基于时空特征融合的水声信号调制识别.pdf

第4 4卷 第4期2 0 2 3年8月 青 岛 科 技 大 学 学 报(自然科学版)J o u r n a l o f Q i n g d a o U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y(N a t u r a l S c i e n c e E d i t i o n)V o l.4 4 N o.4A u g.2 0 2 3 文章编号:1 6 7 2-6 9 8 7(2 0 2 3)0 4-0 1 2 0-0 7;D O I:1 0.1 6 3 5 1/j.1 6 7 2-6 9 8 7.2 0 2 3.0 4.0 1 6基于时空特征融合的水声信号调制识别吴承安,赵文龙,王景景*(青岛科技大学 信息科学技术学院,山东 青岛 2 6 6 0 6 1)摘 要:复杂的水下信道环境和严重的噪声干扰给接收机正确识别调制方式带来巨大挑战。为解决该问题,结合门控循环单元(g a t e d r e c u r r e n t u n i t,G RU)和残差神经网络(r e s i d u a l n e t-w o r k,R e s N e t)的自动特征提取和学习能力,设计了一种基于混合神经网络的时空特征融合模型,称为门控和残差融合模型(G RU a n d R e s N e t f u s e d m o d e l,G&R FM)。与传统的调制识别技术相比,该方法无需人工提取特征,就能获得较高的识别精度。实验结果表明,所提出的G&R FM在南海数据集上的验证准确率为9 8.3 1%。与改进前的网络模型相比,本工作所提出的G&R FM具有更高的识别精度,有效提升了神经网络学习性能。关键词:水声信号;调制识别;混合神经网络;特征融合中图分类号:T N 9 2 9.3 文献标志码:A引用格式:吴承安,赵文龙,王景景.基于时空特征融合的水声信号调制识别J.青岛科技大学学报(自然科学版),2 0 2 3,4 4(4):1 2 0-1 2 6.WU C h e n g a n,Z HAO W e n l o n g,WANG J i n g j i n g.M o d u l a t i o n r e c o g n i t i o n o f u n d e r w a t e r a-c o u s t i c s i g n a l s b a s e d o n f u s i o n o f s p a t i o t e m p o r a l f e a t u r eJ.J o u r n a l o f Q i n g d a o U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y(N a t u r a l S c i e n c e E d i t i o n),2 0 2 3,4 4(4):1 2 0-1 2 6.收稿日期:2 0 2 2-0 7-2 8基金项目:国家自然科学基金联合基金重点项目(U 1 8 0 6 2 0 1);山东省自然科学基金重大基础研究项目(Z R 2 0 2 1 Z D 1 2).作者简介:吴承安(1 9 9 6),男,硕士研究生.*通信联系人.M o d u l a t i o n R e c o g n i t i o n o f U n d e r w a t e r A c o u s t i c S i g n a l s B a s e d o n F u s i o n o f S p a t i o t e m p o r a l F e a t u r eWU C h e n g a n,Z H A O W e n l o n g,WA N G J i n g j i n g(C o l l e g e o f I n f o r m a t i o n S c i e n c e a n d T e c h n o l o g y,Q i n g d a o U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y,Q i n g d a o 2 6 6 0 6 1,C h i n a)A b s t r a c t:I t i s a h u g e c h a l l e n g e f o r t h e r e c e i v e r t o c o r r e c t l y i d e n t i f y t h e m o d u l a t i o n t y p e s d u e t o t h e c o m p l e x u n d e r w a t e r c h a n n e l e n v i r o n m e n t a n d s e v e r e n o i s e i n t e r f e r e n c e.T o s o l v e t h i s p r o b