【技术实现步骤摘要】
本专利技术属于水下光通信，尤其涉及一种基于深度学习的水下信道仿真方法及其模型搭建方法。
技术介绍
1、在水下光通信
，目前面临的问题主要包括水下通信环境的动态性、复杂性和多变性，导致光信号在水下传播时的距离限制和信号质量下降的问题，对水下通信系统的稳定性和可靠性产生重要影响，需要一个真实可靠的水下无线光通信信道模型，以完全捕捉通信系统各部分对信号传输的影响。传统的蒙特卡洛仿真模拟方法通过仿真大量光子的运动轨迹模拟光束在水中传播的过程，建模方法主要关注水环境对光信号的物理衰减，却忽略了通信设备对信号传输的影响，这导致对水下无线光通信系统的信道特性建模不够全面。近年来，深度学习网络在信道建模方面取得了显著进展，但在新的水体数据集上存在遗忘原有信道状态的问题，以及对表现出较差的性能导致模型效果不佳。
2、因此，为了提高水下无线光通信系统的泛化能力，需要一种新的信道建模方法，来解决现有技术的缺点，提高水下光通信系统的泛化性能、减少过拟合风险，并能够适用于不同类型的水体，从而提升系统的性能和可靠性。
技术实现思路
1、针对上述问题，本专利技术第一方面提供了一种基于深度学习的水下信道仿真模型搭建方法，包括以下过程：
2、步骤1，基于搭建的水下激光数字通信系统，采集多种水质条件下的接收信号、对应的发射信号和对应的水质衰减系数作为水下光通信的数据集；
3、步骤2，对步骤1采集的数据集进行预处理，划分训练集和测试集；
4、步骤3，基于多头注意力机
5、将amsar模块嵌入到cnn、mlp或gan任意一种主干网络模型中，对相应网络结构进行调整和优化，搭建为水下信道仿真器模型；将发送信号、水体衰减系数作为模型输入，模型最终输出为模拟该水体下的接收信号；
6、步骤4，使用步骤2中预处理后的训练集对步骤3中构建的水下信道仿真器模型进行训练；
7、步骤5，使用步骤2中的测试集对训练后的水下信道仿真器模型进行测试，选取验证生成信号更稳定的模型作为最终模型。
8、优选的，所述步骤2中对数据集进行预处理具体包括：
9、对数字序列进行数据编码和重构的操作，根据数字序列中每个元素的取值，零或者非零，生成对应全零或全一的数组，再将生成的数组添加新的维度并存储到一个列表中；然后将列表中的所有数组沿着第0轴拼接成一个新的数组；最后调整新数组的形状大小为批量大小×100 ×20的维度；将训练数据的水体按衰减程度进行标签编码处理。
10、优选的，所述amsar模块的具体结构为：
11、由多个头的自注意力机制组成，每个头单独计算注意力权重，公式如下：
12、
13、其中，是q或k的维度；
14、然后，将每个头的与对应的数值特征相乘得到权重输出，将此时每个头部的输出并行方式连接到一个全连接层中，得到的线性变换如下：
15、
16、为全连接层的输出；
17、再对全连接层的输出进行自适应归一化处理，经过softmax函数，根据输入数据的特征动态地调整每个头部的权重，最后将每个头的输出根据权重加权求和得到注意力分数：
18、
19、为注意力头部的个数。
20、优选的，所述amsar模块多头注意力的多头数目，基于主干cnn网络的多头数目设置为8，基于主干mlp或gan网络的多头数目设置为4。
21、优选的，所述amsar模块中的最后一层为残差模块，用于防止出现梯度消失或者爆炸等问题和优化网络；所述残差模块连接一个线性整流单元lr；所述残差块的输入通道，主干cnn网络通道数为64，主干mlp通道数为2000，主干gan中生成器的通道数为20；
22、残差模块输出的结果公式如下：
23、
24、为最终的输出结果；为经过amsar模块后的输出；为输入数据。
25、优选的，将amsar模块嵌入到cnn主干网络模型中的具体结构为：
26、包括两层一维卷积层；所述卷积层采用最大池化的方法进行特征提取；再添加一个全连接层将特征向量映射到隐藏层中，激活函数为tanh；然后将此时的数据作为amsar模块的q、k、v输入。
27、优选的，将amsar模块嵌入mlp主干网络模型中的具体结构为：包括四层全连接层；所述amsar模块放在多层感知机的开头，能够有效捕捉输入数据中的重要特征和关系；输入数据作为amsar模块的q、k、v值，计算注意力权重，得到最终的amsa输出再经过mlp网络；所述四个全连接层的激活函数为relu激活函数。
28、优选的，将amsar模块嵌入gan主干网络模型中的具体结构为：包括生成器部分和判别器部分；所述amsar模块添加到生成器部分；所述生成器部分的输入包括x真实信号样本和z约束条件；所述为满足高斯分布的噪声样本；所述生成器部分包括一维卷积层、全连接层、 amsar模块、relu和tanh激活函数；所述全连接层用于将amsar模块的输出投影到与输入数据相同维度的空间；所述amsar模块连接到全连接层后面用于更加捕捉数字序列中的特征信息与位置信息；所述判别器部分包括一维卷积层、relu激活函数；所述判别器用于判别信号是生成器生成或者是真实的信号。
29、本专利技术第二方面还提供了一种基于深度学习的水下信道仿真方法，包括以下过程：
30、获得水下发送信号的数据以及水体衰减系数；
31、将获得水下发送信号数据以及水体衰减系数输入到如第一方面所述的搭建方法所搭建的水下信道仿真模型中；
32、输出模拟信道的接收信号。
