基于GRU和ResNet的短時(shí)水聲通信信號(hào)調(diào)制識(shí)別

瞿逢重 朱 江 涂星濱 楊劭堅(jiān) 魏 艷 方 浩

（浙江大學(xué)海洋學(xué)院，浙江舟山 316021）

1 引言

全球的海洋領(lǐng)域目前呈現(xiàn)高速發(fā)展的態(tài)勢(shì)，海洋信息戰(zhàn)也逐漸成為信息戰(zhàn)場(chǎng)的焦點(diǎn)之一。當(dāng)前水下的長(zhǎng)距離無(wú)線通信網(wǎng)絡(luò)主要依賴水聲通信建立，因此各國(guó)研制了各種水聲通信設(shè)備并相繼投入使用，由此帶來(lái)的海洋信息對(duì)抗戰(zhàn)也逐漸得到重視。針對(duì)非合作水聲通信信號(hào)的自動(dòng)調(diào)制類型識(shí)別是獲得目標(biāo)信息的重要步驟，也為后續(xù)實(shí)現(xiàn)干擾、破譯打下重要基礎(chǔ)。

近年來(lái)，水聲通信信號(hào)調(diào)制識(shí)別技術(shù)已經(jīng)發(fā)展出三類主流方法：基于最大似然函數(shù)、基于人工特征提取以及基于深度學(xué)習(xí)的方法。其中，基于最大似然函數(shù)的方法有完善的理論支撐，分類效果優(yōu)秀，但其計(jì)算復(fù)雜度高，且需要很多先驗(yàn)信息來(lái)構(gòu)建似然函數(shù)和選擇合適的判決閾值，這些先驗(yàn)信息在復(fù)雜的水聲環(huán)境下難以取得，所以適用范圍受限?；谔卣魈崛〉姆椒壳耙呀?jīng)細(xì)分出以下幾個(gè)分支：基于瞬時(shí)特征參數(shù)、基于高階累積量［1-4］、基于循環(huán)譜相關(guān)［5-7］等。這類方法復(fù)雜度低、提取容易，但是其要求的輸入信號(hào)時(shí)間長(zhǎng)、分類系統(tǒng)設(shè)計(jì)困難、低信噪比下表現(xiàn)不穩(wěn)定?；谏疃葘W(xué)習(xí)的方法有以下兩種方式：一是將星座圖［8-10］、時(shí)頻圖［11-12］和循環(huán)譜圖［13-14］等二維圖像送入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，但這類方法的星座圖無(wú)法在非合作條件下得到，時(shí)頻圖和循環(huán)譜圖都要求信號(hào)有足夠的長(zhǎng)度，并且圖片有分辨率上的取舍問(wèn)題；二是將復(fù)基帶信號(hào)序列送入卷積等神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練［15-19］，此類方法是目前較為前沿的識(shí)別方法，但目前的此類方法對(duì)水聲信道的存在考慮不足，同時(shí)在短時(shí)數(shù)據(jù)的分類上仍存在困難。

在水聲通信中，從發(fā)送端到接收端有多條路徑能傳輸水聲信號(hào)，這會(huì)導(dǎo)致信道中存在多徑，接收端收到的是多條路徑傳輸信號(hào)的疊加。同時(shí)，海流、波浪和收發(fā)端相對(duì)運(yùn)動(dòng)的存在會(huì)使得信道隨著時(shí)間發(fā)生變化。針對(duì)以上問(wèn)題，本文提出一種基于GRU 與ResNet 結(jié)合的神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)短時(shí)水聲通信信號(hào)進(jìn)行調(diào)制識(shí)別。該方法有以下優(yōu)點(diǎn)：（1）利用水聲通信數(shù)據(jù)的特點(diǎn)，合理設(shè)計(jì)GRU 層的輸出結(jié)構(gòu)，從通信數(shù)據(jù)中提取出特征圖像；（2）改進(jìn)殘差神經(jīng)單元，解除通道數(shù)的限制，優(yōu)化輸入激活層前的數(shù)據(jù)分布，提升ResNet 從圖像中提取特征的能力；（3）改進(jìn)后的GRU&ResNet 對(duì)信號(hào)長(zhǎng)度的要求低；（4）該網(wǎng)絡(luò)結(jié)構(gòu)在仿真和海試中均進(jìn)行驗(yàn)證，仿真和海試結(jié)果表明，其比傳統(tǒng)的VGG［20］、LSTM［21］、GRU［22］和CNN-LSTM［23］的調(diào)制識(shí)別準(zhǔn)確率更高。

