基于卷积神经网络的水声通信调制识别

姚晓辉，杨宏晖，李益青

（西北工业大学航海学院，西安 710072）

1 引 言

随着现代军事对信息获取和处理需求的不断提升，水声通信信号的调制识别成为研究的重点。水声通信信号的调制识别广泛应用于水声对抗、信号识别、干扰辨识和信号监测等领域。目前使用的调制识别方法往往需要较多的调制参数作为先验知识，然而，海洋环境的复杂性、目标类别多样性、同类目标间的特征离散性以及异类目标间的特征相似性等因素使得水声信道具有复杂的时变、空变和频变特性，除了造成信号衰减，还会造成信号的时域扩展及频域畸变，使得水声通信信号的识别越来越困难［1-2］。传统的水声通信信号的调制识别方法主要包括特征提取和分类器设计两部分。通常提取的特征主要有瞬时特征［3］、信号包络特征［4］、相位和频率的统计特征［5］、能量统计特征［6］、小波变换特征［7-8］、高阶累积特征［9］、循环谱特征［10-11］、频谱特征及星座图［12］等。常用的分类器主要有支持向量机［7］、随机森林［6］、近邻分析［10］、Softmax［13］等。传统识别方法需要大量的先验知识，而所需的先验知识在非合作水声通信中不容易得到，需要借助其他算法，例如载频估计、噪声估计［14］等，由于需要计算多种特征值，传统识别算法的计算量较大。此外，目前的通信信号调制识别中，一般假设噪声符合高斯分布，与实测的噪声数据相差较大［15］。在面对复杂多变的海洋水声信道环境时，传统识别方法往往缺乏良好的适应性。因此，研究水声信道对水声通信信号识别性能的影响，从水声通信信号中挖掘出信号的固有特性和变化规律，构建稳健的识别系统，提高识别系统的准确性、抗噪性和鲁棒性是水声通信信号调制识别领域急需解决的问题。

深度学习是机器学习的一个分支领域。其本质上是构建含有多隐层的机器学习架构模型，通过大规模数据进行训练，得到大量更具代表性的特征信息［18］，从而对样本进行分类和预测，提高分类和预测的精度。近年来深度学习在通信信号识别领域也得到了一定的应用，例如利用深度神经网络作为分类器来改善分类性能［16］、使用深度自编码网络进行特征降维［13］等。卷积神经网络（Convolutional Neural Network，CNN）是一种包含卷积层和降采样层的深度神经网络模型，可以用来从水声通信信号的各类时频图像中直接提取调制方式的特征，深度卷积神经网络具有的局部权值共享、局部接受域、子抽样等特殊学习结构不仅可以降低特征学习的复杂性，而且还具有对位移、缩放及其他形变的不变性的特点［19］。利用深度卷积神经网络可以提取水声通信信号调制的稳健特征。深度卷积神经网络的这些特性为水声通信信号的调制识别提供了新的理论基础。

本文首先对水声信道和水声通信信号进行仿真，然后针对实际海洋环境噪声和多径效应，引入非高斯噪声和多种不同的水声信道。在研究卷积神经网络对位移、缩放及其他形变的不变性的特点基础上，建立了基于卷积神经网络的水声通信信号调制识别系统，对不同水声信道环境下的通信信号进行调制。实验结果表明，采用卷积神经网络对水声通信信号的调制方式进行识别可以取得较好的识别效果。

2 基于卷积神经网络的水声通信调制识别

2.1 卷积神经网络的结构

卷积神经网络是一种包含卷积层和降采样层的深度神经网络模型。卷积神经网络的基本组成部分为卷积层和池化层，卷积层与池化层交替设置。

卷积层是卷积神经网络中最重要的组成部分之一，卷积层的存在使得神经网络中层与层之间的神经元不再是全连接形式，而是利用层间局部空间相关性将相邻每一层的神经元节点只与和它相近的上层神经元节点连接，即局部连接。在卷积神经网络中，卷积层的每一个卷积滤波器重复的作用于整个输入层。每一个卷积滤波器共享相同的参数，包括相同的权重矩阵和偏置项。

卷积网络的局部连接和权值共享结构使网络在对图像进行特征学习时不用考虑局部特征的位置，同时大大降低了需要学习的参数数量。在处理过程中选择合适的卷积核对获取输入信号中的重要信息至关重要。图1所示为卷积运算示例。

图1 卷积神经网络中的卷积运算过程Fig.1 Convolution operation in CNN

在通过卷积获取样本特征之后，这些特征将会用于分类。直接使用所有提取的特征训练分类器，会产生极大的计算量，同时容易产生过拟合。为了解决这个问题，在获取样本的卷积特征之后，要通过降采样对卷积特征进行降维。通常使用池化方法进行降采样，常用的池化方法有最大值池化和平均值池化，即将卷积特征划分为若干个不相交区域，用这些区域的最大（或平均）特征来表示降维后的卷积特征，如图2和图3所示。这些降维后的特征更容易进行分类。

降采样的主要作用是减小来自上层隐藏层的计算复杂度，并且由于降采样单元具有平移不变性，即使样本有小的位移，提取到的特征依然保持不变。即降采样增强了对位移的鲁棒性，降采样是一个高效的降低数据维度的采样方法。

图2 最大池化Fig.2 Max pooling

图3 平均池化 Fig.3 Mean pooling

2.2 基于卷积神经网络的水声通信调制识别系统

卷积神经网络可以从水声通信信号的各类时频图中提取信号调制方式的特征，网络具有的局部连接、权值共享、降采样等特点不仅可以降低特征学习的复杂性，而且还具有对位移、缩放及其他形变的不变性的特点。针对海洋环境复杂、信道多途、目标类别多样性等因素对通信信号调制识别的影响，利用卷积神经网络可以提取水声通信信号调制的稳健特征。

