阅读说明：本技术 一种基于深度学习的水声fbmc通信信号检测方法 (Underwater sound FBMC communication signal detection method based on deep learning ) 是由 朱雨男 王彪 聂星阳 葛慧林 刘雨佶 于 2020-05-21 设计创作，主要内容包括：本发明公开的一种基于深度学习的水声FBMC通信信号检测方法。利用训练完成的深度神经网络模型(DNN)取代传统水声FBMC通信系统接收端中的信道估计、均衡等模块,打破系统的模块化限制,自适应地学习水声信道状态信息,避免原本系统固有的虚部干扰影响,提高系统的误码率性能。本发明的有益效果：本发明在传统水声FBMC通信系统的接收端用一个训练完善的DNN代替原有的信道估计、均衡等过程。利用DNN的训练阶段获取水声信道状态信息,在测试阶段实现信号的解调恢复。在此基础上本发明又引入Adam权重更新策略和L2正则化方法优化DNN模型,进一步提升DNN的收敛效率和估计精度,本发明相较于现有基于信道估计的方法在精度和复杂度方面具有一定的优越性。(The invention discloses an underwater sound FBMC communication signal detection method based on deep learning. The trained deep neural network model (DNN) is used for replacing modules such as channel estimation and equalization in the receiving end of the traditional underwater sound FBMC communication system, the modularization limit of the system is broken, underwater sound channel state information is learned in a self-adaptive mode, the inherent imaginary part interference influence of the original system is avoided, and the error rate performance of the system is improved. The invention has the beneficial effects that: the invention uses a DNN with perfect training to replace the original processes of channel estimation, equalization and the like at the receiving end of the traditional underwater sound FBMC communication system. And acquiring underwater acoustic channel state information by utilizing a DNN training stage, and realizing demodulation and recovery of signals in a testing stage. On the basis, the invention also introduces an Adam weight updating strategy and an L2 regularization method to optimize the DNN model, further improves the convergence efficiency and the estimation precision of the DNN, and has certain superiority in the aspects of precision and complexity compared with the existing method based on channel estimation.)

一种基于深度学习的水声FBMC通信信号检测方法

技术领域

本发明涉及水声通信技术领域，具体为一种基于深度学习的水声滤波器组多载波(FBMC,Filter Bank Multi-Carrier)通信信号检测方法。

背景技术

水声信道与陆地上的无线信道存在很大不同，具有时变、频变、空变特性以及多径效应强、可利用带宽窄，信号衰减严重等特点，且易受到多种因素的干扰，导致水声通信的发展受到限制。

目前，国内外关于水声通信的研究主要以多载波调制技术为主。FBMC相比传统的OFDM而言不需要循环前缀，带外泄露低，频谱效率高且具有更好的时频聚焦特性，同时由于引入偏置正交振幅调制(OQAM,Offset Quadrature Amplitude Modulation)，系统的抗干扰性能得到很大提升。但由于FBMC通信系统仅在实数域上满足严格正交，存在固有的虚部干扰，OFDM系统中的信道估计方案均不能直接采用，很大程度上影响了信道估计的效果。为了保证系统的可靠性，近年来不断有基于训练序列和导频等信道估计方法被提出，但均未从根本上解决虚部干扰问题。

发明内容

本发明提供了一种水声信号检测方法，以解决现有技术中传统水声滤波器组多载波(FBMC)通信接收端需经过信道估计和均衡才可恢复出发送符号，系统复杂度高且信道估计精度不佳等问题。

本发明提供了一种水声信号检测方法，包括如下步骤：

步骤1：对传统水声FBMC通信系统进行反复测试，获取训练DNN所需的数据集，将数据集划分为训练集和测试集并进行数据预处理；

步骤2：根据需求确定DNN-FBMC系统各项超参数，初始化DNN各层神经元参数；

步骤3：输入训练集数据，计算当前DNN输出层正向传播的预测值；

步骤4：计算DNN的代价函数，根据代价函数进行DNN反向传播更新各层神经元参数，其中代价函数采用交叉熵函数；

步骤5：循环执行步骤3-步骤4，使得DNN达到信号检测误码率的预设要求，当代价函数不再明显减少或达到最小值时DNN完成训练，各参数停止更新，得到训练完成的DNN模型；

步骤6：将步骤5中所得DNN模型接入系统接收端进行发送信号恢复，输入测试集数据，将得到的DNN正向传播输出值作为发送信号最终预测值，与真实发送信号值进行对比，计算误码率。

进一步地，所述步骤1中的足量数据集包括：FBMC系统发送端原始发送序列x(n)、FBMC系统接收端原始复数序列y₀(n)。由于DNN更易于处理实数域数据，为使其有效工作，要对FBMC接收端的复数序列y₀(n)进行数据预处理。分别提取出复数符号的实部和虚部，并将同一符号的虚部置于其实部后面，重新组合成一个实数序列y(n)。记录330000组x(n)、y(n)形成数据集。

