劉蘭軍，吳坤宇，陳家林*，黎 明

（1.中國海洋大學(xué)工程學(xué)院，山東 青島 266100；2.山東省海洋智能裝備技術(shù)工程研究中心，山東 青島 266100）

水聲通信是水下遠距離無線傳輸?shù)闹饕绞?，而水聲信道是一個帶寬嚴(yán)重受限、噪聲干擾嚴(yán)重的時變、頻變、空變的衰落信道。在海洋信息長期觀測、復(fù)雜環(huán)境水下觀測、復(fù)雜海況水下信息傳輸、水下大范圍動態(tài)組網(wǎng)觀測等水下復(fù)雜應(yīng)用場景，水聲信道的動態(tài)變化特征更為突出，如何高效利用水聲信道帶寬是亟待解決的關(guān)鍵問題。長期以來，單一載波調(diào)制方式的水聲通信系統(tǒng)往往受限于應(yīng)用場景的最惡劣信道，難以充分利用動態(tài)變化信道、復(fù)雜噪聲信道的帶寬。支持多種載波調(diào)制方式的多制式自適應(yīng)水聲通信系統(tǒng)可自動適應(yīng)水聲信道的動態(tài)變化以充分利用信道帶寬，是未來水聲通信技術(shù)的發(fā)展趨勢之一[1-2]。接收機如何高效準(zhǔn)確地識別出信號載波調(diào)制方式是多制式自適應(yīng)水聲通信的關(guān)鍵技術(shù)之一。

單一載波調(diào)制方式的水聲通信信號調(diào)制識別方法主要是基于特征提取的模式識別方法。該方法主要包括信號預(yù)處理、特征提取和模式分類3 個步驟。特征提取方法包括時域瞬時信息[3]、星座圖[4]、功率譜[5]等，模式分類主要包括支持向量機[6]、隨機森林[7]、BP 神經(jīng)網(wǎng)絡(luò)[8]等方法?；谔卣魈崛〉哪Ｊ阶R別方法需要大量的先驗知識，在復(fù)雜應(yīng)用場景的水聲通信中，水聲信道的復(fù)雜性使得調(diào)制識別分類器難以獲得足夠的先驗知識，從而不能保證識別精度[9]。深度學(xué)習(xí)是人工智能快速蓬勃發(fā)展的核心方法之一，目前已經(jīng)在圖像識別、語音識別、自然語言處理，以及自動駕駛等領(lǐng)域取得了巨大進展，尤其是圖像識別領(lǐng)域。理論上已經(jīng)證明，深度學(xué)習(xí)擅長處理非線性問題，若深度神經(jīng)網(wǎng)絡(luò)擁有一個包含足夠多神經(jīng)元的隱藏層，則該網(wǎng)絡(luò)能夠以任意精度逼近任意復(fù)雜的連續(xù)函數(shù)[10]。為了解決基于特征提取的模式識別方法的局限性，深度學(xué)習(xí)技術(shù)被用于水聲通信信號調(diào)制識別。LIDA D 等[11]將卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)相結(jié)合用于水聲通信信號調(diào)制識別，卷積神經(jīng)網(wǎng)絡(luò)用于時間序列學(xué)習(xí)，長短期記憶網(wǎng)絡(luò)用于振幅和相位學(xué)習(xí)，對低信噪比信號具有較高的識別率。王巖等[12]采用深度殘差網(wǎng)絡(luò)識別多種常用的水聲通信信號調(diào)制方法，通過合理選用殘差網(wǎng)絡(luò)超參數(shù)，有效克服了模型過擬合問題，取得了良好識別效果。王彬等[13]為解決脈沖噪聲環(huán)境下的水聲通信信號調(diào)制識別問題，采用了降噪自編碼器和卷積神經(jīng)網(wǎng)絡(luò)的聯(lián)合方法，降噪自編碼器對含噪聲信號進行降噪處理，卷積神經(jīng)網(wǎng)絡(luò)對降噪信號功率譜圖進行信號調(diào)制分類識別。同時，采用了遷移學(xué)習(xí)方法提升小樣本條件下的水聲通信信號調(diào)制識別能力，解決了目標(biāo)水域水聲通信信號訓(xùn)練樣本不足的問題。姚曉輝等[14]構(gòu)建了基于卷積神經(jīng)網(wǎng)絡(luò)的水聲通信信號調(diào)制識別系統(tǒng)，利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)水聲通信信號的時頻特征，實現(xiàn)了BFSK（Binary Frequency Shift Keying）、QFSK（Quadrature Frequency Shift Keying）、BPSK（Binary Phase Shift Keying）和SSB（Single Side Band）4 種數(shù)字調(diào)制信號的分類識別。李勇斌等[15]提出了一種基于AlexNet的水聲通信信號調(diào)制識別方法，由網(wǎng)絡(luò)對信號譜圖特征學(xué)習(xí)以實現(xiàn)多種水聲信號的調(diào)制識別。