該網(wǎng)絡(luò)實(shí)現(xiàn)以下調(diào)制類型的識(shí)別：正交相移鍵控（quadrature phase shift keying，QPSK）、八相移鍵控（8 phase shift keying，8PSK）、十六正交幅度調(diào)制（16 quadrature amplitude modulation，16QAM）、正交頻分復(fù)用（orthogonal frequency division multiplexing，OFDM）、頻移鍵控（frequency shift keying，F(xiàn)SK）。

2 GRU網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)與改進(jìn)

本文由512個(gè)GRU組成的GRU網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)的輸入為2×512 大小的矩陣，其中第一行為復(fù)基帶的同相數(shù)據(jù)，第二行為復(fù)基帶的正交數(shù)據(jù)。循環(huán)層總共有512 個(gè)單元，2×512 的矩陣分為512個(gè)2×1的矩陣分別作為GRU 網(wǎng)絡(luò)每個(gè)單元的輸入。當(dāng)GRU用于作數(shù)據(jù)預(yù)測(cè)時(shí)，通常做法是僅保留最后一個(gè)單元的輸出特征映射，丟棄前面所有單元的輸出。在水聲通信中，信號(hào)會(huì)受到信道的多徑以及時(shí)變的雙重影響，這會(huì)導(dǎo)致信號(hào)存在疊加，并且相同比特的數(shù)據(jù)在不同的時(shí)刻存在差異。兩者的共同影響下，若僅僅保留最后一個(gè)單元的輸出特征映射，許多特征都會(huì)丟失。而本文為了充分利用時(shí)序上的水聲信息，保留了所有單元的輸出特征矩陣，并將其組合成為一張128×512的矩形特征圖片作為該GRU網(wǎng)絡(luò)的輸出。對(duì)于該圖來(lái)說(shuō)，每一列都包含該時(shí)刻與之前時(shí)刻的信息特征，實(shí)現(xiàn)時(shí)序信號(hào)轉(zhuǎn)特征圖片的操作，為后續(xù)的ResNet部分提供輸入。

圖1 GRU層結(jié)構(gòu)Fig.1 Structure of the GRU layer

詳細(xì)的GRU網(wǎng)絡(luò)輸出尺寸與運(yùn)算核信息如表1所示。

表1 GRU輸出尺寸與運(yùn)算核信息Tab.1 GRU output size and operational core information

3 ResNet網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)與改進(jìn)

本節(jié)將介紹傳統(tǒng)殘差神經(jīng)單元并對(duì)其進(jìn)行改進(jìn)，然后利用改進(jìn)的殘差單元來(lái)組建ResNet網(wǎng)絡(luò)結(jié)構(gòu)用于處理第2節(jié)GRU網(wǎng)絡(luò)生成的特征圖像。

3.1 傳統(tǒng)殘差神經(jīng)單元

傳統(tǒng)殘差神經(jīng)單元的結(jié)構(gòu)如圖2所示。殘差神經(jīng)單元內(nèi)部含有兩個(gè)卷積層（convolution，Conv）和兩個(gè)線性整流單元（rectified linear unit，ReLU），能將單元的輸入以及最后一個(gè)激活層的輸出進(jìn)行相加連接（addition，Add）作為整個(gè)單元的輸出。由于該神經(jīng)單元的結(jié)構(gòu)具有跳過(guò)卷積層的特征，它能保證在網(wǎng)絡(luò)層數(shù)較深的情況下避免梯度消失，并一定程度上避免過(guò)擬合。

