提高信号解调的难度。因此,如何稳定高效接收并灵活智能地解调水声信号成为当前研究的热点。 [0003] 降噪扩散概率模型是一种基于概率的机器学习方法,主要结构包括编码器和解码器。在编码器阶段,模型从数据最初的分布开始,通过连续多个步骤,每一步都对数据叠加噪声,逐渐将数据转化为纯噪声。在解码器阶段,模型预测编码器生成的特征图中的噪声分布,逐步进行去噪。模型最终能够拥有较好的数据建模能力,可以将输入的原始数据转换为噪声分布更少的特征表示。 [0004] 基于深度学习的水声信号接收方法,可以有效提取信号的时域特征,利用分类的方式将信号直接还原为原始符号,简化传统信号接收机的复杂设计流程,减少需要人为参与设计的环节,降低水声信号接收机的实现难度。然而,目前已有的方法在低信噪比条件下,接收的准确率将大大降低,并且通常只能够单一地提取信号的相位或频率特征,也就只能够对一种或少数几种调制方式有效,无法满足非合作通信、加密通信等需要灵活接收信号的复杂特殊场景。 [0005] 因此,针对以上情况,急需一种准确率高、灵活性强的方法,来实现水声信号的高效智能接收。 发明内容[0006] 本发明的目的在于提供一种基于降噪神经网络的水声信号智能接收方法,对信号样本进行特征优化处理,分别建立降噪扩散概率模型和混合深度神经网络模型进行特征提取,利用降噪扩散概率模型获取水声信号更具鲁棒性的表征,提高信噪比,利用混合深度神经网络模型进行两阶段训练,分别完成调制方式自动识别与信号自适应解调任务,能够实现针对未知调制方式信号的高效智能接收,且准确率高、灵活性强。 [0007] 为实现上述目的,本发明提供的一种基于降噪神经网络的水声信号智能接收方法包括以下步骤: [0008] S1生成用于训练的包含多种调制方式的水声信号样本,对样本进行预处理,分别时域特征优化、信号插值、周期归一化; [0009] S2建立改进降噪扩散概率模型(Denoising Diffusion Probabilistic Models,DDPM),使用S1处理的信号对模型进行训练,在建立向前降噪扩散概率模型阶段,对信号逐步添加高斯噪声;在建立反向降噪扩散概率模型阶段,预测信号样本的高斯噪声分布,建立U‑Net神经网络并训练,提取信号特征,对信号进行降噪; [0010] S3建立由卷积层、循环层和注意力层构成的混合深度神经网络模型,提取信号特征,基于S1和S2处理的信号,将信号的调制方式作为标签;利用调制标签数据集来训练混合神经网络模型,识别水声信号的调制方式; [0011] S4基于S1和S2处理的信号构建数据集,每个样本包含单个符号所对应数量的采样点数,模型将信号的原始符号作为标签进行分类;利用原始标签数据集来训练混合神经网络模型,对信号进行解调。 [0012] 优选的,S1生成用于训练的包含多种调制方式的水声信号样本,对样本进行特征优化处理,采用径向基函数插值法对生成的水声信号的每个符号样本进行插值,并对信号进行周期归一化。 [0013] 优选的,S1步骤具体为: [0014] S1.1生成水声信号并进行特征优化处理 [0016] ; [0018] 基带调制信号将与一个频率固定的载波相乘,以在水下无线信道中传输,并被接收机所接收和处理;最终经过特征优化处理后的信号序列如下所示: [0019] ; [0020] 其中, 代表处理后的幅度‑相位特征, 代表载波频率; [0021] S1.2采用径向基函数插值法对水声信号进行插值 [0022] 对于单个符号对应采样点数量较少的信号波形,选择原始的采样点作为径向基函数的中心点,确定高斯宽度参数 ,对于每个中心点,使用最小二乘法计算权重系数;使用确定的中心点、高斯宽度参数和权重系数来构建一个逼近函数,用于信号插值;逼近函数可表示为: [0023] ; [0024] 其中, 是构建的逼近函数, 是中心点的数量, 是每个中心点对应的权重系数, 是每个中心点的位置, 是高斯函数的宽度参数,控制基函数的宽度; [0025] S1.3对信号进行周期归一化 [0026] 在信号波形的每个载波周期内对信号进行min‑max归一化,具体公式如下: [0027] ; [0028] 其中, 是原始信号幅值, 是载波周期内最小幅值, 是载波周期内最大幅值。 [0029] 优选的,S2步骤具体为: [0030] S2.1建立前向降噪扩散概率模型 [0032] ; [0033] ; [0034] 其中, 指由 得到 的先验概率, 指加噪 次后的信号数据,而是前一时刻的数据, 代表正态分布, 在每一次加噪时的方差, 表示单位矩阵,用于确定扩散的速度和幅度, 代表第1个时刻到第 个时刻得到的数据集合;上述公式表示,由 得到 的过程,满足以 为均值, 为方差的高斯分布,在经过加噪后,原始信号逐渐变为纯噪声; [0035] S2.2建立反向降噪扩散概率模型 [0036] 基于前向过程产生的含噪声信号来预测原始无噪声信号,每一步的过程如下所示: [0037] ; [0038] ; [0039] 其中, 表示加噪 次后的信号数据, 表示未加噪声的信号数据, 表示加噪次数, 代表逆扩散过程近似模型, 代表产生加噪 次的信号数据概率,代表由 得到 的先验概率, 代表在 时服从在 到 均匀分布的值; [0040] 为了计算反向过程中每一步的 ,根据已知的 和 得到以下后验扩散概率计算公式: [0041] ; [0042] 其中, 指加噪 次后的信号数据, 指未加噪声的信号数据, 是在每一次加噪时确定的一个0到1之间的固定值, 表示单位矩阵,用于确定扩散的速度和幅度,表示经过 次噪声处理后的信号 与未经处理的原始信号 之间的差异估计值, 表示后验扩散条件概率, 代表正态分布; [0043] 基于贝叶斯公式,采用如下方法计算后验扩散概率: [0044] ; [0045] 其中, 表示加噪 次后的信号数据, 表示未加噪声的信号数据,表示后验扩散条件概率; [0046] S2.3建立U‑Net神经网络在反向过程预测信号中的噪声 [0047] U‑Net神经网络包括编码器和解码器结构,信号波形首先输入到由连续的五个卷积块构成的编码器当中,卷积块由两层卷积层与一层池化层组成,对信号进行特征提取及降维,其中卷积结构为3x3的卷积核;卷积层的公式如下所示: [0048] ; [0049] 其中, 表示输入信号, 表示卷积核, 是卷积结果的输出值,是输入信号的元素值, 是卷积核的权重; [0050] 池化层的公式如下所示: [0051] ; [0052] 其中, 表示输入信号, 是池化结果的输出值, 是池化窗口内的元素值, 是池化的步幅, 是池化窗口的大小; [0053] 编码器输出尺寸减小的特征图经过五层连续的反卷积块恢复原始尺寸,其中,反卷积块包含两层卷积核尺寸为3x3的卷积层以及一层反卷积层,反卷积层过将卷积核进行水平和垂直翻转,然后与输入特征图进行卷积操作来实现。 [0054] 优选的,S3步骤具体为: [0055] S3.1建立特征提取模块 [0057] ; [0058] 其中, 是输入的信号序列, 是一个卷积滤波器, 表示一维卷积操作的结果序列, 是输出序列中的索引位置, 是卷积核 中的索引位置, 表示输入信号的元素值, 表示卷积核的权重; [0059] S3.2建立分类模块 [0060] 特征向量被输入到一个由两个堆叠的双向长短期记忆神经网络组成的分类模块,这个模块可由以下公式表示: [0061] ; [0062] ; [0063] ; [0064] ; [0065] ; [0066] ; [0067] 在上述公式中, 、 、 分别是遗忘门、输入门、输出门的输出, 是S型生长曲线, 表示遗忘门计算结果, 是遗忘门的权重矩阵, 是上一时间步的隐含状态, 是当前时间步的输入, 是新的候选细胞状态, 和 分别是输入门和候选细胞状态的权重矩阵, 和 是输入门和候选细胞状态的偏置项; 表示时间步 的正向细胞状态, 表示时间步 的正向隐藏状态,在模块中利用细胞状态、隐含状态、遗忘门、输入门和输出门来控制信息流动; [0068] S3.3建立全局感知模块 [0069] 在两个堆叠的双向长短期记忆神经网络之间,加入了基于多头注意力机制的全局注意力感知模块,用于增强模型对于全局信息的捕捉能力;该模块的计算方法如下: [0070] ; [0071] ; [0072] ; [0073] 其中, 、 和 都是原始输入向量乘一个特定系数得到的线性变换, 