與單載波水聲通信系統(tǒng)相比，融合單載波、多載波、擴頻等多種載波調(diào)制方式的多制式自適應(yīng)水聲通信系統(tǒng)，需要在載波解調(diào)前完成信號載波調(diào)制方式的識別，其信號調(diào)制方式識別面臨數(shù)據(jù)量大、噪聲干擾嚴(yán)重的問題。LIU L J 等[16-17]提出了一種數(shù)據(jù)幀攜帶載波調(diào)制信息的多制式自適應(yīng)水聲通信系統(tǒng)，接收機利用數(shù)據(jù)幀的固定字段解析出發(fā)射機預(yù)設(shè)的載波調(diào)制方式，該方法簡單易實現(xiàn)，但難以解決攜帶載波調(diào)制字段被噪聲嚴(yán)重干擾的問題。本文針對多制式自適應(yīng)水聲通信系統(tǒng)的信號載波調(diào)制方式識別需求及其識別過程存在的數(shù)據(jù)量大、噪聲干擾問題，借鑒現(xiàn)有的基于深度學(xué)習(xí)的水聲通信信號調(diào)制識別方法，提出了一種基于遷移學(xué)習(xí)的水聲通信信號載波調(diào)制方式識別方法（Underwater Acoustic Communication Signal Carrier Modulation Recognition Based on Transfer Learning，UACCMR/TL）。搭建支持單載波時間域擴頻（Single Carrier Time Domain SpreadSpectrum，SC-TDSS）、單載波頻域均衡（Single CarrierFrequencyDomain Equalization，SC-FDE）、正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing，OFDM），以及多載波頻域擴頻（Multicarrier Frequency Domain Spread Spectrum，MC-FDSS） 4 種典型水聲通信載波調(diào)制信號的多制式水聲通信系統(tǒng)?；贛illica 水聲信道模型建立不同通信場景的水聲信道模型，仿真生成水聲通信信號時間序列數(shù)據(jù)集。為了突出信號的特征差異，采用時頻分析方法將時間序列信號數(shù)據(jù)集轉(zhuǎn)換成時頻圖像數(shù)據(jù)集，利用遷移學(xué)習(xí)方法將圖像識別領(lǐng)域的深度學(xué)習(xí)模型VGG16 改為VGG16（Visual Geometry Group 16）應(yīng)用于水聲通信信號的載波調(diào)制方式識別。仿真結(jié)果表明，所提出的UACCMR/TL 方法對SC-TDSS、SC-FDE、OFDM 和MC-FDSS 信號具有良好的識別性能，且該方法可以在不同信道較少數(shù)據(jù)樣本模型微調(diào)下達到良好的識別性能，具有良好的信道泛化性能，為水聲通信信號載波調(diào)制識別提供了一種有效的解決方案。

1 多制式水聲通信系統(tǒng)建模與調(diào)制信號特征分析

1.1 多制式水聲通信系統(tǒng)建模

圖1 為搭建的多制式水聲通信系統(tǒng)框圖，該系統(tǒng)主要包括發(fā)射機、水聲信道和接收機3 部分，發(fā)射機的信號調(diào)制包括擴頻調(diào)制（有擴頻調(diào)制、無擴頻調(diào)制）和載波調(diào)制（單載波調(diào)制、OFDM 調(diào)制），擴頻調(diào)制和載波調(diào)制組合可實現(xiàn)SC-TDSS、SCFDE、OFDM 和MC-FDSS 4 種典型的水聲通信載波調(diào)制信號，發(fā)射機輸出的信號經(jīng)過水聲信道可獲得多制式水聲通信信號的時間序列數(shù)據(jù)集。接收機的信號可表示如下。