圖2 傳統(tǒng)殘差單元Fig.2 Traditional residual unit

傳統(tǒng)殘差神經(jīng)單元的結(jié)構(gòu)表達(dá)式為：

式中，xn為第n層殘差神經(jīng)單元的輸入；xn+1為第n層殘差神經(jīng)單元的輸出；W1和W2分別為兩個(gè)卷積層的權(quán)重系數(shù)矩陣；F(xn，W1，W2)為xn經(jīng)過(guò)兩層卷積層和兩層激活層后的輸出，表達(dá)式為：

式中，σ表示激活函數(shù)ReLU。

為了滿足相加連接的條件，xn與F(xn，W1，W2)的維度必須相同，這在一定程度上限制了殘差神經(jīng)網(wǎng)絡(luò)中通道數(shù)的自由設(shè)置，降低了其提取特征的能力。

3.2 改進(jìn)的殘差神經(jīng)單元

本文在傳統(tǒng)殘差神經(jīng)單元的基礎(chǔ)上進(jìn)行改進(jìn)，提出新的殘差神經(jīng)單元如圖3所示。

圖3 改進(jìn)的殘差單元Fig.3 Improved residual unit

首先，本文提出的改進(jìn)殘差神經(jīng)單元在跳過(guò)卷積層的路徑上增加具有1×1 大小卷積核、通道數(shù)為m的卷積層。與原始的殘差單元相比，改進(jìn)的殘差單元能夠?qū)n的維度提升到m，使其和F(xn)的維度相匹配，解除了卷積核通道數(shù)必須和輸入信號(hào)通道數(shù)相同的限制，該卷積層的設(shè)置還引入了更多的參數(shù)，使網(wǎng)絡(luò)有了更強(qiáng)的特征表現(xiàn)能力。其次，在改進(jìn)的殘差單元中加入批標(biāo)準(zhǔn)化層（batch normalization，BN），能夠優(yōu)化輸入激活層前的數(shù)據(jù)分布。而后，將一個(gè)BN 層、一個(gè)ReLU 層和一個(gè)Conv 層組合成一個(gè)堆棧（Stack），疊加三個(gè)堆棧用于組建神經(jīng)單元。最后，調(diào)整各個(gè)堆棧中神經(jīng)單元的順序，在不增加復(fù)雜度的情況下增進(jìn)網(wǎng)絡(luò)的性能。

本文提出的神經(jīng)單元可以表示為：

式中，Wn，0是卷積核大小1×1 的卷積層的權(quán)重系數(shù)，其在每個(gè)堆棧中并不相同；Wn，1、Wn，2和Wn，3分別是三個(gè)堆棧中卷積層的權(quán)重系數(shù)；G(xn，Wn，1，Wn，2，Wn，3)為經(jīng)過(guò)Stack3后的輸出，公式表示為：

3.3 改進(jìn)殘差網(wǎng)絡(luò)的屬性

使用k個(gè)上述的改進(jìn)的殘差神經(jīng)單元串聯(lián)在一起組成深度神經(jīng)網(wǎng)絡(luò)，研究其屬性。

設(shè)該神經(jīng)網(wǎng)絡(luò)最終的輸出結(jié)果為xk，損失函數(shù)為L(zhǎng)，網(wǎng)絡(luò)中間任意一層改進(jìn)殘差神經(jīng)單元的輸出為xn。

由于每一個(gè)殘差神經(jīng)層都會(huì)進(jìn)行跳躍連接，因此最終層輸出xk可以表示為：

令Wk，0=0，簡(jiǎn)化公式（5）得到：

根據(jù)神經(jīng)網(wǎng)絡(luò)的反向傳播中使用的鏈?zhǔn)椒▌t，損失函數(shù)關(guān)于xn的梯度可以表示為：

將公式（6）代入公式（7）可以得到：

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)梯度傳遞公式如下：

通過(guò)比較式（8）與式（9）可以看出，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中第n層的梯度會(huì)受到第(k-n)層到第k層所有梯度的影響，一旦其中某層的梯度趨近于0，所有神經(jīng)層的梯度都會(huì)隨之縮小，引起梯度消失的問(wèn)題，后續(xù)神經(jīng)元無(wú)法再繼續(xù)更新。與之相比，改進(jìn)殘差單元的網(wǎng)絡(luò)梯度不受其他層梯度的影響，避免了梯度消失的問(wèn)題。