l e m,c o m b i n e d w i t h t h e a u t o m a t i c f e a t u r e e x t r a c t i o n a n d l e a r n i n g a b i l i t y o f G a t e d R e-c u r r e n t U n i t(G RU)a n d R e s i d u a l N e t w o r k(R e s N e t),a s p a t i o t e m p o r a l f e a t u r e f u s i o n m o d e l b a s e d o n h y b r i d n e u r a l n e t w o r k i s d e s i g n e d,w h i c h i s c a l l e d G RU a n d R e s N e t F u s e d M o d e l(G&R FM).A s c o m p a r e d w i t h t h e t r a d i t i o n a l m o d u l a t i o n r e c o g n i t i o n t e c h n i q u e s,t h i s m e t h o d a-c h i e v e s h i g h e r r e c o g n i t i o n a c c u r a c y w i t h o u t m a n u a l f e a t u r e e x t r a c t i o n.T h e e x p e r i m e n t a l r e s u l t s s h o w t h a t t h e v a l i d a t i o n a c c u r a c y o f t h e p r o p o s e d G&R F M o n t h e S o u t h C h i n a S e a d a t a s e t i s 9 8.3 1%.C o m p a r e d w i t h t h e u n i m p r o v e d n e t w o r k m o d e l,t h e p r o p o s e d G&R F M h a s a h i g h e r r e c-o g n i t i o n a c c u r a c y a n d e f f e c t i v e l y i m p r o v e s t h e l e a r n i n g p e r f o r m a n c e o f n e u r a l n e t w o r k.K e y w o r d s:u n d e r w a t e r a c o u s t i c s i g n a l;m o d u l a t i o n r e c o g n i t i o n;h y b r i d n e u r a l n e t w o r k;f e a-t u r e f u s i o n 第4期 吴承安等:基于时空特征融合的水声信号调制识别 海洋占据了地球约7 0%的面积,蕴含着丰富的物质资源。现代国家海洋资源勘探1-2、海洋气候检测3-4、海洋安全5等各种海洋活动对海洋信息数据采集和处理的需求越来越高。海洋信息数据传输的载体多为水声,因此水声信号调制方式识别在海洋信息采集过程中有着极为广泛的应用。然而,海洋环境动态多变,存在严重的多径效应、多普勒频移、高斯噪声以及冲激噪声等非高斯噪声干扰6,时间选择性衰落和频率选择衰落并存,传输损失严重,传输速率及带宽受限7,以上不利因素给水声信号调制方式识别带来许多挑战。通常,调制方式识别技术可分为两个大类:基于似然的决策理论方法和基于特征提取的模式识别方法。基于似然的判决理论方法以决策理论为基础,通过处理接收信号的似然函数得出统计量,利用统计量与门限比较完成调制方式识别过程8。另一方面,基于特征的识别方法从接收到的信号中提取可区分的特征,然后利用分类器识别接收信号的调制方式。基 于 特 征 的 识 别 方 法 具 有 更 高 的 识 别 精度9-1 0,主要分为专家特征提取和自动特征提取。2 0 1 9年,L I等1 1中将小波变换的偏度、方差、均值和峰度作为特征集,然后利用主成分分析进行特征子集选择,最后利用神经网络作为分类器对信号进行分类,在多径衰落信道中,获得良好的分类精度。基于专家特征提取的调制方式识别方法通过提取不同调制方式的专家特征,根据特征的不同特点判断信号的调制方式,需要专家知识和人工设计。而深度学习方法可以自动从数据中提取隐藏特征,进而根据特征进行检测或识别1 2。2 0 1 9年,L I等1 3提取信号的双谱振幅谱输入给卷积神经网络,使其能够从图像中自动学习和提取深度特征,算法对7种常用调制信号进行识别。