圖1 多制式水聲通信系統(tǒng)框圖

式中，r（t）表示接收機的輸入信號；s（t）表示發(fā)射機的輸出信號；h（t，τ）表示水聲信道的信道沖激響應(yīng)；n（t）表示加性高斯白噪聲（Additive White Gaussian Noise，AWGN）。

水聲信道模型是水聲通信系統(tǒng)設(shè)計中至關(guān)重要的一部分，是具有時間—空間—頻率變化特性的復(fù)雜信道，這些特性為水下通信帶來了巨大的挑戰(zhàn)。QARABAQI P 等[18]結(jié)合聲學(xué)傳播物理規(guī)律（頻率衰減，底部/表面反射） 和隨機位移的影響，提出了Millica 統(tǒng)計信道模型和高效的信道模擬器。該模型主要關(guān)注兩個尺度上的隨機位移，一個是導(dǎo)致瞬時信道響應(yīng)快速變化的小尺度效應(yīng)，包括散射和運動引起的多普勒頻移；另一個是描述位置不確定性和變化的環(huán)境條件的大尺度效應(yīng)，主要影響局部平均接收功率。

根據(jù)Miliica 信道模型，多徑信道的總傳遞函數(shù)可以表示如下。

式中，H（f）表示多徑信道的總傳遞函數(shù)；f 表示水聲信號的頻率；p 表示傳播路徑數(shù)；（f）是參考路徑p=0 時的函數(shù)；hp（f）為p 條路徑增益；τp為p 條路徑相關(guān)的傳播延遲。

在該模型下，水聲信道在時間t 內(nèi)的信道沖激響應(yīng)可以表示如下。

式中，h（t，τ）表示時間t 內(nèi)的水聲信道沖激響應(yīng)；hp（t）表示第p 條路徑的增益；τ 表示時延變量。

1.2 多制式水聲通信系統(tǒng)的調(diào)制信號特征分析

圖2 為搭建的多制式水聲通信系統(tǒng)接收機收到的SC-TDSS、SC-FDE、OFDM 和MC-FDSS 信號的時間序列圖，可以看出，經(jīng)過具有時間選擇性衰落、頻率選擇性衰落的水聲信道調(diào)制，接收機收到的經(jīng)過水聲信道傳輸后的發(fā)射機信號產(chǎn)生了比較嚴(yán)重的畸變，在時域上無明顯特征信息，不利于接收機對信號調(diào)制方式的識別。

圖2 多制式水聲通信系統(tǒng)接收機收到的信號時間序列圖

圖3 為上述SC-TDSS、SC-FDE、OFDM 和MC-FDSS 4 種水聲通信信號的時頻圖，從時頻圖的能量分布可以看出，4 種信號的時頻圖能量特征差異性較明顯，便于分類識別，為此，本文深度學(xué)習(xí)網(wǎng)絡(luò)的輸入采用水聲通信信號的時頻圖像。

圖3 多制式水聲通信系統(tǒng)接收機收到的信號時頻圖

2 多制式水聲通信信號調(diào)制識別方法設(shè)計

2.1 遷移學(xué)習(xí)方法

遷移學(xué)習(xí)是一種機器學(xué)習(xí)的方法，可以將某個領(lǐng)域或任務(wù)中學(xué)習(xí)到的知識應(yīng)用到新的相關(guān)領(lǐng)域或任務(wù)中[19]。遷移學(xué)習(xí)關(guān)注領(lǐng)域和任務(wù)兩個基本概念，根據(jù)源領(lǐng)域和目標(biāo)領(lǐng)域、源任務(wù)和目標(biāo)任務(wù)兩對關(guān)系，遷移學(xué)習(xí)可以分為歸納式遷移學(xué)習(xí)、直推式遷移學(xué)習(xí)和無監(jiān)督遷移學(xué)習(xí)3 種。歸納式遷移學(xué)習(xí)方法，將源任務(wù)中與目標(biāo)任務(wù)通用的知識遷移過來，利用目標(biāo)任務(wù)中的標(biāo)簽數(shù)據(jù)生成模型，改進目標(biāo)預(yù)測函數(shù)的學(xué)習(xí)[20]。采用歸納式遷移學(xué)習(xí)方式，可以在目標(biāo)任務(wù)中擁有更高的初始性能，加快訓(xùn)練過程中模型的提升速率，并且訓(xùn)練得到模型的收斂性能更好。

