深度学习技术在水声通信体制识别中的应用
非合作水声通信体制识别研究作为水声对抗领域的重要组成部分,日益成为重要的研究课题.为有效实现分类识别,需要获得最能反映信号分类差别的特征.自2012年兴起的深度学习技术是一种基于数据驱动的自动特征提取识别算法,相较以往基于人工设计的特征提取算法,深度学习取得的效果更为出色,微软研究院和谷歌的语音识别研究人员先后采用深度学习技术降低语音识别错误率20％～30％,是语音识别领域10多年来最大的突破性进展.2014年Daniel Nouri利用卷积神经网络技术实现预测鲸豚叫声97％的正确检测率.语音信号与水声通信信号具备较大的相似性，因此本文基于深度学习方法，建立多层卷积神经网络模型，利用不同海域的实验数据进行学习，设计了一种具备单载波((SingleCarrier)、直接序列扩频(DSSS)及正交频分复用((OFDM)等常用水声通信体制识别的自动识别器。为了验证本文方法的有效性，对从3个不同海域的实录信号的通信体制进行识别，结果表明，与传统的基于统计方法相比，本文采用深度卷积网络的识别率较高，且更为简单。
水声通信体制 分类识别 深度卷积网络
周启明 邵梦琦 李成 殷敬伟 韩笑
哈尔滨工程大学水声工程学院,黑龙江哈尔滨150001
国内会议
哈尔滨
中文
425-426
2017-09-22（万方平台首次上网日期，不代表论文的发表时间）