3.4 ResNet網(wǎng)絡(luò)結(jié)構(gòu)

本節(jié)以第3.3 節(jié)的改進(jìn)殘差網(wǎng)絡(luò)為基礎(chǔ)，設(shè)計(jì)并構(gòu)建ResNet 網(wǎng)絡(luò)，網(wǎng)絡(luò)的結(jié)構(gòu)如圖4 所示，神經(jīng)網(wǎng)絡(luò)的輸入為第2節(jié)中GRU網(wǎng)絡(luò)輸出的128×512大小的特征圖片。

從圖4 可以看出，128×512 的特征圖片會(huì)先經(jīng)過(guò)一個(gè)重塑（Reshape）處理增加第三維度變?yōu)?28×512×1，方便后續(xù)的二維卷積處理。在經(jīng)過(guò)卷積核大小為5×5、步長(zhǎng)為1×2 的Conv 后，矩陣大小變?yōu)?28×256×32。每一個(gè)Conv 后都有一個(gè)批歸一化層和一個(gè)激活層（圖中已省略）。之后特征矩陣會(huì)進(jìn)入改進(jìn)的殘差神經(jīng)單元中進(jìn)行運(yùn)算。

將圖4中的兩個(gè)改進(jìn)的殘差神經(jīng)單元分別命名為1號(hào)殘差單元（ResNet Unit No.1）和2號(hào)殘差單元（ResNet Unit No.2），每個(gè)單元都是圖3的簡(jiǎn)化畫法。其中，1號(hào)殘差單元有兩個(gè)子單元首尾連接，單元中有兩條支路，一條經(jīng)過(guò)1 個(gè)Conv，該Conv 的卷積核大小為1×1、通道數(shù)為64，另一條經(jīng)過(guò)3 個(gè)Conv。經(jīng)過(guò)1 個(gè)Conv 的支路主要負(fù)責(zé)跳過(guò)深層的網(wǎng)絡(luò)，保證梯度的順利傳遞；經(jīng)過(guò)3 個(gè)Conv 的支路主要負(fù)責(zé)對(duì)信號(hào)的特征進(jìn)行深度挖掘。2 號(hào)殘差單元從功能上與1號(hào)殘差單元相同，其也有兩條支路一條經(jīng)過(guò)1個(gè)Conv，該Conv的卷積核大小為1×1、通道數(shù)為128，另一條經(jīng)過(guò)3個(gè)Conv。通過(guò)兩個(gè)改進(jìn)的殘差神經(jīng)單元處理后，數(shù)據(jù)會(huì)依次經(jīng)過(guò)平均池化層（Averagepool）、展平層（Flatten）、全連接層（FC）和分類層（Softmax），最終得到一個(gè)5×1大小的矩陣，矩陣中值最大的元素所對(duì)應(yīng)的序號(hào)即為分類判決的結(jié)果。具體每層的輸出尺寸與運(yùn)算核信息如表2所示。

4 仿真與海試實(shí)驗(yàn)

4.1 仿真環(huán)境設(shè)置

本次仿真總共生成以下6 種信號(hào)：非相干調(diào)制的2FSK 和4FSK；單載波調(diào)制的QPSK、8QAM 和16QAM；多載波OFDM。數(shù)據(jù)的采樣率為96 kHz，中心頻率為15 kHz，通信帶寬為4 kHz，QPSK、8PSK、16QAM 和OFDM 均經(jīng)過(guò)滾降系數(shù)為0.1 的成型濾波器。信號(hào)的信噪比在-10 到20 dB 之間隨機(jī)以2 dB 為步長(zhǎng)均勻選取。數(shù)據(jù)集中每類信號(hào)產(chǎn)生12800 個(gè)樣本，每個(gè)樣本包含512 個(gè)采樣點(diǎn)。由于非相干調(diào)制的符號(hào)率較低，512 個(gè)采樣點(diǎn)的長(zhǎng)度無(wú)法包含其中的多個(gè)符號(hào)，因此后續(xù)分類任務(wù)將2FSK和4FSK劃分為一類。