代表第次独立的注意力计算,得到新的输出向量 , 将多个独立的注意力加权序列输出连接在一起,乘一个权重,生成最终的输出 ;每一次计算,都会利用 函数来生成一个注意力输出 , 的计算公式 如下: [0074] ; [0075] 其中, 代表向量 的第 个元素, 为第 个类别的概率, 表示对所有类别的指数项求和,用于归一化,确保了输出的是一个概率分布,因为所有概率值的总和为1; [0077] S3.4使用预生成的水声信号训练模型 [0078] 分别利用BPSK、QPSK、8PSK、2FSK、4FSK、2ASK、16QAM等多种调制方式生成信号波形,取固定维度为1*1000的信号波形作为样本,其对应的调制方式作为标签,生成数据集;在已生成的数据集的基础上,分别加入多种不同信噪比的高斯白噪声,构成含噪数据集;分别利用多种不含噪和含噪的数据集对模型进行训练,选取准确率最高的模型作为最终的调制识别模型。 [0079] 优选的,S4步骤具体为: [0080] 分别利用多种调制方式生成信号波形,取固定维度的信号波形作为样本,其对应的原始符号作为标签,生成数据集;在已生成的数据集的基础上,分别加入多种不同信噪比的高斯白噪声,构成含噪数据集;分别利用多种不含噪和含噪的数据集对模型进行训练,选取准确率最高的模型作为最终的解调模型;针对每种调制方式分别离线训练解调模型,在测试阶段,根据调制识别模型的输出结果自动选取解调模型,实现水声信号智能接收。 [0081] 本发明的有益效果: [0082] 本发明的基于降噪神经网络的水声信号智能接收方法,首先对信号样本进行特征优化处理,采用径向基函数插值法对生成的水声信号的每个符号样本进行插值,并对信号进行周期归一化,增强了信号的时域特征表示,使模型能够获取更加丰富的特征细节。 [0083] 其次采用降噪扩散概率模型,能够过滤信号的多种不同尺度的噪声,获取信号更具鲁棒性的表征,减少噪声对信号的干扰。并利用混合深度神经网络模型提取信号的相位和幅度特征,利用卷积神经网络获取信号局部特征,利用循环神经网络获取时序特征,识别信号的调制方式并进行解调,能够实现针对未知调制方式信号的智能准确接收,且信号接收的效率高、稳定性和灵活性强。附图说明 [0084] 图1是本发明的一种实施例的整体流程示意图; [0085] 图2是本发明的一种实施例的降噪扩散概率模型结构示意图; [0086] 图3是本发明的一种实施例的混合神经网络分类模型结构示意图。 具体实施方式[0087] 为了使本发明实现的技术手段、创造特征与达成功效易于理解,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进一步清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。 [0088] 本发明提供的一种基于降噪神经网络的水声信号智能接收方法,如图1所示,包括以下步骤: [0089] S1生成用于训练的包含多种调制方式的水声信号样本,对样本进行特征优化处理,采用径向基函数插值法对生成的水声信号的每个符号样本进行插值,并对信号进行周期归一化,具体方法为: [0090] S1.1生成水声信号并进行特征优化处理 [0091] 利用MATLAB生成调制后的信号波形,将代表单个符号的采样点映射到正交的两路并进行拼接,得到易于区分幅度和相位典型特征的信号波形;基带调制信号如下所示: [0092] ; [0093] 其中, 表示基带调制信号, 是信号在同相分量上的振幅实部, 是信号在正交分量上的振幅虚部, 表示 的实部, 表示 的虚部; [0094] 基带调制信号将与一个频率固定的载波相乘,以在水下无线信道中传输,并被接收机所接收和处理;最终经过特征优化处理后的信号序列如下所示: [0095] ; [0096] 其中, 代表处理后的幅度‑相位特征, 代表载波频率; [0097] S1.2采用径向基函数插值法对水声信号进行插值 [0098] 对于单个符号对应采样点数量较少的信号波形,选择原始的采样点作为径向基函数的中心点,确定高斯宽度参数 ,对于每个中心点,使用最小二乘法计算权重系数;使用确定的中心点、高斯宽度参数和权重系数来构建一个逼近函数,用于信号插值;逼近函数可表示为: [0099] ; [0100] 其中, 是构建的逼近函数, 是中心点的数量, 是每个中心点对应的权重系数, 是每个中心点的位置, 是高斯函数的宽度参数,控制基函数的宽度; [0101] S1.3对信号进行周期归一化 [0102] 在信号波形的每个载波周期内对信号进行min‑max归一化,具体公式如下: [0103] ; [0104] 其中, 是原始信号幅值, 是载波周期内最小幅值, 是载波周期内最大幅值。 [0105] S2建立改进降噪扩散概率模型(Denoising Diffusion Probabilistic Models,DDPM),使用S1处理的信号对模型进行训练,在建立向前降噪扩散概率模型阶段,对信号逐步添加高斯噪声;在建立反向降噪扩散概率模型阶段,预测信号样本的高斯噪声分布,建立U‑Net神经网络并训练,提取信号特征,对信号进行降噪,具体方法为: [0106] S2.1建立前向降噪扩散概率模型 [0107] 在前向过程,输入的原始信号将被逐渐叠加高斯噪声,构成一个马尔科夫链,对于一个确定的数据分布 ,每一步的过程如下所示: [0108] ; [0109] ; [0110] 其中, 指由 得到 的先验概率, 指加噪 次后的信号数据,而是前一时刻的数据, 代表正态分布, 是在每一次加噪时的方差, 表示单位矩阵,用于确定扩散的速度和幅度, 代表第1个时刻到第 个时刻得到的数据集合;上述公式表示,由 得到 的过程,满足以 为均值, 为方差的高斯分布,在经过加噪后,原始信号逐渐变为纯噪声; [0111] S2.2建立反向降噪扩散概率模型 [0112] 基于前向过程产生的含噪声信号来预测原始无噪声信号,每一步的过程如下所示: [0113] ; [0114] ; [0115] 其中, 表示加噪 次后的信号数据, 表示未加噪声的信号数据, 表示加噪次数, 代表逆扩散过程近似模型, 代表产生加噪 次的信号数据概率,代表由 得到 的先验概率, 代表在 时服从在 到 均匀分布的值; [0116] 为了计算反向过程中每一步的 ,根据已知的 和 得到以下后验扩散概率计算公式: [0117] ; [0118] 其中, 指加噪 次后的信号数据, 指未加噪声的信号数据, 是在每一次加噪时确定的一个0到1之间的固定值, 表示单位矩阵,用于确定扩散的速度和幅度,表示经过 次噪声处理后的信号 与未经处理的原始信号 之间的差异估计值, 表示后验扩散条件概率, 代表正态分布; [0119] 基于贝叶斯公式,采用如下方法计算后验扩散概率: [0120] ; [0121] 其中, 表示加噪 次后的信号数据, 表示未加噪声的信号数据,表示后验扩散条件概率; [0122] S2.3建立U‑Net神经网络在反向过程预测信号中的噪声 [0123] U‑Net神经网络包括编码器和解码器结构,信号波形首先输入到由连续的五个卷积块构成的编码器当中,卷积块由两层卷积层与一层池化层组成,对信号进行特征提取及降维,其中卷积结构为3x3的卷积核;卷积层的公式如下所示: [0124] ; [0125] 其中, 表示输入信号, 表示卷积核, 是卷积结果的输出值,是输入信号的元素值, 是卷积核的权重; [0126] 池化层的公式如下所示: [0127] ; [0128] 其中, 表示输入信号, 是池化结果的输出值, 是池化窗口内的元素值, 是池化的步幅, 是池化窗口的大小; [0129] 编码器输出尺寸减小的特征图经过五层连续的反卷积块恢复原始尺寸,其中,反卷积块包含两层卷积核尺寸为3x3的卷积层以及一层反卷积层,反卷积层过将卷积核进行水平和垂直翻转,然后与输入特征图进行卷积操作来实现。 [0130] S3建立由卷积层、循环层和注意力层构成的混合深度神经网络模型,提取信号特征,基于S1和S2处理的信号,将信号的调制方式作为标签;利用调制标签数据集来训练混合神经网络模型,识别水声信号的调制方式,具体方法为: [0131] S3.1建立特征提取模块 [0132] 信号首先经过一个由三层卷积神经网络组成的特征提取模块,采样点所包含的信号相位与频率信息将被提取,并被映射为一个固定维度的特征向量;这里采用了如下的一维卷积公式进行计算: [0133] ; [0134] 其中, 是输入的信号序列, 是一个卷积滤波器, 表示一维卷积操作的结果序列, 是输出序列中的索引位置, 是卷积核 中的索引位置, 表示输入信号的元素值, 表示卷积核的权重; [0135] S3.2建立分类模块 [0136] 特征向量被输入到一个由两个堆叠的双向长短期记忆神经网络组成的分类模块,这个模块可由以下公式表示: [0137] ; [0138] ; [0139] ; [0140] ; [0141] ; [0142] ; [0143] 在上述公式中, 、 、 分别是遗忘门、输入门、输出门的输出, 是S型生长曲线, 表示遗忘门计算结果, 是遗忘门的权重矩阵, 是上一时间步的隐含状态, 是当前时间步的输入, 是新的候选细胞状态, 和 分别是输入门和候选细胞状态的权重矩阵, 和 是输入门和候选细胞状态的偏置项; 表示时间步 的正向细胞状态, 表示时间步 的正向隐藏状态,在模块中利用细胞状态、隐含状态、遗忘门、输入门和输出门来控制信息流动; [0144] S3.3建立全局感知模块 [0145] 在两个堆叠的双向长短期记忆神经网络之间,加入了基于多头注意力机制的全局注意力感知模块,用于增强模型对于全局信息的捕捉能力;该模块的计算方法如下: [0146] ; [0147] ; [0148] ; [0149] 其中, 、 和 都是原始输入向量乘一个特定系数得到的线性变换, 代表第次独立的注意力计算,得到新的输出向量 , 将多个独立的注意力加权序列输出连接在一起,乘一个权重,生成最终的输出 ;每一次计算,都会利用 函数来生成一个注意力输出 , 的计算公式 如下: [0150] ; [0151] 其中, 代表向量 的第 个元素, 为第 个类别的概率, 表示对所有类别的指数项求和,用于归一化,确保了输出的是一个概率分布,因为所有概率值的总和为1; [0152] 在神经网络模型的最后部分,使用了 函数来输出信号调制方式类别,计算多分类交叉熵损失来评价模型的预测效果,并采用自适应矩估计算法优化模型参数; [0153] S3.4使用预生成的水声信号训练模型 [0154] 分别利用BPSK、QPSK、8PSK、2FSK、4FSK、2ASK、16QAM等多种调制方式生成信号波形,取固定维度为1*1000的信号波形作为样本,其对应的调制方式作为标签,生成数据集;在已生成的数据集的基础上,分别加入多种不同信噪比的高斯白噪声,构成含噪数据集;分别利用多种不含噪和含噪的数据集对模型进行训练,选取准确率最高的模型作为最终的调制识别模型。 [0155] S4基于S1和S2处理的信号构建数据集,每个样本包含单个符号所对应数量的采样点数,模型将信号的原始符号作为标签进行分类;利用原始标签数据集来训练混合神经网络模型,对信号进行解调,具体方法为: [0156] 分别利用多种调制方式生成信号波形,取固定维度的信号波形作为样本,其对应的原始符号作为标签,生成数据集;在已生成的数据集的基础上,分别加入多种不同信噪比的高斯白噪声,构成含噪数据集;分别利用多种不含噪和含噪的数据集对模型进行训练,选取准确率最高的模型作为最终的解调模型;针对每种调制方式分别离线训练解调模型,在测试阶段,根据调制识别模型的输出结果自动选取解调模型,实现水声信号智能接收。 [0157] 综上,本发明的基于降噪神经网络的水声信号智能接收方法,首先对信号样本进行特征优化处理,采用径向基函数插值法对生成的水声信号的每个符号样本进行插值,并对信号进行周期归一化,增强了信号的时域特征表示,使模型能够获取更加丰富的特征细节。其次采用降噪扩散概率模型,能够过滤信号的多种不同尺度的噪声,获取信号更具鲁棒性的表征,减少噪声对信号的干扰。并利用混合深度神经网络模型提取信号的相位和幅度特征,利用卷积神经网络获取信号局部特征,利用循环神经网络获取时序特征,识别信号的调制方式并进行解调,能够实现针对未知调制方式信号的智能准确接收,且信号接收的效率高、稳定性和灵活性强。 [0158] 以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。 |