為了突出信號的特征差異，本文采用時頻分析方法將水聲通信時間序列信號轉(zhuǎn)換為時頻圖像，將水聲通信信號調(diào)制識別問題轉(zhuǎn)化成了圖像識別問題。同時，為了充分利用圖像識別領(lǐng)域已經(jīng)開發(fā)的性能優(yōu)異的深度學(xué)習(xí)模型（VGG、AlexNet[21]和ResNet[22]），采用遷移學(xué)習(xí)將圖像識別領(lǐng)域深度學(xué)習(xí)模型應(yīng)用到水聲通信信號調(diào)制識別問題上，具體采用歸納式遷移學(xué)習(xí)方式。

2.2 基于遷移學(xué)習(xí)的水聲通信信號調(diào)制識別方法

2.2.1 VGG16 模型

VGG16 模型由13 個卷積層、5 個池化層和3個全連接層組成，具體網(wǎng)絡(luò)結(jié)構(gòu)如圖4 中上半部分所示，其輸入數(shù)據(jù)為224×224 的3 通道彩色圖像。網(wǎng)絡(luò)結(jié)構(gòu)的網(wǎng)絡(luò)卷積特征提取部分由若干個卷積層與池化層堆疊而成，形成了較深的網(wǎng)絡(luò)結(jié)構(gòu)，卷積層均采用尺寸為3×3 的卷積核，步幅stride 大小為1，填充方式padding 為same；池化層的池化核參數(shù)均相同，尺寸為2×2，步幅stride 大小為2，池化方式為最大池化。網(wǎng)絡(luò)中5 個最大池化層可將卷積特征提取分為5 個部分，每相鄰的兩部分中，后一部分相較于前一部分具有通道數(shù)翻倍、圖像張量減半的特點。網(wǎng)絡(luò)卷積特征提取部分之后為3 個全連接層，前兩層4 096 個節(jié)點，最后預(yù)測全連接有1 000個節(jié)點，作為用于分類的Softmax 層，輸出每個類別的概率。除最后的全連接層外，其余各層均采用修正線性單元ReLU 作為激活函數(shù)。

圖4 基于遷移學(xué)習(xí)的水聲通信信號調(diào)制識別網(wǎng)絡(luò)設(shè)計示意圖

2.2.2 時頻分析方法

時頻分析是一種信號處理的有效方式，可以在時間和頻率兩個維度上同時反映信號信息。為了更好地表征出水聲通信信號特征，本文采用一種Cohen 類時頻分布的時頻分析方法。

Wigner-Ville 分布（Wigner-Ville Distribution，WVD）具有較好的時頻分辨率，廣泛用于信號處理領(lǐng)域，但WVD 會產(chǎn)生交叉項干擾[24]。Cohen 類時頻分布是對WVD 施加不同核函數(shù)得到的一系列時頻分布，核函數(shù)對WVD 起平滑作用，可抑制WVD的交叉項。平滑偽Wigner-Ville 分布（Smooth Pseudo Wigner-Ville Distribution，SPWVD） 是Cohen 類時頻分布的一種，其獲取過程是首先對WVD 施加時間窗函數(shù)進行頻域平滑處理以抑制WVD 的頻域交叉項，然后施加頻率窗函數(shù)進行時間方向平滑處理從而弱化時域上的交叉項干擾。SPWVD 的數(shù)學(xué)定義可以表示如下。

式中，SPWx（t，f）為信號x（t）的SPWVD；z（τ）為時間窗函數(shù)；g（u - t）為頻率窗函數(shù)；t 和f 分別為SPWVD 對應(yīng)的時間和頻率；u 和τ 為積分變量。