2 0 2 0年,张思成等1 4通过绘制电磁信号的星座图将电磁信号具象为二维图像,并根据归一化点密度对星座图上色以实现特征增强,然后使用二值化深度神经网络对电磁进行识别,有效识 别 了 常 用 的8种 调 制 方 式。2 0 2 1年,CHE N等1 5提出了一种基于雷达信号高阶频谱的脉内调制识别方法。在深度残差网络中实现自动软阈值化,自适应地消除特征学习过程中的冗余信息,提高相应三阶谱分布图像中有价值特征的学习效果。传统的基于专家特征的模式识别方法通常会人为地考虑一些标准,然后根据这些标准来选择特征。特征提取与最终预测模型的学习单独进行。因此,学习到的特征不一定能提高最终模型的性能,也不能保证模型的泛化。而使用深度学习算法,允许模型自动学习良好的特征表示,以提高预测模型的准确性,并确保模型的泛化。深度神经网络通过多层特征转换,将原始数据转换为更高层次、更抽象的表示,避免了基于专家特征的模式识别方法的缺点。然而基于自动特征提取的调制方式识别大都是基于仿真信道设计,水下环境的复杂性使得基于仿真数据的算法性能应用在真实数据上可能效果大打折扣。此外,不同海域海洋环境差异巨大,基于单一特征方法难以保证算法在不同海域的泛化性。为了避免提取特征的单一性,提出了一种基于改进门控循环单元(g a t e d r e c u r r e n t u n i t,G RU)和残差网络(r e s i d u a l n e t w o r k,R e s N e t)的特征融合方法来识别水声信号调制方式并使用真实世界的海洋研究数据集对所提出的网络模型进行评估。1 网络模型本研究提出了一种基于G RU与R e s N e t的深度融合神经网络模型G&R FM(G RU a n d R e s N e t f u s e d m o d e l),如图1所示。在信号调制识别领域,混合特征提取结构网络的性能优于单一特征提取结构网络1 6。本网络模型的设计是考虑到一种特征通常只对调制信号的部分特性变化较为敏感,对其他特性的变化不敏感,所以当调制信号的差异在某种特征特性上差异不大时,基于单一特征判断的分类器就无法输出调制信号正确分类。因此,本研究使用特征融合方法,提取多属性特征进行调制识别,实现特征互补,降低单一属性特征固有缺陷的影响。另外使用特征融合策略,在改进G RU与R e s N e t分别提取信号的时域特征和空域特征后,通过特征融合策略得到融合后的特征,加强特征的多样性和有效 性,为 调 制 分 类 识 别 提 供 足 够 的 特 征 信 息。G&R FM识别水声信号调制方式包括3个步骤。第1步是对水声信号进行预处理,第2步是利用预处理后的样本对所提出的改进模型进行特征提取,第3步是特征融合后送入全连接分类器进行分类,得到分类识别结果。121青 岛 科 技 大 学 学 报(自然科学版)第4 4卷图1 G&R F M总体框图F i g.1 G&R FM o v e r a l l b l o c k d i a g r a m 1.1 预处理为便于神经网络训练,需要对G RU与R e s N e t输入的水声信号进行归一化操作:xn e w=x-xm i nxm a x-xm i n,(1)其中,x为原始水声信号,xn e w为归一化后的水声信号,xm a x与xm i n为原始水声信号最大值与最小值。G RU与R e s N e t的输入要求为二维数据,此时,原始数据归一化后,将长度为1 2 8 0的信号作为G&R FM模型中某一时间步的输入,每个信号数据样本有3 9个时间步。此时,原始数据被重塑为二维数据,维度为3 91 2 8 0,其中3 9为G RU时间步的数量,1 2 8 0为每个时间步输入数据的长度。1.2 G&R F M模型结构1.2.1 改进G RU如图2所示,在数据进入G RU的重置门、更新门之前引入新的交叉门,具体为输入x和隐藏层ht在进入G RU前首先进行交互,具体为:x-1就是归一化后的输入xn e w,而h0是hp r e v经过线性转换再输入s i g m o i d的值。图2 改进G R U模型F i g.2 I m p r o v e d G RU m o d e l 当r为奇数时:xi=2(Qihip r e v)xi-2,奇数i1,r,(2)当r为偶数时:hip r e v=2(Rixi-1)hi-2p r e v,偶数i1,r,(3)其中为s i g m o i d函数:(x)=11+e-x。(4)为元素层面的乘积,两个向量按元素逐个相乘,组成一个新的向量,结果向量与原向量尺寸相同,Qi,Ri是大小为NM的矩阵,为了减少引入参数的数量,将Qi,Ri分解为低秩矩阵的乘积;通过x-1和h0计算得出x1,然后通过x1和h0计算得到h2,再通过x1和h2得到x3,最后得到融合了x和h信息的h2和x3,然后将其作为初始输入x0和h0,输入到G RU的重置门和更新门。G RU结构图如下图3所示。图3 G R U结构图F i g.3 S t u r c t u r e o f G RU 重置门rt公式为rt=(Wrxr,ht-1)。(5)更新门zt公式为zt=(Wzxr,ht-1)。