基于深度学习的深浅海水声信号分类识别技术

推荐语

本书围绕水声通信中常见的问题，包括时间衰落模型、变化的信号长度以及多普勒效应等问题，在深浅海多途干扰信道下采用深度学习方法来处理这些干扰因素，实现了高效、准确的水声通信信号调制方式自动识别。主要研究内容如下：

（1）提出在深浅海信道下，适应不同时间衰落模型影响的深度异构和短连接网络结构的调制识别算法。针对水声信道典型时间衰落模型，设计合理的网络结构形式，通过网络结构内部层与层之间的特征映射来捕获关键高级特征信息，从而提高网络模型学习水声通信数据特征的性能。

（2）针对深浅海信道下，可适应变化信号长度的分支和稀疏多路网络结构调制分类识别算法。通信信号在传输过程中都是变化的，但是深度学习网络需要输入固定长度的数据，这给调制识别造成了很大影响。针对这个问题，需要合理规划网络结构形式，使只能输入固定长度的深度学习网络可以适应识别变化长度的水声通信信号。

（3）适用于多普勒效应的时序和多跳网络结构的深度学习算法研究。对多普勒效应带来的影响水声通信的问题，分别研究了适应于浅海的时序深度网络算法和针对深海的多跳深度网络算法。

本书详细介绍了如何利用深度学习方法处理水声通信中常见的时间衰落、信号长度变化以及多普勒效应等问题，以在深浅海多途干扰信道下实现高效准确的水声通信信号自动识别。

目录

1 绪论

1.1 概述

1.2 国内外研究现状

1.2.1 LB识别法

1.2.2 FB识别法

1.2.3 基于深度学习的调制识别方法

1.3 主要内容

1.4 本书结构安排

2 理论基础

2.1 水声信道特征

2.1.1 浅海水声信道特征

2.1.2 深海水声信道特征

2.1.3 深浅海水声信道影响通信的因素分析

2.2 水声通信特性

2.2.1 时间衰落模型

2.2.2 变化信号长度

2.2.3 多普勒效应

2.2.4 其他影响因素

2.3 水声通信模型和通信调制体制

2.3.1 水声信道模型

2.3.2 水声通信常用调制体制

2.4 深度神经网络

2.4.1 网络结构形式

2.4.2 传统神经网络方法

2.4.3 常用深度学习技术

2.5 信号数据集的产生方式

2.5.1 深浅海信道形式

2.5.2 水声信号数据集产生方式

2.6 本章小结

3 异构与短连接网络在不同时间衰落模型下的信号调制识别

3.1 异构卷积神经网络结构

3.1.1 卷积神经网络运算方式

3.1.2 具有池化操作的正向与反向传播过程推导

3.1.3 异构网络结构设计

3.2 深层短连接网络结构形式

3.2.1 梯度消失问题分析

3.2.2 深层短连接网络架构设计

3.3 实验分析

3.3.1 基于异构网络的浅海仿真实验

3.3.2 基于短连接网络的深海仿真实验

3.4 本章小结

4 基于深度分支和稀疏多路网络结构的变化长度信号调制识别

4.1 基于浅海的分支网络结构

4.1.1 样本批量标准化

4.1.2 映射向量全局平均池化

4.1.3 分支网络结构模型

4.2 基于深海的稀疏多路网络模型

4.2.1 稀疏网络结构形式

4.2.2 稀疏多路网络结构

4.3 实验分析

4.3.1 基于分支网络结构的浅海仿真实验

4.3.2 基于稀疏多路网络结构的深海仿真实验

4.4 本章小结

5 基于时序和多跳网络在多普勒效应影响下的信号调制识别

5.1 时序神经网络结构

5.1.1 基于时序的循环神经网络

5.1.2 基于门控的循环网络结构

5.1.3 网络架构随机去激活

5.2 多跳网络结构形式

5.2.1 网络模型退化问题分析

5.2.2 多跳网络结构设计

5.3 实验分析

5.3.1 基于时序网络的浅海仿真实验

5.3.2 基于多跳网络的深海仿真实验

5.4 本章小结

参考文献