2.2.3 基于遷移學(xué)習(xí)的水聲通信信號調(diào)制識別網(wǎng)絡(luò)設(shè)計

圖4 為基于遷移學(xué)習(xí)的水聲通信信號調(diào)制識別網(wǎng)絡(luò)設(shè)計示意圖，采用遷移學(xué)習(xí)將預(yù)訓(xùn)練的部分VGG16 網(wǎng)絡(luò)作為水聲通信信號調(diào)制識別的初始網(wǎng)絡(luò)，VGG16 基于ImageNet 數(shù)據(jù)集預(yù)訓(xùn)練，將訓(xùn)練后的卷積層和池化層網(wǎng)絡(luò)的權(quán)重參數(shù)及特征遷移至水聲通信信號調(diào)制識別網(wǎng)絡(luò)。遷移后的VGG16 網(wǎng)絡(luò)的主要修改包括：為了降低網(wǎng)絡(luò)計算復(fù)雜度，將目標(biāo)域時頻圖像的像素轉(zhuǎn)化成150×150 的RGB 圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像；為了提高訓(xùn)練效率和避免出現(xiàn)過擬合現(xiàn)象，對全連接層進行模型重構(gòu)，減少VGG16 模型中的全連接層層數(shù)和神經(jīng)元數(shù)目；與4 種水聲通信調(diào)制信號分類需求對應(yīng)，將最后用于分類的Softmax 層的分類特征映射到4 種調(diào)制類型。遷移后的水聲通信信號調(diào)制識別網(wǎng)絡(luò)模型激活函數(shù)與VGG16 網(wǎng)絡(luò)保持相同，仍采用ReLU函數(shù)。

在采用水聲通信信號時頻特征數(shù)據(jù)進行網(wǎng)絡(luò)訓(xùn)練過程中，對遷移后的網(wǎng)絡(luò)、模型重構(gòu)的全連接層網(wǎng)絡(luò)進行微調(diào)，并對模型的超參數(shù)進行調(diào)整，以得到最終的水聲通信信號調(diào)制識別分類網(wǎng)絡(luò)模型。最終的超參數(shù)設(shè)置為：使用Adam 優(yōu)化器對模型進行優(yōu)化，學(xué)習(xí)率設(shè)置為0.000 01；采用交叉熵損失函數(shù)用于計算模型預(yù)測值與真實值的差距；訓(xùn)練集每次迭代更新的樣本量為80 張時頻圖，迭代次數(shù)為50 次。經(jīng)過訓(xùn)練，最終獲得不同信噪比下的水聲通信信號調(diào)制識別網(wǎng)絡(luò)模型用于測試。

3 仿真實驗與結(jié)果分析

3.1 水聲信道建模

本文基于Millica 信道模型對水聲信道進行建模。由于小尺度變化參數(shù)（主要為多普勒頻移）相對于傳輸時延等大尺度變化參數(shù)影響較小，且小尺度變化參數(shù)可在水聲通信接收端通過多普勒估計與補償降低影響。因此，本文假設(shè)小尺度變化參數(shù)引起的干擾在接收端已通過補償消除，在建模過程中僅考慮大尺度位移變化參數(shù)對水聲信道的影響，即水深、傳輸距離和收發(fā)機相對位置的影響。通過模擬不同條件下的信道并對其進行分析，最終挑選出3 條典型水聲信道用于本文仿真實驗。3 條水聲信道建模的通信場景參數(shù)設(shè)置如表1 所示，3條水聲信道分別采用CH1、CH2 和CH3 表示。表中的相對位置I 表示發(fā)射機在距離水底3H/4 的位置、接收機在距離水底H/4 的位置；相對位置Ⅱ表示發(fā)射機和接收機均在距離水底H/2 的位置。3 條水聲信道的信道沖激響應(yīng)如圖5 所示，最大時延分別為9 ms、30 ms 和80 ms，多徑數(shù)分別為16、20和15。

圖5 仿真用水聲信道的沖激響應(yīng)

表1 水聲信道建模通信場景參數(shù)

3.2 訓(xùn)練數(shù)據(jù)集構(gòu)建

基于圖1 所示的水聲通信系統(tǒng)和圖5 所示的3條水聲信道模型，通過仿真生成水聲通信調(diào)制信號數(shù)據(jù)集用于評估所提出的基于時頻分析和遷移學(xué)習(xí)的水聲通信信號調(diào)制識別方法的分類識別性能。水聲通信調(diào)制信號數(shù)據(jù)集生成的具體參數(shù)如表2 所示。數(shù)據(jù)集的水聲通信調(diào)制信號類型為SC-TDSS、SC-FDE、OFDM 和MC-FDSS。水聲信道CH1 主要用于訓(xùn)練集、驗證集和測試集的生成，其生成的數(shù)據(jù)集用于訓(xùn)練模型及測試模型的分類性能。水聲信道CH2 與CH3 主要用于測試集的生成，測試模型的泛化性能。水聲通信調(diào)制信號的載波頻率范圍為21 ～27 kHz，采樣頻率為96 kHz，數(shù)字調(diào)制為BPSK，信號信噪比為-5 dB、0 dB、5 dB、10 dB、15 dB。數(shù)據(jù)集的每次采樣點數(shù)為4 096，每次采樣4 096 點數(shù)據(jù)經(jīng)過時頻分析生成一張時頻圖像，數(shù)據(jù)集以圖片的格式存儲。對應(yīng)每種信號信噪比，數(shù)據(jù)集的時頻圖像張數(shù)為訓(xùn)練集1 000 張、驗證集200 張、測試集200 張。