為了反映水聲信道的特點(diǎn)：生成兩大類信道：時(shí)不變信道、時(shí)變信道。時(shí)不變信道使用BELLHOP工具箱生成，包含單徑信道、深海信道和淺海信道三種。時(shí)變信道在淺海信道模型的基礎(chǔ)上，加入了散射和多普勒頻移的影響。

青櫻安慰道：“我知道你與她住一塊兒，難免有些不順心。等皇上冊(cè)封了六宮，遲早會(huì)給你們安置更好的宮殿。你放心，你才生了三阿哥，她總越不過(guò)你去的。”

（1）時(shí)不變信道

①單徑信道

數(shù)據(jù)添加高斯白噪聲后作為數(shù)據(jù)集。

②深海信道

參數(shù)設(shè)置：水深5000 m，聲源位于200 m 水深，接收元位于100 m 水深，水平傳播距離為4 km。仿真生成的聲線路徑如圖5（a）所示，其中紅色線為直達(dá)徑，藍(lán)色線為海底反射徑，綠色線為海面反射徑，黑色線為經(jīng)過(guò)海底反射和海面反射的路徑，對(duì)應(yīng)的信道沖激響應(yīng)如圖5（b）所示。

圖5 深海水聲信道Fig.5 Deep sea acoustic channels

③淺海信道

參數(shù)設(shè)置：水深30 m，聲源位于10 m水深，接收元位于10 m水深，水平傳播距離為4 km。仿真生成的聲線路徑如圖6（a）所示，其中紅色線為直達(dá)徑，藍(lán)色線為海底反射路徑，綠色線為海面反射路徑，黑色線為經(jīng)過(guò)海底反射與海面反射的路徑，對(duì)應(yīng)的信道沖激響應(yīng)如圖6（b）所示。

圖6 淺海水聲信道Fig.6 Shallow water acoustic channels

將原數(shù)據(jù)集分別經(jīng)過(guò)上述深海和淺海水聲信道后得到數(shù)據(jù)集，隨機(jī)抽取其中80%作為訓(xùn)練集，剩余20%作為測(cè)試集，訓(xùn)練集中隨機(jī)抽取1/8 的數(shù)據(jù)作為驗(yàn)證集。

（2）時(shí)變信道

除了多徑的影響外，水聲信道還具有很強(qiáng)的時(shí)變性。水聲信道的時(shí)變性主要是由散射和多普勒頻移等因素引起的，因此本節(jié)將根據(jù)Qarabaqi 等［24］提出的水聲信道模型來(lái)生成時(shí)變信道。與時(shí)不變信道相比，該水聲信道模型進(jìn)一步引入散射引起的衰落以及收發(fā)端相對(duì)運(yùn)動(dòng)引起的多普勒頻移。

時(shí)變信道模型是在4.1（1）中淺海的BELLHOP信道模型基礎(chǔ)上，加入了海面起伏、收發(fā)端運(yùn)動(dòng)等參數(shù)，計(jì)算散射和多普勒頻移的影響，最終生成隨時(shí)間變化的水聲信道。這里，設(shè)置海面起伏范圍為-1～1 m，發(fā)射端深度變化范圍為-2～2 m，接收端深度變化范圍為-2～2 m，散射徑數(shù)目為10，忽略強(qiáng)度小于最大徑強(qiáng)度1/20的到達(dá)徑。仿真生成時(shí)變信道隨時(shí)間變化的圖像如圖7 所示。圖中的橫坐標(biāo)表示時(shí)延，縱坐標(biāo)表示時(shí)間變化，圖中某點(diǎn)的顏色亮暗代表信道在該時(shí)刻和時(shí)延下的沖激響應(yīng)大小。圖7中y=t時(shí)的圖像切面即是t時(shí)刻的信道沖激響應(yīng)。