本文提取了水声通信信号的时频作为卷积神经网络的输入数据，使用卷积层和池化层对时频图进行特征提取，从而有效地对信号类型进行识别。所构建的基于卷积神经网络的水声通信调制识别系统结构如图4所示，所使用的卷积神经网络是一种多层的监督学习神经网络。采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过迭代训练提高网络的精度。卷积神经网络的低层隐藏层是由卷积和降采样层交替组成，高层是全连接层对应传统多层感知器的隐藏层和分类器。第一个全连接层的输入是由卷积层和降采样层进行特征提取得到的特征。最后一层输出层是一个分类器，用于对特征进行分类。

图4 基于卷积神经网络的水声通信调制识别系统Fig.4 Underwater acoustic communication modulation recognition system based on CNN

3 海洋环境下的水声通信信号仿真及分析

本文研究浅海环境下的水声通信调制识别，浅海水声信道是随机时变、空变、频变的恶劣无线信道，多径传播强烈多变，引起接收信号的剧烈起伏和码间干扰，可用频带有限。同时浅海信道的环境噪声和船舶噪声也降低了接收信号的信噪比。本文选取的浅海水声环境深度为100m，声速梯度如图5所示。

图5 声速剖面图Fig.5 Sound velocity profile

仿真信道中的声源和接收点的深度为50m，四组水声信道（A、B、C和D）的距离分别为0.5km、2km、5km和10km。多径传播条件下信道A的频率选择性衰落曲线如图6～9所示。

从图6～9可以看出，四个水声信道的频率衰落曲线都类似于“梳状滤波器”，通带和阻带交替出现，都表现出了一定的频率选择衰落特性。

实际接收到的通信信号除了受到水声信道频率选择性衰落的影响外，都不可避免地受到海洋环境噪声的影响，通常在浅海水声研究过程中，一般假设噪声符合高斯分布，用均值和方差来描述噪声的统计特征，然而在实测的噪声数据中，有显著的脉冲，波动较大，它们并不符合高斯分布，可以认为浅海水声信道噪声是一种无限方差的随机过程。由于水声信道噪声来自于很多个噪声源，根据广义中心极限定理，可用Alpha稳定分布过程来模拟这种噪声。大量的Alpha参数估计实验表明，大部分的海洋噪声的Alpha平均值为1.8［5］，本文选取α=1.8的稳态分布噪声作为仿真信道的噪声，噪声信号如图10所示。

图6 信道A的频率选择性衰落曲线Fig.6 Frequency selective fading curve of channel A

图7 信道B的频率选择性衰落曲线Fig.7 Frequency selective fading curve of channel B

图8 信道C的频率选择性衰落曲线Fig.8 Frequency selective fading curve of channel C

图9 信道D的频率选择性衰落曲线Fig.9 Frequency selective fading curve of channel D

图10 α=1.8的稳态分布噪声波形Fig.10 Alpha stable distribution of α=1.8

4 水声通信调制识别实验

4.1 实验数据构建

实验所采用的通信信号样本由MATLAB仿真生成，调制类型包含有BFSK、QFSK、BPSK、SSB。仿真信号通过A、B、C和D四个水声信道得到接收信号。四种信号的频率范围为1～15kHz，信噪比范围为-5～15dB，每类样本个数为2000，如表1所示。

表1 水声通信信号的仿真参数Table 1 Simulation Parameters of underwater acoustic communication

4.2 实验结果及分析

水声通信调制识别实验在仿真条件下进行，使用信道A的接收信号作为训练数据训练基于卷积神经网络的水声通信调制识别系统。卷积神经网络结构设置如图4所示，训练样本批次大小为100，设置训练迭代终止条件为验证集识别误差小于0.03且保持稳定，如图11所示。

图11 卷积神经网络训练迭代过程Fig.11 Training process of convolution neural network

使用A信道的接收信号训练卷积神经网络，分别对A、B、C、D四个信道的接收信号进行调制识别，四个信道接收信号的正确识别率结果随信噪比的变化如图12～15所示。

图12 信道A接收信号的识别结果Fig.12 Recognition results of channel A

图13 信道B接收信号的识别结果Fig.13 Recognition results of channel B

图14 信道C接收信号的识别结果Fig.14 Recognition results of channel C

图15 信道D接收信号的识别结果Fig.15 Recognition results of channel D

从图12～15可以看出，使用信道A的接收信号训练水声通信调制识别系统，对A、B、C、D四个信道的接收信号分别进行调制识别，可以有效识别四种调制方式。

综合四个信道接收信号的识别结果，可以得到四个信道的正确识别率随信噪比的变化，如图16所示。

图16 不同信道接收信号的识别结果Fig.16 Recognition results of all channels

从图16可以看出，使用信道A的接收信号对不同信道的接收信号进行调制识别，在信噪比为-5dB时，正确识别率均在85%左右，当信噪比大于0dB时，信道A和信道C的正确识别率高于95%，信道B和信道D的正确识别率高于90%。说明使用信道A的接收信号训练的调制识别系统可以有效识别不同信道的接收信号，即识别系统在不同的水声信道环境下具有良好的适应性。

5 结 论

本文提出了基于卷积神经网络的水声通信信号的识别方法，由仿真实验结果可以看出，通信信号调制识别的正确识别率可以达到85%以上，即使用卷积神经网络进行水声通信调制识别，对不同的海洋水声信道具有良好的适应性，证明了所提出方法的有效性。由于本文所使用的数据为仿真数据，算法在实际应用中面对更复杂的海洋环境的识别性能有待进一步研究。