表2 水聲通信信號數(shù)據(jù)集生成的具體參數(shù)

3.3 實驗結(jié)果與分析

圖6 為VGG16 遷移網(wǎng)絡(luò)不同信噪比情況下采用測試集測試的UACCMR/TL 網(wǎng)絡(luò)的分類識別結(jié)果混淆矩陣圖。測試集采用在CH1 信道環(huán)境中不同信噪比條件下生成的SC-TDSS、SC-FDE、OFDM 和MC-FDSS 水聲調(diào)制信號，每個信噪比每種信號的測試集樣本數(shù)目為200 個。UACCMR/TL 網(wǎng)絡(luò)的參數(shù)計算量為1.89×107，測試時平均每張時頻圖的識別時間約為0.08 s。由測試結(jié)果可以看出，在0 dB 以上的信噪比情況下，所提出的UACCMR/TL 網(wǎng)絡(luò)具有良好的分類識別效果；識別錯誤主要發(fā)生在SCTDSS 和SC-FDE 之間、MC-FDSS 和OFDM 之間，說明SC-TDSS 和SC-FDE 之間、MC-FDSS 和OFDM之間的特征差異較小。

圖6 UACCMR/TL 網(wǎng)絡(luò)的分類識別結(jié)果混淆矩陣圖

圖7 為經(jīng)典網(wǎng)絡(luò)模型VGG16、ResNet 和文獻[15]中采用的AlexNet 經(jīng)遷移學(xué)習(xí)后的調(diào)制信號識別性能對比，圖中所標(biāo)注的數(shù)據(jù)為基于3 種經(jīng)典網(wǎng)絡(luò)的遷移網(wǎng)絡(luò)測試時SC-TDSS、SC-FDE、OFDM 和MCFDSS 4 種水聲通信信號的不同信噪比情況下的整體分類準(zhǔn)確率。由圖7 可知，3 種經(jīng)典網(wǎng)絡(luò)模型在時頻圖數(shù)據(jù)集下識別性能最好的為VGG16 網(wǎng)絡(luò)，其次為AlexNet 網(wǎng)絡(luò)，識別效果最差的為ResNet 網(wǎng)絡(luò)，且隨著信噪比的增加，3 種遷移網(wǎng)絡(luò)的識別效果差距縮小，在信噪比為15 dB 時，3 種遷移網(wǎng)絡(luò)表現(xiàn)出相近的識別性能；同時，測試結(jié)果表明隨著信噪比增加，VGG16 網(wǎng)絡(luò)的4 種信號的整體分類準(zhǔn)確率逐漸增加，信噪比為15 dB 時，4 種信號的整體分類準(zhǔn)確率接近于100%；信噪比為3 dB 以上時，整體分類準(zhǔn)確率在90%以上。

圖7 基于經(jīng)典網(wǎng)絡(luò)模型的遷移學(xué)習(xí)網(wǎng)絡(luò)識別性能對比

圖8 為VGG16 遷移網(wǎng)絡(luò)測試時4 種水聲通信信號的不同信噪比情況下的單獨分類準(zhǔn)確率對比?？梢钥闯?，隨著信噪比增加，4 種信號的分類準(zhǔn)確率逐漸增加，信噪比為0 dB 以上時，SC-FDE、SC-TDSS 信號的識別準(zhǔn)確率可保持在95%以上，信噪比為5 dB 以上時，4 種信號的分類準(zhǔn)確率均達到90%以上；在低信噪比情況下，SC-FDE 和SC-TDSS兩類信號的分類準(zhǔn)確率明顯優(yōu)于OFDM 和MC-FDSS兩類信號。

