本發(fā)明涉及水聲通信，具體的涉及一種基于深度學(xué)習(xí)的ofdm水聲通信接收方法。

背景技術(shù)：

1、水聲信道（uwa）具有嚴(yán)重的傳輸損耗、與頻率相關(guān)的環(huán)境噪聲、顯著的多徑效應(yīng)和多普勒效應(yīng)等特性，這主要源于水聲傳播媒介的特殊性質(zhì)以及水下環(huán)境的復(fù)雜性。水聲信道建模和預(yù)測(cè)十分困難，且水聲信道帶寬有限，存在毫秒量級(jí)的時(shí)延擴(kuò)展，從而嚴(yán)重降低信號(hào)接收性能和限制水聲通信的速率，導(dǎo)致接收端誤碼率較高，使接收信號(hào)受到干擾。ofdm（orthogonal?frequency?division?multiplexing）技術(shù)因其在高速數(shù)據(jù)傳輸、多徑傳播環(huán)境下的魯棒性以及對(duì)頻譜的高效利用等方面的卓越性能而成為現(xiàn)代通信領(lǐng)域的關(guān)鍵技術(shù)。

2、ofdm由于良好的抗符號(hào)間干擾（isi）和多徑衰落效應(yīng)的性能而被廣泛應(yīng)用于uwa通信中。為了在接收端能夠解調(diào)出正確的原始符號(hào)，采用合適的信道估計(jì)算法對(duì)uwa?ofdm系統(tǒng)的性能至關(guān)重要，目前，最小二乘法（ls）是當(dāng)今使用的熱門算法，擁有較低的復(fù)雜度是ls的顯著特征，但也因此忽略了子載波間的干擾，這使得ls在導(dǎo)頻及循環(huán)前綴數(shù)量較少的情況下，表現(xiàn)出了較差的誤碼率性能。

3、在快速時(shí)變的復(fù)雜uwa信道中，特別是實(shí)際uwa環(huán)境中，傳統(tǒng)算法的接收機(jī)存在導(dǎo)頻開銷大、復(fù)雜度高、魯棒性差等問題，同時(shí)不能很好的匹配信道，從而降低了數(shù)據(jù)恢復(fù)的準(zhǔn)確度。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的在于：提供一種基于深度學(xué)習(xí)的ofdm水聲通信接收方法，以提升數(shù)據(jù)恢復(fù)的精度。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案是：一種基于深度學(xué)習(xí)的ofdm水聲通信接收方法，包括以下步驟：

3、步驟1：搭建ofdm系統(tǒng)，生成數(shù)據(jù)集；發(fā)送端傳輸?shù)某跏紀(jì)fdm信號(hào)經(jīng)過信道預(yù)處理，生成所述數(shù)據(jù)集，接收端接收經(jīng)過信道后的ofdm信號(hào)；

4、步驟2：構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)cnn的信道估計(jì)模型；根據(jù)輸入數(shù)據(jù)獲得表達(dá)式為的先導(dǎo)子載波的信道頻率響應(yīng)cfr，并拆分先導(dǎo)子載波的信道頻率響應(yīng)作為卷積神經(jīng)網(wǎng)絡(luò)cnn的輸入，其中，為已知的導(dǎo)頻符號(hào)，為接收到的導(dǎo)頻符號(hào)，為先導(dǎo)子載波的信道頻率響應(yīng)；

5、步驟3：構(gòu)建基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)bilstm的信號(hào)解調(diào)模型；使用傳統(tǒng)信道均衡算法獲得表達(dá)式為的初始數(shù)據(jù)，將序列輸入到信號(hào)解調(diào)部分，精確估計(jì)發(fā)送的數(shù)據(jù)符號(hào)，其中為獲得的初始數(shù)據(jù)，表示接收到的數(shù)據(jù)子載波，表示經(jīng)過提出的信道估計(jì)網(wǎng)絡(luò)得到的數(shù)據(jù)子載波的cfr；

6、步驟4：設(shè)定cnn網(wǎng)絡(luò)、bilstm網(wǎng)絡(luò)的超參數(shù)；

7、步驟5：利用數(shù)據(jù)集對(duì)信道估計(jì)模型和信號(hào)解調(diào)模型進(jìn)行訓(xùn)練；

8、步驟6：統(tǒng)計(jì)準(zhǔn)確率曲線、網(wǎng)絡(luò)損失曲線及訓(xùn)練時(shí)間，若準(zhǔn)確率曲線不擬合或網(wǎng)絡(luò)損失曲線不收斂，則重新設(shè)定超參數(shù)，進(jìn)行步驟4，否則進(jìn)行步驟7；

9、步驟7：將測(cè)試集輸入到深度學(xué)習(xí)輔助的ofdm水聲通信接收模型，進(jìn)行在線部署。

10、上述的基于深度學(xué)習(xí)的ofdm水聲通信接收方法，在步驟1中，所述信道預(yù)處理包括調(diào)制、插入導(dǎo)頻、串并轉(zhuǎn)換、快速傅里葉逆變換、添加循環(huán)前綴、并串轉(zhuǎn)換及快速傅里葉變換。

11、上述的基于深度學(xué)習(xí)的ofdm水聲通信接收方法，在步驟2中，所述信道估計(jì)模型由兩個(gè)一維卷積層、一個(gè)自注意力模塊和兩個(gè)一維反卷積層依次級(jí)聯(lián)組成，選取relu函數(shù)作為激活函數(shù)，第一個(gè)一維卷積層和第一個(gè)一維反卷積層中間設(shè)置有跳躍連接。

