【技术实现步骤摘要】
本专利技术涉及水声通信与信号，具体涉及一种基于混合神经网络的脉冲噪声参数估计方法。
技术介绍
1、非高斯噪声广泛存在于海洋环境中，但在海洋通信模块设计中一般假设高斯噪声条件。实际噪声统计量明显偏离高斯分布，这与基于高斯噪声的通信系统的传统设计理念相矛盾。脉冲噪声下的通信系统的关键在于如何有效地消除脉冲噪声的影响。
2、非线性无记忆方法是典型的脉冲噪声抑制方法，如裁剪、消噪或裁剪/消噪组合。非记忆算法利用脉冲分量的大幅值特性，但是无法自适应地选择截断阈值，其产生的残留噪声分量容易产生误差累积。基于稀疏性的脉冲噪声抑制利用脉冲噪声的稀疏结构特性，有效地恢复脉冲分量，并从污染信号中完全移除脉冲噪声的影响。基于稀疏性的抑制方法对于具有少量脉冲分量的脉冲噪声是有效的，上述方法对于非稀疏或簇稀疏的脉冲噪声无法恢复脉冲分量甚至过度移除有用信号分量。基于统计参数的脉冲抑制方法对噪声的结构约束较小，通过将统计参数引入系统设计中可以推导或近似得到理论性能边界。然而，脉冲噪声的统计参数通常假设是已知的，这在实际应用中并不现实。当前最大似然(maximumlikelihood，ml)最优估计复杂度高并且需要大量的噪声样本。考虑低复杂度和次优的估计实现，因此目前需要一种通用的、低成本、强泛化性的估算方法，适用于非平稳的海洋噪声环境。
技术实现思路
1、本专利技术的目的是为了解决上述问题，设计了一种基于混合神经网络的脉冲噪声参数估计方法，利用典型脉冲噪声模型生成噪声数据库，建立噪声参数的非线性映射
2、本专利技术提供一种基于混合神经网络的脉冲噪声参数估计方法，所述基于混合神经网络的脉冲噪声参数估计方法主要包括如下步骤：
3、步骤一、构建非高斯参数估计的非线性映射模型：通过噪声模型或实测噪声获取噪声样本x，构建非线性映射函数f(·)，将噪声样本输入、目标参数作为输出，参数估计问题表示为：
4、
5、式中，为估计的参数；
6、步骤二、建立噪声样本数据库：通过概率分布拟合确定噪声的非高斯性，结合典型的海洋非高斯噪声模型α稳态噪声模型和高斯混合噪声模型，生成样本x和标签θ；
7、步骤三、建立基于混合神经网络噪声参数估计器：通过混合神经网络建立噪声样本的特征表征，针对噪声的时序特征，t时刻的噪声样本表示为xt，将多个时刻的噪声样本作为输入，将目标参数作为输出，参数估计问题表示为
8、
9、式中，为估计的参数，x＝{xt,xt-1,…,xt-t+1}，f(·)表示多层网络嵌套的估计函数，t为历史数据的时间窗长度；
10、步骤四、网络训练和线上部署：通过噪声训练样本集分别进行网络训练，网络训练后保存网络参数，进行线上部署应用；
11、步骤五、接收实测噪声样本进行参数离线估计，得到噪声参数，反馈给通信接收机；
12、步骤六：通信接收机利用接收到的噪声参数设计信号检测器，优化脉冲噪声下的信号检测效果。
13、可选的，在本专利技术的第一种实现方式中，步骤二中噪声模型α为稳态噪声的特征函数：
14、
15、式中，ω(t,α)和sign(t)均为分段函数，当α≠1时，ω(t,α)＝tan(πα/2)，当α＝1时，ω(t,α)＝π/2log|t|，当t＞0时，sign(t)＝1；t＝0时，sign(t)＝0；当t＜0时，sign(t)＝-1；
16、从稳态分布的随机变量x，记为：
17、x～s(α,β,γ,δ)
18、式中，α为特征指数，描述分布的重尾程度，当α＝2时，α稳态分布退化为高斯分布，当α＝1时，α稳态分布退化为柯西分布，α越小，冲激性越强，重尾程度越高，α越大，高斯性越强，重尾程度越弱；β∈[-1,1]为斜度参数，决定了分布不对称的程度；δ∈(-∞,+∞)为位置参数，表示分布中心的位置，0＜α＜1时，δ对应分布的中值；当1＜α≤2时，δ对应分布的均值；γ＞0为尺度参数，确定了分布在位置参数δ除周围的扩散程度；
19、当β＝0和δ＝0时，α稳态分布关于对称，此时α稳态分布称为对称α稳态分布。
20、可选的，在本专利技术的第二种实现方式中，步骤二中噪声模型α为高斯混合噪声的概率密度函数：
21、
22、式中，m为高斯组成分量的数目，fm(x)为第m个高斯分量的概率密度函数，0≤pm≤1为加权系数，高斯混合噪声e(n)的总方差为
23、可选的，在本专利技术的第三种实现方式中，步骤二中噪声模型α为mca噪声的概率密度函数：
24、
25、式中，a为脉冲指数，a越大，概率密度越接近高斯分布；a越小，脉冲性越强，为背景噪声和脉冲噪声功率比，
26、可选的，在本专利技术的第四种实现方式中，步骤三中噪声信号的时序特征至少包括大振幅的特性、脉冲的概率、脉冲分量的间隔、脉冲和高斯分量的功率比。
