欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021102141678
申请人: 青岛科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 乐器;声学
更新日期:2024-02-23
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于改进稠密神经网络的水声信号调制方式类间识别方法,其特征在于,该方法包括以下步骤:S1:接收待识别的水声调制信号,提取水声调制信号特征;具体为:S1‑1:首先求出所述水声调制信号的功率谱、奇异谱、包络谱、频谱及相位谱;

S1‑2:再计算谱特征和熵特征;

所述谱特征:Q参数、功率谱谱峰数、R参数、零中心归一化瞬时幅度谱密度的最大值γmax;

所述熵特征:功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵;

S2:运用主分量分析法对S1提取的水声调制信号特征进行降维去噪;

S3:对S2处理后的水声调制信号特征进行归一化与维度变更;

S4:基于稠密神经网络,去掉池化层,得到改进的稠密神经网络,并对该神经网络进行训练;

S5:将S3处理后的水声调制信号特征输入到S4中训练好的改进的稠密神经网络中,最终完成调制方式类间识别;

所述S4中,所述稠密神经网络训练步骤,包括:S4‑1:改进稠密神经网络,在原稠密神经网络的基础上,删去了用于精简特征的池化层,避免因池化作用引起的重要特征丢失问题;

S4‑2:使用已有的海试真实数据与仿真数据,利用贪心算法对该神经网络进行预训练;

S4‑3:将预训练好的神经网络在目标海域中进行迁移学习,得到适于目标海域的神经网络模型。

2.如权利要求1所述的水声信号调制方式类间识别方法,其特征在于,所述S2中主分量分析法具体步骤为:T

S2‑1假设水声信号的第k个特征为Xk=(x1,x2,...,xn) ,则K个特征的协方差矩阵为K为特征总数量, 为全体特征参数的均值;

S2‑2计算S矩阵的特征值λ1,λ1,λ2,λ3,...,λn与特征向量α1,α2,α3,...,αn,并将特征值降序排列;

S2‑3计算前m个特征分量的累计方差贡献率:S2‑4选择Xk中累计方差贡献率达到90%的前m个特征分量,对其进行线性变换:Yk=TAXk,其中A为前m个特征值对应的特征向量,Yk为经PCA处理后的最终特征向量。

3.如权利要求1所述的水声信号调制方式类间识别方法,其特征在于,所述S3中,对提取特征进行归一化与维度变更;

特征归一化公式为:

X为原始特征数据,X′是归一化后的数据,Max与Min分别为特征数据的最大值和最小值;

维度变更具体为:

将原始的n×m维的特征数据转化成适合稠密神经网络的n×m×1维的特征数据,特征数据的特征数量不发生变化,但在逻辑上由二维变为三维。

4.如权利要求1所述的水声信号调制方式类间识别方法,其特征在于,所述贪心算法可以通过一系列局部最优解来获取全局最优解,用贪心算法训练网络步骤如下:(1)单独训练第一层神经网络直至达到给定精度;

(2)保留第一层网络数据,单独训练第二层网络直至达到给定精度;

(3)重复以上流程直至整个神经网络训练完成。

5.如权利要求1所述的水声信号调制方式类间识别方法,其特征在于,所述迁移学习的方法为:将预训练好的改进稠密神经网络卷积层的权值保持不变,将其投入目标海域,根据实际的水声信号,调制神经网络的全连接层部分。