【摘 要】提出了一种结合卷积神经网络和改进的Transformer Encoder网络的并联网络模型——ConEncoder。其中卷积支路结合了残差连接和SE模块用于提取信号的局部特征,Encoder支路去除传统的位置编码,用于提取信号的全局特征,最后融合二种特征,实现了在复杂的海底环境下对8种水声信号调制方式的高准确率识别,识别准确率可达98%以上。相较于基于专家特征进行识别的传统机器学习算法和常用的神经网络都具有更好的识别性能。
【关键词】水声信号;自动调制识别;并联模型;注意力
0 引言
当前水下无线通信主要以声波为载体,在实际的水声通信系统中,发送端根据通信信道状况的不同,自适应选择当前最合适的调制编码方式,以提高水声通信的传输效率。然而这种基于多调制方式的通信系统,通信双方需要通过握手信号确定当前采用的调制方式,而水下复杂的信道环境会导致握手信号出错,致使接收端采用了不匹配的解调方式,进而导致解调数据的严重错误。自动调制识别方法能够在接收端自动识别接收信号的调制方式,确保采用正确的解调方式解调数据,提高水声通信系统数据传输的高效性和可靠性。
目前,水声信号调制识别技术主要分为两大类:基于最大似然比[1-2]与基于特征提取的算法。最大似然比算法虽然数学理论完备,但是