本发明专利技术提供了一种基于神经网络架构搜索的水声通信调制方式识别方法，针对基于深度学习的水声通信调制方式识别方法人工调参耗时繁琐、模型不匹配、低信噪比下性能不足等问题，通过神经网络架构搜索方法在数据集上自动搜索匹配水声通信调制方式识别任务数据分布的模型架构，对搜索出的模型架构进行训练，利用训练完成的识别模型完成对水声通信信号的调制方式识别。本发明专利技术提升了低信噪比下的识别性能，而且省去了繁琐的人工设计调整网络架构的工作。工作。工作。
【技术实现步骤摘要】
一种基于神经网络架构搜索的水声通信调制方式识别方法
[0001]本专利技术属于信息信号处理领域，涉及神经网络架构搜索、水下信号处理、水声通信调制方式识别等理论。
技术介绍
[0002]水声通信信号的调制方式识别是水下信息对抗中的关键环节，可以被用到威胁识别、敌方情报信息拦截和信息对抗干扰策略等方面，对争夺战争的主动权至关重要。由于海洋环境的复杂多变及海洋环境噪声的非平稳性等原因，水声通信调制方式识别相对于陆上的通信调制方式识别任务具有更高的难度。此外，由于无法获取到非合作水声通信信号的先验信息，只能对接收到的信号直接进行分析，且非合作信号的信噪比通常较低，这些都给水声通信信号的调制方式识别带来了极大的困难。
[0003]近年来，研究者们逐渐将传统机器学习方法和深度学习方法应用到水声通信调制方式识别的领域中来。基于传统机器学习的方法首先是根据识别需求提取相应的信号特征，然后设计分类器进行分类。这类方法的识别效果很大程度上取决于人工提取的特征，在处理一些简单的情况下是有效的，但是对于一些复杂的情况，其模型匹配效果会大大削弱。基于深度学习的方法不再利用人工经验来设计特征提取方法，而是通过深度的神经网络模型，从数据中逐层学习最本质的特征，利用深度网络强大的非线性能力挖掘数据模型的潜在结构，提高分类模型的准确度和泛化能力。但是，目前基于深度学习的识别方法需要通过人工来设计和调整神经网络架构，而且所用的模型架构往往自图像或语音领域迁移而来，与水声通信信号的数据分布形式并不匹配。此外，目前的识别方法在低信噪比的情况下识别性能依旧不佳。
技术实现思路
[0004]为了克服现有技术基于深度学习的水声通信调制方式识别方法人工调参耗时繁琐、模型不匹配、低信噪比下性能不足等问题，本专利技术提供一种基于神经网络架构搜索的水声通信调制方式识别方法，通过神经网络架构搜索方法在数据集上自动搜索匹配水声通信调制方式识别任务数据分布的模型架构，对搜索出的模型架构进行训练，利用训练完成的识别模型完成对水声通信信号的调制方式识别。
[0005]本专利技术解决其技术问题所采用的技术方案包括以下步骤：
[0006]第一步，仿真接收水声通信信号；
[0007]第二步，利用短时傅里叶变换从仿真水声通信信号样本中提取时频图特征；采用时频图矩阵的方式保存时频图特征作为数据集样本；在模型训练和测试阶段，按照设定的划分比例将数据集划分成训练集和测试集；在架构搜索阶段，按照设定的划分比例把训练集划分为小型的训练集和验证集；
[0008]第三步，利用搜索策略从搜索空间中选取候选的网络架构，然后采用网络性能评估策略对该架构进行评估，评估的结果反馈给搜索策略，不断地重复搜索和评估操作，直到
寻找到一个最优的神经网络架构；
[0009]第四步，在搜索单元架构的过程中改进模型的基础架构，即在第一个单元架构前会设计两个前置卷积模块作为前继节点来完成架构搜索工作，对前置卷积模块的类型和搜索到的正常单元与降维单元的组合方式进行改进，替换前置卷积模块的类型，降低降维层的数量，增加降维单元的数量；
[0010]第五步，在数据集上搜索并训练调制方式识别模型；在搜索阶段，通过基于梯度的搜索策略从第三步定义的搜索空间中采样出单元架构，再采用One
‑
Shot的评估方法在小型训练集上单次训练并在验证集上进行性能评估，根据评估结果更新搜索策略，用于重新采样更优的单元架构，以此循环多次，直至找到最优的单元架构；然后在模型的训练和测试阶段，采用第四步改进的基础架构构建识别模型；最后，合并小型训练集和验证集为训练集，对识别模型进行训练，以测试集上的测试结果为指标挑选出最优的识别模型用于水声通信调制方式识别任务。
[0011]所述的第一步对水声多径信道和水下冲击噪声进行仿真，接收机接收到的水声通信信号y(t)表示为式中，s(t)为发送的调制信号，h(t)为水声多径信道冲激响应，n(t)为水下冲击噪声；
[0012]所述的水声多径信道冲激响应式中，δ(t)为冲激函数，N
d
为到达接收端的声线总条数，A
i
为第i条声线幅度，τ
i
为第i(i≠1)条声线相对于第1条声线的传输时延；