圖7 時(shí)變信道沖激響應(yīng)Fig.7 Time-varying channel impulse response

將原始數(shù)據(jù)集經(jīng)過(guò)圖7所示的時(shí)變信道后生成時(shí)變信道數(shù)據(jù)集。

使用驗(yàn)證集的多次測(cè)試發(fā)現(xiàn)，文中涉及的神經(jīng)網(wǎng)絡(luò)均在迭代40～60次中基本達(dá)到損失函數(shù)值的最低點(diǎn)，因此最大epoch 設(shè)為了100；初始學(xué)習(xí)率使用了Adam的默認(rèn)值0.001；由于使用的數(shù)據(jù)大小為2×512，因此可以適當(dāng)增大批尺寸，最終根據(jù)驗(yàn)證集的表現(xiàn)效果選取了100 作為批尺寸；最低學(xué)習(xí)率設(shè)為10-6，因?yàn)閷W(xué)習(xí)率小于該值，模型變化會(huì)基本停滯。

模型訓(xùn)練的參數(shù)設(shè)置如下：批次大小為100；初始學(xué)習(xí)率為0.001，耐心值為5，更新參數(shù)為0.51/2，最低學(xué)習(xí)率為10-6，這意味著如果5次迭代中準(zhǔn)確率均沒(méi)有提升，當(dāng)前學(xué)習(xí)率會(huì)乘以更新參數(shù)作為新的學(xué)習(xí)率；最大迭代次數(shù)設(shè)為100；損失函數(shù)選擇分類交叉熵（categorical_crossentropy）；優(yōu)化器選擇adam。

4.2 仿真結(jié)果與分析

本節(jié)將VGG 網(wǎng)絡(luò)、LSTM 網(wǎng)絡(luò)、GRU 網(wǎng)絡(luò)、CNNLSTM 網(wǎng)絡(luò)、GRU 結(jié)合傳統(tǒng)殘差單元的GRU&Ori-ResNet 網(wǎng)絡(luò)和本文提出的GRU&ResNet 網(wǎng)絡(luò)進(jìn)行仿真對(duì)比。

不同環(huán)境下各網(wǎng)絡(luò)的平均識(shí)別準(zhǔn)確率如表3所示。表格從上到下分別為時(shí)不變的單徑信道、深海、淺海信道和時(shí)變信道。依據(jù)該順序，信道的復(fù)雜度程度逐漸提升，與實(shí)際的水聲信道越發(fā)相似。

表3 各網(wǎng)絡(luò)的平均識(shí)別準(zhǔn)確率Tab.3 Average recognition accuracy of each network

各網(wǎng)絡(luò)結(jié)構(gòu)的正確率隨著SNR 的變化如圖8所示。

圖8 各網(wǎng)絡(luò)的信噪比-準(zhǔn)確率圖Fig.8 SNR -accuracy diagram for each network

綜合分析表3 與圖8 可知：GRU 網(wǎng)絡(luò)在單徑信道和淺海信道環(huán)境下準(zhǔn)確率第一，LSTM 網(wǎng)絡(luò)在深海信道下準(zhǔn)確率第一，表明兩種網(wǎng)絡(luò)在時(shí)不變信道情形下對(duì)水聲信號(hào)有較好的分類效果。分析認(rèn)為，在時(shí)不變信道環(huán)境下，水聲信號(hào)受到信道的影響不隨時(shí)間改變。因此，若將一整段水聲信號(hào)劃分為數(shù)段短時(shí)信號(hào)作為數(shù)據(jù)集，時(shí)不變信道環(huán)境會(huì)導(dǎo)致數(shù)據(jù)集內(nèi)的數(shù)據(jù)相似度很高。對(duì)于相似度高的數(shù)據(jù)集，構(gòu)造較為簡(jiǎn)單的GRU 和LSTM 網(wǎng)絡(luò)更容易擬合和收斂。但隨著信道逐漸復(fù)雜，本文提出的GRU&ResNet網(wǎng)絡(luò)性能逐漸優(yōu)于其他網(wǎng)絡(luò)。在淺海信道中，GRU&ResNet 網(wǎng)絡(luò)僅比第一名GRU 網(wǎng)絡(luò)的準(zhǔn)確率低0.38%。在時(shí)變信道中，GRU&ResNet 的準(zhǔn)確率最高。GRU&ResNet 網(wǎng)絡(luò)的構(gòu)造能在GRU提取時(shí)序關(guān)系后再用殘差網(wǎng)絡(luò)進(jìn)行更深層的特征提取。在信道環(huán)境復(fù)雜、時(shí)變的環(huán)境中，GRU&ResNet網(wǎng)絡(luò)能表現(xiàn)出一定優(yōu)勢(shì)。