12、上述的基于深度學(xué)習(xí)的ofdm水聲通信接收方法，在步驟2中，輸入數(shù)據(jù)包括已知的導(dǎo)頻符號(hào)和接收到的導(dǎo)頻符號(hào)，所述步驟2還包括：

13、步驟2-1：拆分先導(dǎo)子載波的實(shí)部和虛部后拼接到一起作為信道估計(jì)模型的輸入；

14、步驟2-2：利用兩個(gè)一維卷積層提取水聲信道特征后，傳輸至自注意力模塊；

15、步驟2-3：自注意力模塊捕捉全局特征，后通過兩個(gè)一維反卷積層重構(gòu)數(shù)據(jù)子載波的信道頻率響應(yīng)，表示為：

16、，其中，表示神經(jīng)網(wǎng)絡(luò)的輸入，為最終輸出的cfr，表示第n層cnn的函數(shù)，，，，分別代表每層cnn的權(quán)重矩陣，而，，，代表每每層的偏置矩陣，a表示注意力的權(quán)重矩陣。

17、上述的基于深度學(xué)習(xí)的ofdm水聲通信接收方法，在步驟3中，所述信號(hào)解調(diào)模型分由雙向長(zhǎng)短期記憶網(wǎng)絡(luò)bilstm和全連接層構(gòu)成，含有三層bilstm網(wǎng)絡(luò)，每一層有64時(shí)間步以及分別有64個(gè)隱藏單元，最后是一個(gè)包含64個(gè)神經(jīng)元的fc層，使用sigmoid激活函數(shù)行二分類的輸出。

18、上述的基于深度學(xué)習(xí)的ofdm水聲通信接收方法，在步驟3中，使用sigmoid激活函數(shù)行二分類的輸出表示為：

19、，其中，表示經(jīng)過bilstm網(wǎng)絡(luò)后的輸出。

20、上述的基于深度學(xué)習(xí)的ofdm水聲通信接收方法，在步驟3中，使用sigmoid激活函數(shù)行二分類的輸出的步驟包括：

21、設(shè)置sigmoid函數(shù)的閾值為0.5，若輸出大于0.5則認(rèn)為接收到的符號(hào)為1，否則為0；bilstm的計(jì)算公式為：

22、，

23、，

24、，

25、，

26、，

27、，其中，、、、和分別是輸入門、遺忘門、輸出門和表示當(dāng)前信息的候選狀態(tài)，、、、、、、、表示輸入的權(quán)重矩陣，、、、分別表示各個(gè)的偏置項(xiàng)，表示每個(gè)時(shí)間步的隱藏狀態(tài)，表示單元狀態(tài)，和分別是sigmoid和雙曲正切函數(shù)，表示逐元素乘積。

28、上述的基于深度學(xué)習(xí)的ofdm水聲通信接收方法，步驟5包括：

29、步驟5-1：按照8:2的比例將所述數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集；

30、步驟5-2：使用adam優(yōu)化器，學(xué)習(xí)率為0.001，采用交叉熵作為損失函數(shù)對(duì)信道估計(jì)模型進(jìn)行訓(xùn)練，損失函數(shù)為：

31、，其中，y表示真實(shí)標(biāo)簽，p表示模型的預(yù)測(cè)值；

32、步驟5-3：利用訓(xùn)練好的信道估計(jì)模型訓(xùn)練信號(hào)解調(diào)模型。

33、上述的基于深度學(xué)習(xí)的ofdm水聲通信接收方法，在所述步驟7中，ofdm水聲通信模型采用的調(diào)制方式為qpsk，ofdm水聲通信發(fā)射模型發(fā)送測(cè)試信號(hào)，并經(jīng)過實(shí)測(cè)水聲信道后生成測(cè)試樣本，將測(cè)試樣本輸入到模型中進(jìn)行預(yù)測(cè)。

34、本發(fā)明一種基于深度學(xué)習(xí)的ofdm水聲通信接收方法的有益效果是：基于cnn的信道估計(jì)方法，可以大大提高信道估計(jì)的精度和準(zhǔn)確度；本發(fā)明提出的基于bilstm的信號(hào)檢測(cè)模型具有更高的檢測(cè)準(zhǔn)確性和魯棒性，具有更優(yōu)的性能和信號(hào)檢測(cè)能力。通過使用跳躍連接，將第一層卷積層后的輸出直接作為第一層反卷積層的輸入，減少信息傳播過程中可能出現(xiàn)的特征丟失及訓(xùn)練過程中的梯度消失等問題，在一維卷積層后添加注意力結(jié)構(gòu)，幫助建模全局特征，動(dòng)態(tài)估計(jì)信道。

35、本發(fā)明通過ofdm系統(tǒng)產(chǎn)生數(shù)據(jù)集，隨后卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建信道估計(jì)模型，利用bilstm網(wǎng)絡(luò)構(gòu)建信號(hào)解調(diào)模型；其次將數(shù)據(jù)集輸入到神經(jīng)網(wǎng)絡(luò)中，對(duì)模型進(jìn)行訓(xùn)練，采用adam優(yōu)化器和交叉熵?fù)p失函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化，有效解決了傳統(tǒng)水聲ofdm系統(tǒng)無法適應(yīng)水聲信道快速變化，解調(diào)誤碼率較高的問題。