(6)基于重置门计算的隐藏状态公式为ht=t a n h(Whxt,rtht-1)。(7)基于更新门的隐藏状态更新公式为ht=ztht-1+(1-zt)ht。(8)221 第4期 吴承安等:基于时空特征融合的水声信号调制识别其中 表示两个向量相加,表示矩阵元素层面的乘积,W是权值矩阵,在训练中学习,在训练结束时确定。最后每个时间步得到的隐藏层输出认为是包含整个水声信号的编码,即得到提取的时域特征X。1.2.2 改进R e s N e t改进R e s N e t模型见图4,如图4所示,预处理后信号依次经过3个残差块得到3个特征层,考虑到计算复杂度和网络性能,每个残差块的输出通过池化层,再串联合并以简化参数。然后再引入自注意机制来重新校准集成特征以提取有效信息,考虑到连续可微性,选择了软注意,计算输入的加权平均再输入到神经网络中,这有利于梯度计算。每一个注意力模块可以分成2个分支,一个分支称为主分支,是残差块的基本结构,而另一个分支为软掩码分支,软掩码分支中包含的主要部分是残差注意力学习机制。2个分支组成了注意力的机制。图4 改进R e s N e t模型F i g.4 I m p r o v e d R e s N e t m o d e l Hi(x)=(1+Mi(x)Fi(x),(9)其中Hi是注意力模块,Fi是残差块输出的特征,Mi是下软掩膜的注意力参数。这就构成了残差注意力模块,能将残差块特征和加强注意力之后的特征一同输入到下一个残差模块。注意力选择函数f(x)实现混合域的注意力,公式为f(x)=11+e-x。(1 0)然后通过S o f t m a x函数对每个残差块注意力Hi处理得到范围在0,1 且和为1的注意映射权重W1,W2,W3。所述S o f t m a x函数为S o f t m a x(xi)=exiCc=1exi,(1 1)其中xi为第i个残差块注意力的输出值,C为残差块个数。最后将计算出的注意映射权重乘以不同特征层来实现不同特征层的自注意,得到重构的空间特征Y:Y=W1F1+W2F2+W3F3。(1 2)1.3 特征融合提取水声信号的时间特征和空间特征具有不同的特征属性,通过下采样和卷积核操作将两个网络输出的特征 图调整为大 小、通道数 相同,使改进R e s N e t重构后的空间特征与改进G RU输出的时间特征映射结构一致。特征融合图见图5,如图5所示,再通过融合策略得到融合后的特征图,具体为:X和Y分别为来自改进G RU和改进R e s N e t的特征,分别乘上对应的权重参数,并相加,就能得到新的融合特征F。F=X+Y,(1 3)其中参数的定义为=ee+e。(1 4)参数的定义类似,权重参数,是分别与2个网络输出的特征图大小相同的权重图,这2个参数各位置的取值自适应地被网络学习,并且参数,经过串联之后通过S o f t m a x使得它们的范围都在0,1 内并且和为单位矩阵,和是由X和Y分别乘上11的卷积层得到的权重标量。图5 特征融合F i g.5 F e a t u r e f u s i o n 将融合后的特征输入到最终全连接神经网络分类器进行训练。2 模型训练与实验结果分析2.1 实验数据集南海水声信号数据集于2 0 2 0年1 2月1 4日在南海采集,位于1 0 9 4 0 5 9.1 1 7 E和 1 8 6 3 7.7 6 5 N。本团队利用开发的水声通信系统,在南海进行实验收集了8种调制方式的数据。采集南海水声信号数据集时选择的通信系统参数和环境参数如表1所示。在本工作中,选择了每种调制方式的1 6 0个信号来训练网络,剩下的4 0个信号用作验证集。训练集有1 2 8 0个训练样本,验证集有3 2 0个数据样本。2.2 模型训练与验证本工作使用t e n s o r f l o w 2.1来实现所提出的模型。神经网络学习6 0轮,每次训练抓取的样本数为1 6个。为了防止梯度消失现象,非线性激活函数使用r e l u。输出层采用S o f t m a x逻辑回归进 行分类,321青 岛 科 技 大 学 学 报(自然科学版)第4 4卷表1 通信系统参数和环境参数表T a b l e 1 C o mm u n i c a t i o n s y s t e m p a r a m e t e r s a n d e n v i r o n m e n t a l p a r a m e t e r s参数名称参数数值水深/m8 0风力等级6浪高/m2通信机收发两端距离/m1换能器带宽/k H z1 02 0 接收换能器离海面距离/m5发射换能器离海面距离/m3数模转换采样频率/k H z3 3 6模数转换采样频率/k H z3 3 6传输信号调制方式B F S K,Q F S K,B P S K,Q P S K,1 6 QAM,6 4 QAM,O F DM,D S S S信号样本每种调制方式有2 0 0组信号信噪比/d B-9S o f t m a x函数构建概率分布再通过交叉熵就得到了交叉熵损失函数。交叉熵损失函数用来来训练整个网络模型,损失值可以衡量在训练集上训练结果的好坏程度。