进一步地，所述步骤2中DNN-FBMC系统训练超参数设置如下：

设置学习率为0.01，训练集mini-batch为512，测试集mini-batch为512，隐含层激活函数采用ReLU激活函数，输出层激活函数采用Sigmoid激活函数，权重初始化方法采用Heinitialization，权重更新策略为Adam，L2正则化参数为 1.2，Dropout正则化参数为0.8。

其中，He initialization为保持输入和输出的方差不变，将随机初始化的值乘以缩放因子(layersdims[l-1]表示前一层的大小)，使得ReLU 输出概率分布效果更好。Adam优化算法可以看作是Momentum和RMSProp算法的结合，可以快速收敛并正确学习，最大程度地最小化损失函数。L2正则化在原有代价函数J(ω,b)后加上一个关于权重ω的L2正则化项，使得权重衰减，提高泛化能力。具体表示为：

Dropout正则化通过设置神经元节点的保留概率来消除部分节点，得到一个规模更小的网络。

进一步地，所述步骤3中计算DNN正向传播的公式如下：

f_ReLU(z)＝max(0,z) (4)

f_Sigmoid(z)＝1/(1+e^-z) (5)

式(2)至(5)中，

表示第l层第i个神经元的输入；表示第l层第i 个神经元的输出；表示第l层第i个神经元与输入层所有神经元间的权值，维度为1×n_l-1，

表示第l层第i个神经元的偏置。n_l是第l层的神经元个数。f^[l]() 表示第l层的激活函数，是输入输出间的非线性变换，常见的激活函数有ReLU 函数和Sigmoid函数。

由式(2)至(5)可以看出输出层(第l层)神经元的输出值就是DNN的最终预测值，可以看作是输入数据a^[0]的l次连续加权非线性变换，整个正向传播过程可以表示为：

式(6)中，a^[0]表示输入层的神经元值；ω和b分别代表网络中所有神经元间的权值和偏置，不难发现这两者是影响整个网络性能的主要参数。因此利用庞大的训练集不断对权值和偏置进行优化，可以使得网络输出理想的预测值。

进一步地，所述步骤4中计算当前DNN输出的预测值与实际样本监督值间的误差值公式如下：

式(7)中，a(i)表示监督值，

表示输出的预测值,m表示预测的符号个数。通过约束代价函数可以使得各层神经元权值和偏置在反向传播过程中不断更新，使得预测值不断逼近监督值，达到恢复发送符号的目的。

进一步地，所述步骤5在实验迭代次数达到2000次时，代价函数无明显减小(趋于稳定)，所以本实验DNN完成训练的迭代标准设为2000次迭代，训练停止时所得DNN各神经元权值

和偏置分别记为ω^*和b^*。

进一步地，所述步骤6中由步骤5所得DNN参数来进行信号恢复的公式如下：

式(9)中，a^*是最终所得发送信号预测值。结合发送信号真实值a^[0]计算系统的误码率。

本发明的有益效果：

本发明基于深度学习的水声信号检测方法在传统水声FBMC通信系统的接收端用一个训练完善的DNN代替原有的信道估计、均衡等过程。利用DNN的训练阶段获取水声信道状态信息，在测试阶段实现信号的解调恢复。在此基础上本发明又引入Adam权重更新策略和L2正则化方法优化DNN模型，进一步提升DNN的收敛效率和估计精度，本发明相较于现有基于信道估计的方法在精度和复杂度方面具有一定的优越性。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，在附图中：

图1为本发明一种水声信号检测方法的流程图；

图2为本发明一种基于深度学习的水声FBMC通信系统框图；

图3为本发明实施例中系统计算复杂度对比表；

图4为本发明实施例中迭代次数对系统误码率性能影响对比图；

图5为本发明实施例中小训练样本数系统误码率性能对比图；

图6为本发明实施例中大训练样本数系统误码率性能对比图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供一种水声信号检测方法。本方法利用训练完成的DNN取代传统水声FBMC通信系统接收端中的信道估计、均衡等模块，打破系统的模块化限制，自适应地学习水声信道状态信息，避免原本系统固有的虚部干扰影响，提高系统的误码率性能。具体步骤如下：

步骤1：对传统水声FBMC通信系统进行反复测试，获取训练DNN所需的足量数据集，具体包括：FBMC系统发送端原始发送序列x(n)、FBMC系统接收端原始复数序列y₀(n)。由于DNN更易于处理实数域数据，为使其有效工作，要对FBMC接收端的复数序列y₀(n)进行数据预处理。分别提取出复数符号的实部和虚部，并将同一符号的虚部置于其实部后面，重新组合成一个实数序列 y(n)。记录330000组x(n)、y(n)形成数据集。