[0013]基于Alpha稳定分布对水下冲击噪声进行仿真，服从该分布的随机变量特征函数表示为式中，
[0014][0015][0016]其中，α∈(0,2]为特征指数，β∈[
‑
1,1]为对称参数，γ＞0为尺度参数，μ∈(
‑
∞,+∞)为位置参数，θ表示随机变量，采用定义联合信噪比来衡量信号强度和水下冲击噪声强度的相互关系，其中，代表信号方差，γ是标准分布噪声的尺度参数。
[0017]所述搜索空间中的候选操作包括以下内容：
[0018](1)在搜索空间中采用步长为2的卷积层代替池化层进行降维操作；
[0019](2)搜索空间中的卷积层采用深度可分离卷积的形式；
[0020](3)采用空洞卷积来增大感受野和在搜索空间中加入倒置残差模块来提升架构搜索方法所得到模型架构的潜力；
[0021](4)搜索空间中采用1
×
1、3
×
3和5
×
5三种尺度的卷积核尺寸、跳跃连接和零操作作为候选操作。
[0022]所述搜索空间中选定的候选操作为：零操作、跳跃连接、1
×
1的标准卷积、3
×
3的
深度可分离卷积、5
×
5的深度可分离卷积、3
×
3的空洞可分离卷积、5
×
5的空洞可分离卷积、3
×
3的倒置残差卷积模块和5
×
5的倒置残差卷积模块。
[0023]本专利技术的有益效果是：通过神经网络架构搜索方法在水声通信调制方式识别任务数据集上自动搜索出与该任务匹配的识别模型架构，提升了低信噪比下的识别性能，而且省去了繁琐的人工设计调整网络架构的工作。
[0024]为验证本文所提出神经网络架构搜索方法的性能，对比了另外七种不同的模型，包括AlexNet、GoogLeNet、ResNet三种手工设计的经典网络架构，轻量化模型中的MobileNetV2、MobileNetV3和DARTS算法的改进版本PC
‑
DARTS以及EfficientNet。仿真实验结果表明，本专利技术提出的方法在识别性能方面跟其他模型相比有着明显的优势，由此验证了本专利技术的有效性。
附图说明
[0025]图1是本专利技术的识别方法流程图；
[0026]图2是仿真水声多径信道的归一化冲激响应示意图；
[0027]图3是Alpha稳定分布的特征指数为1.6，联合信噪比GSNR＝5dB时，LFM、2FSK、4FSK、BPSK、QPSK、DSSS和OFDM七种仿真的接收信号时频图；
[0028]图4是以单元数N＝8为例的基础架构示意图，其本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络架构搜索的水声通信调制方式识别方法，其特征在于，包括以下步骤：第一步，仿真接收水声通信信号；第二步，利用短时傅里叶变换从仿真水声通信信号样本中提取时频图特征；采用时频图矩阵的方式保存时频图特征作为数据集样本；在模型训练和测试阶段，按照设定的划分比例将数据集划分成训练集和测试集；在架构搜索阶段，按照设定的划分比例把训练集划分为小型的训练集和验证集；第三步，利用搜索策略从搜索空间中选取候选的网络架构，然后采用网络性能评估策略对该架构进行评估，评估的结果反馈给搜索策略，不断地重复搜索和评估操作，直到寻找到一个最优的神经网络架构；第四步，在搜索单元架构的过程中改进模型的基础架构，即在第一个单元架构前会设计两个前置卷积模块作为前继节点来完成架构搜索工作，对前置卷积模块的类型和搜索到的正常单元与降维单元的组合方式进行改进，替换前置卷积模块的类型，降低降维层的数量，增加降维单元的数量；第五步，在数据集上搜索并训练调制方式识别模型；在搜索阶段，通过基于梯度的搜索策略从第三步定义的搜索空间中采样出单元架构，再采用One
‑
Shot的评估方法在小型训练集上单次训练并在验证集上进行性能评估，根据评估结果更新搜索策略，用于重新采样更优的单元架构，以此循环多次，直至找到最优的单元架构；然后在模型的训练和测试阶段，采用第四步改进的基础架构构建识别模型；最后，合并小型训练集和验证集为训练集，对识别模型进行训练，以测试集上的测试结果为指标挑选出最优的识别模型用于水声通信调制方式识别任务。2.根据权利要求1所述的基于神经网络架构搜索的水声通信调制方式识别方法，其特征在于，所述的第一步对水声多径信道和水下冲击噪声进行仿真，接收机接收到的水声通信信号y(t)表示为式中，s(t)为发送的调制信号，h(t)为水声多径信道冲激响应，n(t)为水下冲击噪声；所述的水声多径信道冲激响应式中，δ(t...
【专利技术属性】
技术研发人员：姜喆，王天星，申晓红，王海燕，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。