训练过程中,使用A d a m梯度下降法来调整神经网络梯度和更新网络权值,学习率设置为0.0 0 0 5。本训练使用的服务器C P U型号为I n t e l(R)X e o n(R)G o l d 5 2 1 8,内存为1 2 8 G B,内核为6 4核,用来加速训练的G P U显存为1 6 G B,型号为T E S L A T 4。在评估神经网络的性能时,使用一台型号 为I n t e l酷 睿i 5 9 3 0 0 H C P U处 理 器 和2.4 GH z主频的神舟战神Z 7-C T 5 NA笔记本电脑,模型评估过程没有使用G P U。2.3 实验结果对比了改进前后的G RU、改进前后的R e s N e t以及融合模型,利用南海数据集建立的5种网络模型的实验结果如表2。损失值通过基于交叉熵的损失函数计算,其数值表明神经网络的学习情况,损失值越小说明神经网络的学习性能越好。表2 南海数据集下5种网络的实验结果T a b l e 2 E x p e r i m e n t a l r e s u l t s o f f i v e n e t w o r k s u n d e r t h e S o u t h C h i n a S e a d a t a s e t指标G RU改进G RUR e s N e t改进R e s N e t融合模型训练集准确率/%9 3.7 59 5.2 79 4.0 29 5.1 89 7.8 6验证集准确率/%9 5.7 19 6.4 39 0.7 29 2.4 29 8.3 1训练集损失值0.2 5 1 20.1 9 0 20.2 4 1 30.1 9 4 30.0 4 9 1验证集损失值0.2 4 2 80.1 8 6 80.1 6 1 20.1 4 1 50.0 1 8 9单次识别平均时间/m s9.3 2 51 1.6 5 32 9.5 9 63 6.4 7 84 7.1 6 4 G RU的训练精度和验证精度分别为9 3.7 5%和9 5.7 1%,训练精度和验证精度的差异为1.9 6%。改进 后 的G RU的 训 练 精 度 和 验 证 精 度 分 别 为9 5.2 7%和9 6.4 3%,训练精度和验证精度的差异为1.1 6%。改进前后G RU的训练损失和验证损失如图6中(a)和(b)所示,都相对稳定,抖动不大,说明改进前后G RU学习到的水声信号的时间特征可以描述出信号的调制特性。改进后训练精度和验证精度之间的差异降为1.1 6%,训练损失和验证损失抖动更小,说明改进G RU对网络性能有一定提升。G RU单次识别平均时间约为9.3 2 5 m s,在5种模型中复杂度最低,说明了G RU在复杂度方面有优越性。改进后G RU单次识别所消耗的平均时间略微增加,由9.3 2 5 m s增加至1 1.6 5 3 m s,说明引入交叉门略微增加了模型复杂度。R e s N e t改进前的训练精度和验证精度分别为9 4.0 2%和9 0.7 2%,训练精度和验证精度的差异为3.3%。改进后的R e s N e t的训练精度和验证精度分别为9 5.1 8%和9 2.4 2%,训练精度和验证精度的差异为2.7 6%。改进后R e s N e t的训练损失和验证损失如图6中(c)和(d)所示,最后损失值都收敛到相对稳定,说明改进前后R e s N e t学习到的水声信号的空间特征可以描述出信号的调制特性。改进后精度提高了,训练精度和验证精度之间的差异降为2.7 6%,训练损失和验证损失抖动更小,说明改进R e s N e t对网络性能有一定提升。改进后R e s N e t单次识别所消耗的平均时间有所增加,由2 9.5 9 6 m s增加至3 6.4 7 8 m s,说明注意力模块会导致模型复杂度增加。融合后模型的训练和验证损失如图7所示。融合模型的与改进后G RU相似,G&R FM的训练和验 证损失逐渐减小并收敛。同时,G&R FM的训练421 第4期 吴承安等:基于时空特征融合的水声信号调制识别图6 改进前后G R U和R e s N e t的训练损失和验证损失F i g.6 T r a i n i n g a n d v a l i d a t i o n l o s s e s b e f o r e a n d a f t e r i m p r o v i n g G RU a n d R e s N e t图7 融合模型训练和验证损失F i g.7 T r a i n i n g a n d v a l i d a t i o n l o s s e s o f f u s e d m o d e l损失小于其他4个网络,而且精度最高,G&R FM的训练精度和验证精度分别为9 7.8 6%和9 8.3 1%。此外,G&R FM验证与训练的识别精度差异不超过0.4 5%,明显小于改进前后的G RU和R e s N e t。实验结果表明所提出的G&R FM对水声信号调制方式具有更好的学习能力,能够有效地学习水声信号的特性,从而准确识别水声信号调制方式。