一种基于深度神经网络的水声通信误码率的估计方法

技术领域

本发明属于水声通信技术领域，特别涉及一种基于深度神经网络的水声通信误码率的估计方法，主要应用于水声通信中估计误码率。

背景技术

近期，智慧海洋的概念备受关注，为全面提升海洋能力提供了整体解决方案。声波作为实现水下远距离信息传输的最有效介质，基于声波的水声通信的发展直接关系着人类认识海洋、探索海洋和开发海洋的能力。

水声通信中一个重要的性能指标是误码率，影响误码率的因素包括了从信源到信宿的所有环节。第一，水声信道：由于海洋环境的复杂多变，水声信道具有时间-空间-频率变化特性，声信号在水声信道中传播时会出现不同程度的起伏和畸变、信噪比降低、码元拖曳、码间干扰等，从而产生误码。第二，调制解调(包括发射，接收换能器系统)：采取不同的调制解调系统，可以取得不同的空间增益和时间增益，对其误码率的影响也就不同。第三，编码译码：对信息位的编码增加冗余，可以将信道传输过程中产生的差错通过纠错译码得到纠正，从而在一定程度上影响误码率。

一个系统的误码率是由前面所有部分的影响串联形成的，如果一个系统的调制，解调、编码、译码方案已经确定，则在充分估计了水声信道的特点之后，就可以对系统误码率进行估计。目前在无线通信领域中，研究人员通常选择信噪比作为与误码率直接相关的指标，如R.Daniels，R.W.Heath及M.Elwekeil等学者。然而水声信道时延扩展长、时变快、多普勒效应严重、可用带宽有限，目前并没有被研究人员广泛接受的水声信道的数学模型，因此基于模型的方法很难找到信道与误码率性能之间的关系。

近年来，深度学习的崛起及应用已成功在计算机视觉、语音识别、自然语言处理等方向取得了巨大的效益，国内外的专家也已经开始把深度学习应用于信号处理领域。作为一种可以直接从原始数据中学习特征的方法，深度学习降低了从数据中提取特征的难度，非常适合用于处理复杂多变的水声信道。将深度学习与水声通信结合起来，成为解决水声通信系统中误码率估计的一种简单可行的方案。

发明内容

本发明要解决的技术问题是水声通信中的误码率估计。针对水声信道参数的复杂度和水声通信的难度，通过将深度神经网络与水声通信结合起来，该方法可简单、精确地估计水声通信的误码率。

本发明的技术方案如下：

一种基于深度神经网络的误码率估计方法，包括以下步骤：

(1)发射端发射带有导频的水声通信信号；

(2)接收端解调信号，获得训练数据和训练标签；

(3)预处理训练数据和训练标签；

(4)构建深度神经网络模型；

(5)训练深度神经网络模型；

(6)应用深度神经网络估计误码率。

本发明的有益效果：

本发明利用了深度学习方法进行信号处理，能够学习到水声信道中的高维特征信息；本发明的估计准确率不依赖于水声信道特征的提取，避免了其他特征提取误差的引入；本发明实现了端到端的误码率估计，增加了误码率估计方法的通用性，具有工程复杂度低，估计准确度高等优点。

附图说明

图1是本发明的整体流程图；

图2是本发明的训练数据生成示意图；

图3是深度神经网络的结构示意图；

图4为训练过程中损失函数值的变化图；

图5为部分深度神经网络预测的误码率与真实误码率的对比图。

具体实施方式

下面结合附图，对本发明涉及的技术方案进行较为详细的说明。

参照附图1，对本发明的具体步骤作进一步的描述：

步骤1.发射端发射带有导频的水声通信信号；

如附图2所示，数据和导频经调制编码后通过水声信道传输。假设一个水声通信系统有可选编码速率集合

其中

e

本发明的深度神经网络将用来完成函数f(·)的功能。

步骤2.接收端解调信号，获得训练数据和训练标签；

在接收端，解调后的信号y

其中

由于水声信道的复杂性和估计水声信道引入额外误差的可能性，接收导频信号会直接作为网络的输入数据。为了确保网络可以从接收到的导频信号中学习特征，我们在每次传输中都使用固定的导频信号

如式(1)和附图2所示，由于发射信号中存在保护间隔，接收信号可以被分为接收导频信号

网络的训练标签为在调制方式q

步骤3.预处理训练数据和训练标签；

由于常用的神经网络框架要求输入数据为实数，所以需要调整输入导频数据的形式。

接收导频信号被分为实部和虚部两部分：

除了接收导频信号，调制方式q

对于训练标签，由于步骤2所述误码率e

最终训练数据和训练标签组成训练样本[U

步骤4.构建深度神经网络；

附图3为本发明中深度神经网络的示意图。下面以本发明中仿真的深度神经网络为例，它包含输入层，隐藏层和输出层，整体来看该网络完成一个回归任务。对于输入层，假设导频x

其中L

上述深度神经网络结构只作为示例，可根据实际训练情况自行调整。

步骤5.训练深度神经网络模型；

初始化神经网络的权重参数，将训练样本按照一定比例划分为训练集、验证集和测试集，并随机打乱。然后将训练集按批次大小分成若干组，开始训练时依次输入网络，并基于前向传播算法计算其输出。之后根据网络输出值与真实值的差距，按照式(8)的损失函数计算误差：

最后根据误差MAPE的大小，基于Adam优化器使用反向传播和梯度下降算法优化网络模型的权重参数，使之逐渐收敛。

步骤6.应用深度神经网络估计误码率；

将训练好的深度神经网络部署到通信系统中，然后按照步骤3处理数据并输入网络，即可得到处理后的误码率

其中

下面结合仿真实验对本发明的效果作进一步的描述。

1.仿真条件：

本发明的仿真实验使用了单载波频域均衡方法进行水声通信，系统使用了BPSK、QPSK、8PSK三种调制方式，使用的编码方式为卷积码，包括1/3、1/2、2/3三种速率；水声信道由Bellhop仿真生成；通信信噪比为12dB。

2.仿真内容：

本发明的仿真实验基于Bellhop生成了30720条信道，并按8:1:1的比例划分训练、验证和测试数据，即24576条信道作为训练集、3072条作为验证集，剩余3072条用于性能测试；调制方式和编码速率共有9种组合，所以训练集样本数量为30720×9＝276480，验证集和测试集样本数量都为27648。批次大小设置为256，仿真共训练了300个回合。

3.仿真结果分析：

训练过程中

使用测试集对深度神经网络进行测试，测试结果为

附图5给出了测试集中一段估计的误码率与真实误码率的对比，从该图中可以看到本发明可以很好的估计误码率。