圖8 4 種水聲通信信號的分類準(zhǔn)確率對比

由此可以得出，本文所提出的UACCMR/TL 網(wǎng)絡(luò)對于水聲通信信號調(diào)制具有良好的識別性能，信噪比越高，識別性能越好，低信噪比時識別率下降，但0 dB 時仍可以保持84.4%的識別率。在低信噪比環(huán)境下，識別性能表現(xiàn)出較明顯差異，對于單載波信號的識別性能優(yōu)于多載波信號。

為了評估本文提出的UACCMR/TL 網(wǎng)絡(luò)的水聲信道泛化性能，首先采用信噪比為5 dB 時水聲信道CH1 數(shù)據(jù)集訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，評估其在同信噪比下CH1、CH2 和CH3 信道環(huán)境上生成的測試集的不同載波調(diào)制信號的識別性能。測試結(jié)果如圖9 所示，可以看出，CH1、CH2 和CH3 信道環(huán)境上生成的測試集的整體識別結(jié)果分別為93.5%、81.75%和60.62%。同時，從圖9 中可以看出，網(wǎng)絡(luò)對MC-FDSS 信號的識別性能明顯優(yōu)于其他3 種信號，其次是OFDM 信號，說明多載波信號相比于單載波信號在水聲信道環(huán)境發(fā)生變化時的受影響程度更小，更加適應(yīng)信道環(huán)境的變化。

圖9 不同信道環(huán)境四種水聲通信信號的識別性能對比

為了進一步驗證遷移學(xué)習(xí)方法對信道泛化性能的影響，本文以CH1 上訓(xùn)練的模型權(quán)重為基礎(chǔ)，再利用少量的CH2 和CH3 數(shù)據(jù)樣本進行了模型微調(diào)仿真實驗，結(jié)果如表3 所示。由表3 可以看出，未使用相應(yīng)通道數(shù)據(jù)樣本進行模型微調(diào)時，基于CH1 訓(xùn)練的模型直接用于CH2 和CH3 得到的識別效果較差；而采用少量的CH2 和CH3 樣本數(shù)據(jù)進行模型訓(xùn)練微調(diào)后，在CH2 和CH3 識別上均得到了較大的性能提升。不同于初始訓(xùn)練時采用每種信號1 000 張的大量數(shù)據(jù)，在模型微調(diào)時，只采用少量的信號時頻圖（50 張，為初始訓(xùn)練集數(shù)據(jù)的5%），便可得到有效的識別效果提升。由此可以看出，本文所提出的UACCMR/TL 網(wǎng)絡(luò)在已有信道樣本訓(xùn)練模型的基礎(chǔ)上，可利用較少量的不同信道樣本數(shù)據(jù)達到不同信道環(huán)境下的高分類性能，有效提升UACCMR/TL 網(wǎng)絡(luò)的信道泛化性能。

表3 基于少量數(shù)據(jù)樣本模型微調(diào)的不同信道識別性能對比

4 結(jié) 論

針對多制式水聲通信信號的信號調(diào)制方式自動識別需求，本文提出了一種基于時頻分析和遷移學(xué)習(xí)的水聲通信信號載波調(diào)制方式識別方法。為了突出信號特征差異，采用時頻分析方法將水聲通信時間序列信號轉(zhuǎn)換為時頻圖像，將水聲通信信號調(diào)制識別問題轉(zhuǎn)化成為圖像識別問題；為了充分利用圖像識別領(lǐng)域性能優(yōu)異的深度學(xué)習(xí)模型，采用遷移學(xué)習(xí)將圖像識別領(lǐng)域深度學(xué)習(xí)模型VGG16 應(yīng)用到水聲通信信號調(diào)制識別，具體采用歸納式遷移學(xué)習(xí)方式。仿真結(jié)果表明，所提出的基于時頻分析和遷移學(xué)習(xí)的水聲通信信號載波調(diào)制方式識別方法對SC-TDSS、SC-FDE、OFDM 和MC-FDSS 信號具有良好的識別性能，且該方法可以在不同信道環(huán)境較少數(shù)據(jù)樣本模型微調(diào)下達到良好的識別性能，表明該方法具有良好的信道泛化性能。本文工作為水聲通信信號的信號調(diào)制方式識別提供了一種有效探索，可應(yīng)用于智能多制式自適應(yīng)水聲通信技術(shù)領(lǐng)域；同時，也為時間序列信號的深度學(xué)習(xí)網(wǎng)絡(luò)設(shè)計提供了一種參考方案。