声信号论文提纲,调制方式识别论文提纲

基于深度融合神经网络的水声通信调制方式智能识别方法研究

摘要：海洋信息技术是发展海洋事业的重中之重,对国家海洋领土安全、海洋资源开发、海洋气候预警、渔业与船只制造业等产业进步有着至关重要的作用,水声通信技术是海洋信息技术的关键组成部分,水声通信的工作方式分为合作式与非合作式两种。在合作式水声通信系统中,调制方式智能识别技术使接收端自动识别接收信号的调制方式,确保采用正确的解调方式恢复数据,提高水声通信系统数据传输的高效性和可靠性。在非合作式水声通信系统中,调制方式智能识别技术能够提高识别速度与准确率,满足各个领域对信号调制方式识别实时性与准确性的需求。然而水下环境复杂、通信收发端性能有限、水声信号不充足,使得水声通信调制方式智能识别方法的发展面临巨大挑战,具体包括:第一,调制方式识别算法性能取决于特征提取的有效性,复杂的海洋环境会严重干扰水声信号特征;第二,复杂度高的水声信号调制方式识别算法难以部署在算力受限、能量有限的水下通信节点;第三,基于仿真数据或仿真信道研究设计的水声信号调制方式识别算法不适用于实际海洋通信场景。针对上述问题,本文提出一种基于深度融合神经网络的水声信号调制识别方法,可有效提取水声信号的有效特征,并通过优化模型的网络结构降低算法的复杂度,最后基于课题组前期获取的南海、黄海海域水声信号数据集验证了算法的性能优势。本文完成的主要工作与创新点包括:（1）针对特征提取有效性问题,通过合理设计网络纵向结构,有效提取信号特征,保证模型准确率。首先,由具有时序数据特征提取能力的循环层构成该模型的浅层、卷积层构成该模型的深层,以弥补循环神经网络层特征提取能力的不足,基于融合网络模型自动提取水声信号调制方式最具描述性的特征。其次,所提模型去除了神经网络的池化层,避免了因池化作用引起的信号特征丢失问题,保证网络模型提取特征的准确率。（2）针对算法复杂度高的问题,通过合理设计网络横向结构,在保证模型准确率的前提下有效降低网络模型复杂度。首先,改进卷积层设计,采用一维卷积核代替二维卷积核构成该模型的卷积层,有效减少网络参数。其次,优化网络整体结构,采用多分支架构设计模型的卷积层,该架构拓宽了网络宽度,进一步提升模型学习能力。（3）通过与基于各类机器学习算法的水声信号调制方式识别比较,验证所提算法的性能优势。本文提取现有研究中识别信号调制方式的常用特征,分别基于决策树、K最邻近与支持向量机等各类机器学习算法,采用网格搜索法确定各类机器学习算法的最佳参数设定,识别水声信号调制方式。结果表明,基于南海、黄海海域的实际水声信号数据验证,各类机器学习算法识别准确率均不高于60%。（4）通过与基于各类深度学习算法与本文所提模型的水声信号调制方式识别比较,验证所提算法的性能优势。分别采用深度学习中经典的Le Net5、Al ex Net8、LSTM、CNN-LSTM网络模型与本文所提神经网络模型,识别水声信号调制方式。在相同的参数设定下,基于南海、黄海海域水声信号数据验证各类神经网络模型的性能。结果表明,本文所提深度融合神经网络模型均优于上述深度学习、机器学习算法,识别准确率99%以上,信号调制方式的平均识别时间仅约为7ms。（5）基于本文所提神经网络模型,采用树莓派Zero 2W嵌入式设备,开发设计了一套水声信号调制方式识别系统,并将模型移植到该嵌入式设备。实际工程验证表明,该系统有效识别了BFSK、QPSK、BPSK、QFSK、16QAM、64QAM、OFDM和DSSS等8种调制方式的水声信号。综上所述,本文在水声信号调制方式识别领域开展了相关工作,分别开展了基于机器学习算法与深度学习算法的水声信号调制方式识别研究,提出了一种深度融合神经网络模型,构建了水声信号调制方式识别系统,基于实际海域数据测试验证了所提模型相较于上述算法具有更好的识别性能。该工作对指导水声信号调制方式识别算法的研究具有重要理论意义,促进了自适应调制编码技术的发展,推动了海洋信息技术的进步,未来在军事和民用方面都有巨大应用空间。 

关键词：声信号;调制方式识别;

文章目录

摘要

abstract

1 绪论

    1.1 研究背景及意义

    1.2 国内外研究现状

        1.2.1 基于机器学习的信号调制方式识别

        1.2.2 基于深度学习的信号调制方式识别

    1.3 论文研究内容与组织结构

        1.3.1 论文主要研究内容

        1.3.2 论文的组织结构

    1.4 本章小结

2 水声信号数据收集

    2.1 水声通信系统

    2.2 海试试验

3 基于机器学习的水声信号调制方式识别

    3.1 水声信号特征提取

    3.2 机器学习算法

        3.2.1 决策树算法

        3.2.2 K最邻近算法

        3.2.3 支持向量机算法

    3.3 试验结果分析

4 基于深度融合神经网络的水声信号调制方式识别

    4.1 R&CNN模型

        4.1.1 水声信号预处理

    4.2 R&CNN的架构

        4.2.1 循环层部分的设计

        4.2.2 卷积层部分的设计

        4.2.3 全连接层部分的设计

    4.3 模型训练

        4.3.1 损失函数

        4.3.2 优化器

        4.3.3 训练与验证环境

    4.4 试验结果分析

5 基于树莓派Zero 2W的水声信号调制方式识别系统

    5.1 树莓派Zero 2W简介

    5.2 系统设计

        5.2.1 客户端

        5.2.2 服务端

    5.3 结果展示

6 总结与展望

    6.1 工作总结

    6.2 未来的工作与展望

参考文献

[1]基于循环神经网络的卫星幅相信号调制识别与解调算法[J]. 查雄,彭华,秦鑫,李天昀,李广.  电子学报. 2019(11)

[2]基于多端卷积神经网络的调制识别方法[J]. 查雄,彭华,秦鑫,李广,李天昀.  通信学报. 2019(11)

[3]一种水声通信信号调制模式识别方法[J]. 周青,孙海信,周明章.  通信对抗. 2017 (02)

[4]利用局部密度与距离特征的MFSK识别方法[J]. 沈连腾,巩克现,范磊,潘一苇.  信号处理. 2016(12)

[5]采用支持向量机的水声通信信号调制识别方法[J]. 江伟华,曹秀岭,童峰.  厦门大学学报(自然科学版). 2015(04)

[6]通信信号调制方式识别方法综述[J]. 曾创展,贾鑫,朱卫纲.  通信技术. 2015(03)

[7]Digital modulation recognition based on instantaneous information[J]. HU You-qiang1, LIU Juan2, TAN Xiao-heng2 1. College of Automation, Chongqing University, Chongqing 400030, China 2. Center of Communication and Tracking Telemetering Command, Chongqing University, Chongqing 400030, China.  The Journal of China Universities of Posts and Telecommunications. 2010(03)