33、本专利技术第三方面还提供了一种基于深度学习的水下信道仿真设备，所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如第一方面所述的搭建方法所搭建的水下信道仿真模型的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，使处理器执行一种基于深度学习的水下信道仿真方法。
34、本专利技术第四方面还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有如第一方面所述的搭建方法所搭建的水下信道仿真模型的计算机执行程序，所述计算机执行程序被处理器执行时，使处理器执行一种基于深度学习的水下信道仿真方法。
35、与现有技术相比，本专利技术具有如下有益效果：
36、本专利技术提出了一种基于深度学习的水下信道仿真方法及其模型搭建方法，提出一种提高泛化能力的amsar模块结构分别嵌入到cnn、mlp和gan网络中。本专利技术提出的amsar本文档来自技高网...
【技术保护点】
1.一种基于深度学习的水下信道仿真模型搭建方法，其特征在于，包括以下过程：
2.如权利要求1所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于，所述步骤2中对数据集进行预处理具体包括：
3.如权利要求1所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于，所述AMSAR模块的具体结构为：
4.如权利要求1所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于：所述AMSAR模块多头注意力的多头数目，基于主干CNN网络的多头数目设置为8，基于主干MLP或GAN网络的多头数目设置为4。
5.如权利要求3所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于：
6.如权利要求3所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于，将AMSAR模块嵌入到CNN主干网络模型中的具体结构为：
7.如权利要求3所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于，将AMSAR模块嵌入MLP主干网络模型中的具体结构为：包括四层全连接层；所述AMSAR模块放在多层感知机的开头，能够
8.如权利要求3所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于，将AMSAR模块嵌入GAN主干网络模型中的具体结构为：包括生成器部分和判别器部分；所述AMSAR模块添加到生成器部分；所述生成器部分的输入包括x真实信号样本和z约束条件；所述为满足高斯分布的噪声样本；所述生成器部分包括一维卷积层、全连接层、AMSAR模块、ReLU和Tanh激活函数；所述全连接层用于将AMSAR模块的输出投影到与输入数据相同维度的空间；所述AMSAR模块连接到全连接层后面用于更加捕捉数字序列中的特征信息与位置信息；所述判别器部分包括一维卷积层、ReLU激活函数；所述判别器用于判别信号是生成器生成或者是真实的信号。
9.一种基于深度学习的水下信道仿真方法，其特征在于，包括以下过程：
10.一种基于深度学习的水下信道仿真设备，其特征在于：所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如权利要求1至8任意一项所述的搭建方法所搭建的水下信道仿真模型的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，使处理器执行一种基于深度学习的水下信道仿真方法。
...【技术特征摘要】
1.一种基于深度学习的水下信道仿真模型搭建方法，其特征在于，包括以下过程：
2.如权利要求1所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于，所述步骤2中对数据集进行预处理具体包括：
3.如权利要求1所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于，所述amsar模块的具体结构为：
4.如权利要求1所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于：所述amsar模块多头注意力的多头数目，基于主干cnn网络的多头数目设置为8，基于主干mlp或gan网络的多头数目设置为4。
5.如权利要求3所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于：
6.如权利要求3所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于，将amsar模块嵌入到cnn主干网络模型中的具体结构为：
7.如权利要求3所述的一种基于深度学习的水下信道仿真模型搭建方法，其特征在于，将amsar模块嵌入mlp主干网络模型中的具体结构为：包括四层全连接层；所述amsar模块放在多层感知机的开头，能够有效捕捉输入数据中的重要特征和关系；输入数据作为amsar模块的q、k、v值，计算注意力权重，得到最终的amsa...
【专利技术属性】
技术研发人员：付民，王新慧，张岩，孙梦楠，郑冰，
申请(专利权)人：中国海洋大学，
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。