各網(wǎng)絡(luò)的參數(shù)量如表4 所示。LSTM、GRU、GRU&OriResNet 和GRU&ResNet 四個(gè)網(wǎng)絡(luò)的參數(shù)量基本處于同一量級(jí)。LSTM 和GRU得益于較為簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)，參數(shù)量是GRU&OriResNet 和GRU&ResNet 的一半左右。和GRU&ResNet 相比，GRU&OriResNet 減少了1×1 大小卷積核、通道數(shù)為m的卷積層，在參數(shù)量上有一定優(yōu)勢(shì)。

表4 各網(wǎng)絡(luò)的參數(shù)量Tab.4 Parameter quantity of each network

4.3 海試結(jié)果與分析

本文在浙江省舟山市附近海域進(jìn)行了水聲通信數(shù)據(jù)收發(fā)，為GRU&ResNet 網(wǎng)絡(luò)的識(shí)別能力提供海試驗(yàn)證。在實(shí)驗(yàn)過(guò)程中，收發(fā)端的兩條船在距離1 km、2 km、3 km、4 km 處各進(jìn)行數(shù)次收發(fā)采集，實(shí)驗(yàn)中船只的實(shí)際移動(dòng)軌跡如圖9所示。

圖9 接收端船只的移動(dòng)軌跡圖Fig.9 Movement trajectory of the receiver

各網(wǎng)絡(luò)在海試數(shù)據(jù)中的調(diào)制識(shí)別準(zhǔn)確率如圖10所示。

圖10 各個(gè)網(wǎng)絡(luò)海試數(shù)據(jù)準(zhǔn)確率Fig.10 Accuracy of sea data for various networks

從圖10中分析可得，海試環(huán)境下的各網(wǎng)絡(luò)識(shí)別性能表現(xiàn)中，GRU&ResNet 表現(xiàn)最佳，GRU&Ori-ResNet 次之，GRU 和LSTM 再次之，CNN-LSTM 更低，VGG 最差。所有網(wǎng)絡(luò)的性能比起仿真中時(shí)變信道下的性能均有較大降低，平均降低22.49%，這說(shuō)明仿真的時(shí)變信道設(shè)置和實(shí)際的海試信道有一定的差異，環(huán)境噪聲的設(shè)置上也有所差別，總體而言仿真的時(shí)變信道環(huán)境對(duì)調(diào)制識(shí)別網(wǎng)絡(luò)來(lái)說(shuō)運(yùn)行條件更為寬松，海試的信道環(huán)境更為惡劣。

進(jìn)一步分析可知，GRU&ResNet的準(zhǔn)確率最高，為65.17%，GRU&OriResNet 的準(zhǔn)確率次之，為63.38%，分別與GRU 的準(zhǔn)確率相差11.06% 和9.27%，拉開了較大差距。這表明GRU&ResNet 和GRU&OriResNet 這類網(wǎng)絡(luò)結(jié)構(gòu)在海試環(huán)境下的性能與其他網(wǎng)絡(luò)相比有較大優(yōu)勢(shì)。GRU&ResNet 比GRU&OriResNet 的準(zhǔn)確率高1.79%，再結(jié)合仿真中兩者的準(zhǔn)確率差別，說(shuō)明改進(jìn)的殘差網(wǎng)絡(luò)結(jié)構(gòu)比傳統(tǒng)的殘差網(wǎng)絡(luò)結(jié)構(gòu)在水聲信道中有一定的優(yōu)勢(shì)。CNN-LSTM 識(shí)別率較低（43.65%），經(jīng)過(guò)分析網(wǎng)絡(luò)構(gòu)成與實(shí)際表現(xiàn)，判斷是因?yàn)槠湎冗M(jìn)行卷積再做時(shí)序處理，其時(shí)序上的信息在第一步做卷積的時(shí)候就被1×3 的卷積核影響，其有時(shí)間信息的數(shù)據(jù)被前后混淆，給后續(xù)LSTM網(wǎng)絡(luò)帶來(lái)精度損失。

