一种基于自编码器降噪的水声通信系统

技术领域

本发明专利设计水声无线通信技术领域，尤其涉及一种基于自编码器降噪的水声通信系统。

背景技术

水声无线声波通信是水下信息传输的主要技术手段，同时也是海洋开发及探测领域的关键技术。借助水下无线通信系统可以实现信息在水下的互联互通，采集海洋信息、监控海洋环境、气候变化以及海底的异常活动。

在水下，陆地常用的电磁波通信衰减严重，无法实现水下的远程通信。目前，只有声波通信是水下远程可靠传输的唯一有效手段。但在水声通信过程中，海域环境噪声、海洋生物噪声等对通信系统持续干扰，这也使得水声信道不可避免的受到海洋环境噪声的污染。现有的水声通信系统普遍搭载带通滤波器，对通信带宽外的海洋环境噪声进行隔绝，但带内噪声仍对通信系统有着严重的干扰，这也使得水声通信系统的传输距离和通信可靠性受到很大的限制，严重影响水下检测作业的效率和质量。

自编码器属于机器学习的一个衍生网络，同时也是机器学习无监督学习的典型网络结构模型。随着人工智能的不断发展，各国的科研工作者对自编码器进行了大量的改进。在图像重建过程中，根据物理测量数据，通过数据处理重新建立物体图像，能够在学习样本中高度抽象图像的特征信息，避免了传统方法人工特征的提取，在图像恢复过程中，在重建精度与速度上都得到了突破。目前，自编码器在文本分类识别、图像重建等领域得到了应用，随着计算机技术及人工智能算法的不断发展，神经网络在信号处理的领域也得到了广泛的应用。深度学习是拥有多层学习结构的神经网络，在处理复杂问题是有着较大的优势。从2006 年技术提出至今，深度学习算法飞度发展，不断推陈出新，自编码器也在降噪领域得到了大量的应用。

发明内容

本发明的主要目地是解决水声通信过程中信道受带内噪声干扰的技术问题。

为了实现上述技术问题，本发明提供了一种基于自编码器降噪的水声通信系统。

本发明应用于水声无线通信领域，所述水下自编码器降噪通信系统包括：

步骤1：将发射端的信息比特进行分组；

步骤2：对分组后的信号进行QPSK调制得到通带信号；

步骤3：采用调制后的信号作为网络的输入端导入自编码器网络中，持续进行网络的迭代；

步骤4：利用重构错误计算公式计算误差，使损失函数达到最低，得到训练好的自编码器网络autoenc；

步骤5：选取训练好的自编码器网络迁移至新的通信系统中；

步骤6：发送通信信号经过受海洋环境噪声污染的信道，将此信号作为autoenc的输入端，经过神经网络的重构，得到重构信号；

步骤7：利用QPSK调制方式对重构信号解调，接收发射的信源。

所述步骤2的具体步骤为：

通过载波的四种不同的相位代表四种不同的输入信息，即将发送的信息转化为相位值后可以进行调制。在4PSK水声调制解调的原理中，系统规定了相位角度与数组之间的对应关系。通过相位角度可将数组表示为，，，。

所述步骤3的具体步骤为：

发送40000个比特的信息，分成400组，每组1000个比特，经过QPSK调制后，将通信系统的通带信道导入自编码器中，自编码器的隐藏层为600层，迭代次数2000次。

根据权利要求1所述的重构错误计算公式计算误差，其特征在于：

所述步骤5的具体步骤为：

将训练完毕的autoenc导入新的通信系统中，在新的通信系统中，发送1000个比特的数据，途径受高斯带内噪声污染后的信道，将过信道后的通带信号作为神经网络的输入端，经过自编码器网络的重构后得到重构信号

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本申请实施例中两层网络结构的自编码器示意图；

图2是本申请实施例中基于自编码器的通信系统降噪流程图；

图3是本申请实施例中经带内高斯白噪声污染后的通带测试信号图；

图4是本申请实施例中经带内高斯白噪声污染后的信号时域图；

图5是本申请实施例中经带内高斯白噪声污染后的信号频域图；

图6是本申请实施例中基于自编码器的通信系统参考模型图；

图7是本申请实施例中经过2000次迭代后的网络均方误差图；

图8是本申请实施例中在8dB下经自编码器优化带内噪声前后的星座效果图；

图9是本申请实施例中在8dB下经自编码器优化带内噪声前后的星座效果图；

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

针对水声通信系统受到海洋环境背景噪声干扰而通信误码率高、不利于通信远程稳健通信的问题，本发明专利将传统的带通滤波器拓展到基于自编码器的水声通信系统中，主要包括以下内容：