步骤2：设置DNN-FBMC系统训练超参数如下：设置学习率为0.01，训练集mini-batch为512，测试集mini-batch为512，隐含层激活函数采用ReLU激活函数，输出层激活函数采用Sigmoid激活函数，权重初始化方法采用He initialization，权重更新策略为Adam，L2正则化参数为1.2，Dropout正则化参数为0.8。

其中，He initialization为保持输入和输出的方差不变，将随机初始化的值乘以缩放因子(layersdims[l-1]表示前一层的大小)，使得ReLU 输出概率分布效果更好。Adam优化算法可以看作是Momentum和RMSProp算法的结合，可以快速收敛并正确学习，最大程度地最小化损失函数。L2正则化在原有代价函数J(ω,b)后加上一个关于权重ω的L2正则化项，使得权重衰减，提高泛化能力。具体表示为：

Dropout正则化通过设置神经元节点的保留概率来消除部分节点，得到一个规模更小的网络。

步骤3：输入训练集数据，计算当前DNN输出层正向传播的预测值，公式如下：

f_ReLU(z)＝max(0,z)

f_Sigmoid(z)＝1/(1+e^-z)

其中，

表示第l层第i个神经元的输入；表示第l层第i个神经元的输出；

表示第l层第i个神经元与输入层所有神经元间的权值，维度为1×n_l-1，表示第l层第i个神经元的偏置。n_l是第l层的神经元个数。f^[l]()表示第l层的激活函数，是输入输出间的非线性变换，常见的激活函数有ReLU函数和Sigmoid 函数。

由上式可以看出输出层(第l层)神经元的输出值就是DNN的最终预测值，可以看作是输入数据a^[0]的l次连续加权非线性变换，整个正向传播过程可以表示为：

其中，a^[0]表示输入层的神经元值；ω和b分别代表网络中所有神经元间的权值和偏置，不难发现这两者是影响整个网络性能的主要参数。因此利用庞大的训练集不断对权值和偏置进行优化，可以使得网络输出理想的预测值。

步骤4：计算当前DNN输出的预测值与实际样本监督值间的误差值公式如下：

其中，a(i)表示监督值，表示输出的预测值,m表示预测的符号个数。通过约束代价函数可以使得各层神经元权值和偏置在反向传播过程中不断更新，使得预测值不断逼近监督值，达到恢复发送符号的目的；

步骤5：循环执行步骤3-步骤4，使得DNN达到信号检测误码率的预设要求。在实验迭代次数达到2000次时，代价函数无明显减小(趋于稳定)，所以本实验DNN完成训练的迭代标准设为2000次迭代，训练停止时所得DNN各神经元权值和偏置分别记为ω^*和b^*；

步骤6：将步骤5中所得DNN模型接入系统接收端进行发送信号恢复，输入测试集数据，将得到的DNN正向传播输出值作为发送信号最终预测值具体公式如下：

其中，a^*是最终所得发送信号预测值。结合发送信号真实值a^[0]计算系统的误码率。

如图2所示，水声DNN-FBMC系统的发送端与传统FBMC系统的发送端保持一致，在接收端用DNN结构替换信道估计、均衡和解映射模块。整个信号检测过程分为训练阶段和测试阶段。

在训练阶段，发送符号是随机产生的二进制序列，在接收端会形成未经均衡的复数序列。将该复数序列和发送符号直接传输到DNN模型，分别作为输入层神经元值和输出层神经元预测结果的监督值，形成训练集的一个训练样本。重复上述过程，直至训练集拥有充足的训练样本。在DNN输出层，用代价函数来衡量DNN预测值与监督值的差距，当代价函数达到最小值时DNN完成训练，各神经元的权值和偏置也会停止更新。在测试阶段，将接收到的复数序列直接通过训练完成的DNN进行预测，便可恢复出发送符号。

图3对比了DNN-FBMC与传统信道估计算法的计算复杂度(每执行一次的求积次数)。此处DNN由5层全连接网络构成，各层间只有简单的乘加运算，因此计算复杂度与LS信道估计算法在同一数量级上，且主要体现在训练阶段的迭代过程。

图4为DNN-FBMC系统(L2正则化)在不同训练迭代次数下的误码率性能曲线，随着迭代次数的增加，神经网络的权值和偏置不断更新，系统的误码率性能越来越好。但由于训练后期样本可供学习的空间越来越小，单次迭代可带来的性能增益将随着迭代次数的增加而不断减小。

图5为N＝110000时，按9：1划分训练集和测试集所得误码率曲线。图6为 N＝330000时，按29：1划分训练集和测试集所得误码率曲线。仿真结果表明所提出的信号检测方法的误码率性能明显好过使用传统LS信道估计算法的FBMC 通信系统。且同等条件下L2正则化优化算法的误码率性能要优于Dropout正则化算法。对比图4、图5可以看出在测试集数据量不变的前提下，增加训练集样本数量可有效提高DNN-FBMC的误码率性能。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。