在时间复杂度方面,融合模型识别一个信号的平均时间为4 7.1 6 4 m s,为5种模型中时间复杂度最高,说明特征融合的引入增加了模型复杂度。但和单特征提取模型 相 比,G&R FM具 有 更 高 的 识 别 精 度,相 比G RU识 别 精 度 由9 5.7 1%上 升 至9 8.3 1%,相 比R e s N e t识别精度由9 0.7 2%上升至9 8.3 1%,可见所提出G&R FM适合于对精度要求较高并且可接收复杂度略微上升的场合。3 结 语提出 了 一 种 混 合 神 经 网 络 特 征 融 合 模 型G&R FM,来准确地识别水声信号调制方式。与传统的 自 动 调 制 识 别 方 法 相 比,本 工 作 所 提 出 的G&R FM模型不需要预先提取信号专家特征,避免了因设计不当造成一定程度的特征丢失而降低分类效果。与传统的深度学习算法相比,G&R FM结合了G RU在处理时间序列数据方面的特殊优势和R e s N e t的空间学习能力,避免了单一网络在特征提取中的不足。实验结果表明,与改进前网络模型相比,G&R FM具 有 更 高 的 识 别 精 度,有 效 识 别 了B F S K、Q F S K、B P S K、Q P S K、1 6 QAM、6 4 QAM、O F DM和D S S S共8种调制信号。参 考 文 献1 X I J,YAN S,XU L,e t a l.S p a r s i t y-a w a r e a d a p t i v e t u r b o e-q u a l i z a t i o n f o r u n d e r w a t e r a c o u s t i c c o mm u n i c a t i o n s i n t h e m a r i-a n a t r e n c hJ.I E E E J o u r n a l o f O c e a n i c E n g i n e e r i n g,2 0 2 0,4 6521青 岛 科 技 大 学 学 报(自然科学版)第4 4卷(1):3 3 8-3 5 1.2 GHO R E Y S H I S M,S HAHR A B I A,B OUT A L E B T,e t a l.V o i d-h a n d l i n g t e c h n i q u e s f o r r o u t i n g p r o t o c o l s i n u n d e r w a t e r s e n s o r n e t w o r k s:S u r v e y a n d c h a l l e n g e sJ.I E E E C o mm u n i c a-t i o n s S u r v e y s a n d T u t o r i a l s,2 0 1 7,1 9(2):8 0 0-8 2 7.3 MA R C O N Y,K O P I S K E K E,L E YMA N N T,e t a l.A r o t a r y s o n a r f o r l o n g-t e r m a c o u s t i c m o n i t o r i n g o f d e e p-s e a g a s e m i s s i o n sC/O C E A N S 2 0 1 9-M a r s e i l l e,P i s c a t a w a y,I E E E,2 0 1 9:1-8.4 HAN G,T AN G Z,HE Y,e t a l.D i s t r i c t p a r t i t i o n-b a s e d d a t a c o l l e c t i o n a l g o r i t h m w i t h e v e n t d y n a m i c c o m p e t i t i o n i n u n d e r-w a t e r a c o u s t i c s e n s o r n e t w o r k sJ.I E E E t r a n s a c t i o n s o n i n d u s-t r i a l i n f o r m a t i c s,2 0 1 9,1 5(1 0):5 7 5 5-5 7 6 4.5 J I ANG S.O n s e c u r i n g u n d e r w a t e r a c o u s t i c n e t w o r k s:A s u r v e yJ.I E E E C o mm u n i c a t i o n s S u r v e y s a n d T u t o r i a l s,2 0 1 8,2 1(1):7 2 9-7 5 2.6 赵自璐,王世练,张炜,等.水下冲激噪声环境下基于多特征融合的信号调制 方 式 识 别 J.