在本发明专利中，自编码器的结构可以总结为两部分

编码器(Encoder)f：

解码器(Decoder)g：

进一步地通过自编码器编码和解码的过程要实现的是无监督机器学习过程中使得学习目标的重构错误最小化，重构错误计算公式可表示为

在本发明所涉及的通信系统中，训练后的数据经自编码器网络映射后的特征空间的维度M与原属数据的空间维度D两者较为接近时，自编码器可相当于一种特征抽取的方法。并可以从中寻找到规律。在对自编码器进行改进时，可以对编码的稀疏性、取值范围等因素进行改变。如果让自编码器取K类不同的值，自编码器就可以转化为一个K类的聚类问题。

参照图1，本发明的基于自编码器的示意图，自编码器最简单的结构是两层结构，利用从隐藏层到输出层之间用来进行解码，层与层之间采用全连接的模型。

对于样本x而言，自编码器的隐藏层为活性值为x的编码，即：

Z＝f(w

经过了自编码器的编码与解码的过程，网络输出的为重构的数据，公式可表示为：

x′＝f(w

其中，w

进一步地给定一组样本x

其中，λ为正则化系数，通过使得重构错误的值最小进而有效的学习网络的参数。自编码器的编码和解码是为了得到有效的数据表示。在网络训练后，去掉解码器只保留编码器。编码器的输出可以直接作为后续来使用，在本发明的网络中，数据将作为后续QPSK解调的重要依据。

在本发明中，主要针对自编码器的在信号处理降噪领域所展示的优异性能对通带信号进行带内噪声的降噪。

参照图2，本发明的基于自编码器降噪流程图，采用自编码器对发送数据和经带内噪声污染后的数据进行训练，并将预测数据与原始发送数据进行MSE的计算。

在本发明专利所涉及的通信系统产生训练样本的过程中，信号经QPSK调制后转换为通带信号，经过被带内高斯白噪声污染后的信道后，得到400组数据，每一组数据由6000个点组成。将400组数据发送数据及400组经白噪声污染后的数据输入到自编码器中进行训练得到自编码器网络autoenc，将测试数据输入到自编码器网络中，得到预测值

自编码器带内噪声降噪算法如下所示：

步骤一，输入为训练样本

步骤二，输出为映射函数g：

步骤三，初始化，迭代次数N＝0，随机幅值连接权值与节点偏置w

步骤四，whileN＜N

步骤五，更新迭代次数N＝N+1；

步骤六，正向传播，利用Z＝f(w

步骤七，利用式子

步骤八，反向传播，更新权值与偏置

步骤九，endwhile

返回映射函数g(X)＝f(w

在本发明专利中，经过了对自编码器机器学习网络的基本原理分析及算法设计后，设计基于自编码器神经网络的带内噪声消除网络，经过海量数据训练之后，得到效果较好的网络，将其迁移至QPSK通信系统中。在QPSK单载波调制过程中，通带信号所受到带内噪声的污染后将污染后的数据作为神经网络的输入端，经神经网络预测后输出重构信号对带内高斯白噪声进行抵消。

进一步地，当QPSK单载波通信系统经过调制后，1000个测试比特经过调制变为通带信号，经过经高斯白噪声污染的信道之后，经高斯白噪声污染后的信号图像如图4所示。

将经过带内高斯白噪声污染后的信号储存起来，导入CoolEdit软件中，观察信号状态以及带内高斯白噪声设置是否正确。

参照图5，图6可以看出带内噪声添加无误。在添加带内噪声之后，针对带内噪声的消除设计自编码神经网络。

在本发明中，QPSK训练准备数据如下表所示，发送数据40000bit，通信频率12kHz,通信带宽8kHz，通信系统的符号周期为0.00025s，每个符号的采样点数为12个，训练分组为400组，每组的所取点数为 6000个。

参照图6，本发明的基于水声无线通信系统的自编码器降噪模型，参数设置完成后，针对自编码器进行参数设置。

在针对自编码器进行网络训练的过程中，将自编码训练网络的传递函数设置为purelin，最大迭代次数调节为2000次，隐层数量调节为600层，其余参数为默认值。

参照图7，本发明的基于水声无线通信系统的自编码器网络均方误差图，随着网络的持续迭代，本网络的逐渐提升。

经过对网络的持续训练，当自编码网络完成了2000次的迭代后，自编码器网络趋于收敛。

经过对网络训练后，将经过高斯噪声污染后的数据导入自编码网络中，输出值为预测的未经过带内噪声干扰的数据。

对经自编码器网络优化前后的数据进行均方误差计算得到结果，未经优化经噪声污染前后的数据均方误差值为0.0524，经过自编码器优化后的前后均方误差值降为8.94e-04。

参照图8，图9，本发明所设计的通信系统在8dB与15dB下经自编码器优化带内噪声前后的星座效果图，将进行自编码器网络带内噪声抵消后的网络导入QPSK通信解调过程中，在相同信噪比下与只经过带通滤波器的情况进行对比，经过自编码器优化后的效果显著优于只经过带通滤波器降噪后的结果。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。