27、可选的，在本专利技术的第五种实现方式中，步骤三中利用卷积神经层和lstm模块充分探索脉冲噪声的时间特征脉冲信号的特征通过卷积层进行精炼和提取，并将高级特征输入到堆叠的lstm层中进行时间特征的学习和输出估计结果，具体包括：
28、假设噪声样本长度为l，将样本分为t个样本段，每部分长度为向下取整操作，卷积核大小为1，卷积层的输出为：
29、
30、式中，wc和bc分别表示卷积层的加权矩阵和偏差，xin为卷积层的输入，xoutput为输出特征，表示卷积操作，activation(·)表示非线性激活函数；
31、选择两层的卷积层与输入数据进行卷积，卷积核尺寸分别为1×c1和1×c2，采用‘same’填补模式，数据通过两层的卷积层，内部时序信息集成合并，卷积层的输出为：
32、xc＝fc(x)
33、式中，fc(·)表示输入和输出特征的映射函数；
34、噪声时序特征xc＝{xc,t-t+1,…,xc,t}输入多层lstm进行第二阶段的特征学习和参数估计，lstm设计遗忘门fg,t，输入门ig,t和输出门og,t，遗忘门fg,t决定了前时间步的信息哪些应该被丢弃，输入门ig,t决定了当前的输入信息，表示为：
35、fg,t＝σ(wf,hht-1+wf,xxt+wf,cct-1+bf)
36、ig,t＝σ(wi,hht-1+wi,xxt+wi,cct-1+bi)
37、式中，wh，wx和wc表示前输出状态ht-1，输入xt和前状态ct-1，b表示偏差向量，权重和偏差分别由下标f，i等区分，σ表示sigmoid激活函数；
38、数据通过lstm后，输出cell状态更新为：
39、ct本文档来自技高网...
【技术保护点】
1.一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，所述基于混合神经网络的脉冲噪声参数估计方法主要包括如下步骤：
2.如权利要求1所述的一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，步骤二中噪声模型α为稳态噪声的特征函数：
3.如权利要求1所述的一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，步骤二中噪声模型α为高斯混合噪声的概率密度函数：
4.如权利要求1所述的一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，步骤二中噪声模型α为MCA噪声的概率密度函数：
5.如权利要求1所述的一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，步骤三中噪声信号的时序特征至少包括大振幅的特性、脉冲的概率、脉冲分量的间隔、脉冲和高斯分量的功率比。
6.如权利要求1所述的一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，步骤三中利用卷积神经层和LSTM模块充分探索脉冲噪声的时间特征脉冲信号的特征通过卷积层进行精炼和提取，并将高级特征输入到堆叠的LSTM层中进行时间特征的学习和输出估计结果，具体包括
7.如权利要求1所述的一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，步骤四中在训练过程中，将参数估计的均方误差作为损失函数，表示为：
8.如权利要求1所述的一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，步骤六中接收机的误码率为：
...【技术特征摘要】
1.一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，所述基于混合神经网络的脉冲噪声参数估计方法主要包括如下步骤：
2.如权利要求1所述的一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，步骤二中噪声模型α为稳态噪声的特征函数：
3.如权利要求1所述的一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，步骤二中噪声模型α为高斯混合噪声的概率密度函数：
4.如权利要求1所述的一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，步骤二中噪声模型α为mca噪声的概率密度函数：
5.如权利要求1所述的一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，步骤三中噪声信...
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。