厦 门 大 学 学 报(自 然 科 学 版),2 0 1 7,5 6(3):4 1 6-4 2 2.Z HAO Z i l u,WANG S h i l i a n,Z HAN G W e i,e t a l.R e c o g n i t i o n o f s i g n a l m o d u l a t i o n t y p e s b a s e d o n m u l t i-f e a t u r e f u s i o n i n u n-d e r w a t e r i m p u l s e n o i s e e n v i r o n m e n tJ.J o u r n a l o f X i a m e n U n i-v e r s i t y(N a t u r a l S c i e n c e E d i t i o n),2 0 1 7,5 6(3):4 1 6-4 2 2.7 A L I M F,J AYAKO D Y D N K,C HUR S I N Y A,e t a l.R e c e n t a d v a n c e s a n d f u t u r e d i r e c t i o n s o n u n d e r w a t e r w i r e l e s s c o mm u n i-c a t i o n sJ.A r c h i v e s o f C o m p u t a t i o n a l M e t h o d s i n E n g i n e e r i n g,2 0 2 0,2 7(5):1 3 7 9-1 4 1 2.8 杨安锋,赵知劲,陈颖,等.利用稀疏堆栈自编码器实现调制样式识别算法J.信号处理,2 0 1 8,3 4(7):8 3 3-8 4 2.YAN G A n f e n g,Z HAO Z h i j i n,C HE N Y i n g,e t a l.M o d u l a t i o n p a t t e r n r e c o g n i t i o n a l g o r i t h m u s i n g a s p a r s e s t a c k a u t o e n c o d e rJ.S i g n a l P r o c e s s i n g,2 0 1 8,3 4(7):8 3 3-8 4 2.9 B OUT T E D,S AN THANAM B.A h y b r i d I C A-S VM a p p r o a c h t o c o n t i n u o u s p h a s e m o d u l a t i o n r e c o g n i t i o nJ.I E E E S i g n a l P r o c e s s i n g L e t t e r s,2 0 0 9,1 6(5):4 0 2-4 0 5.1 0 NO R OU Z I S,J AM S H I D I A,Z O L GHA D R A S L I A R,e t a l.A d a p t i v e m o d u l a t i o n r e c o g n i t i o n b a s e d o n t h e e v o l u t i o n a r y a l-g o r i t h m sJ.A p p l i e d S o f t C o m p u t i n g,2 0 1 6,4 3:3 1 2-3 1 9.1 1 L I W,D OU Z,Q I L,e t a l.W a v e l e t t r a n s f o r m b a s e d m o d u l a-t i o n c l a s s i f i c a t i o n f o r 5 G a n d UAV c o mm u n i c a t i o n i n m u l t i p a t h f a d i n g c h a n n e lJ.P h y s i c a l C o mm u n i c a t i o n,2 0 1 9,3 4:2 7 2-2 8 2.1 2 L E C UN Y,B E N G I O Y,H I N T ON G,e t a l.D e e p l e a r n i n gJ.N a t u r e,2 0 1 5,5 2 1(7 5 5 3):4 3 6-4 4 4.1 3 L I Y,S HAO G,WAN G B,e t a l.A u t o m a t i c m o d u l a t i o n c l a s-s i f i c a t i o n b a s e d o n b i s p e c t r u m a n d C NNC/I n t e r n a t i o n a l I n-f o r m a t i o n T e c h n o l o g y a n d A r t i f i c i a l I n t e l l i g e n c