取準(zhǔn)確率前四的GRU&ResNet、GRU&OriResNet、GRU和LSTM網(wǎng)絡(luò)，它們的混淆圖如圖11所示?；煜龍D能夠清晰地觀察出每種調(diào)制類型識(shí)別的準(zhǔn)確率情況。圖的縱坐標(biāo)表示真實(shí)的調(diào)制類別，橫坐標(biāo)表示網(wǎng)絡(luò)預(yù)測(cè)的調(diào)制類別。圖中方塊的顏色越深，表示網(wǎng)絡(luò)預(yù)測(cè)某一段信號(hào)為這種調(diào)制類型的次數(shù)越多，方塊上的數(shù)字表示預(yù)測(cè)的次數(shù)占總數(shù)的比例。從左上到右下的對(duì)角線上的方塊是預(yù)測(cè)正確的情況，它們顏色越深，表示該網(wǎng)絡(luò)的水聲通信信號(hào)調(diào)制識(shí)別能力越強(qiáng)。

圖11 各網(wǎng)絡(luò)的調(diào)制識(shí)別混淆圖Fig.11 Modulation recognition confusion map for each network

分析圖11 可知，F(xiàn)SK 作為非相干調(diào)制，在各個(gè)網(wǎng)絡(luò)上的單項(xiàng)識(shí)別率均為最高，其余相干調(diào)制的四種類別均有一定程度的混淆；與其他網(wǎng)絡(luò)相比，GRU&ResNet網(wǎng)絡(luò)的主要優(yōu)勢(shì)是極高的非相干調(diào)制FSK 的識(shí)別率（99.29%）以及最高的OFDM 識(shí)別率（61.6%）；對(duì)GRU&ResNet、GRU 和LSTM 三個(gè)網(wǎng)絡(luò)來(lái)講，它們的共同表現(xiàn)是QPSK 的識(shí)別率很低（30%左右）。QPSK 作為實(shí)驗(yàn)中最低階的相干調(diào)制方式，在受到信道和噪聲的干擾后，幅度信息和相位信息都隨著時(shí)間發(fā)生較快和較大的變化，導(dǎo)致網(wǎng)絡(luò)將其預(yù)測(cè)為更為高階的相干調(diào)制方式。

綜上所述，GRU&ResNet 網(wǎng)絡(luò)在時(shí)變信道仿真數(shù)據(jù)和真實(shí)海試數(shù)據(jù)的調(diào)制識(shí)別任務(wù)中展現(xiàn)出較大的優(yōu)勢(shì)。在海試數(shù)據(jù)的調(diào)制識(shí)別任務(wù)中，GRU&ResNet 的準(zhǔn)確率實(shí)現(xiàn)領(lǐng)先。同時(shí)，該網(wǎng)絡(luò)在對(duì)相干與非相干的調(diào)制分類任務(wù)上準(zhǔn)確率很高，識(shí)別FSK的正確率能達(dá)到99.29%。

5 結(jié)論

本文針對(duì)水聲信號(hào)調(diào)制類型識(shí)別問(wèn)題，提出一種基于門控循環(huán)單元與改進(jìn)殘差神經(jīng)單元的深度神經(jīng)網(wǎng)絡(luò)識(shí)別方法。GRU& ResNet網(wǎng)絡(luò)使用短時(shí)長(zhǎng)的信號(hào)即可完成多徑環(huán)境下水聲通信信號(hào)的調(diào)制識(shí)別。仿真與海試結(jié)果表明，與傳統(tǒng)的VGG、GRU、LSTM和CNN-LSTM網(wǎng)絡(luò)以及類似結(jié)構(gòu)的GRU& OriResNet網(wǎng)絡(luò)的分類方法相比，本文的方法在時(shí)變信道下和真實(shí)的海洋環(huán)境下的調(diào)制識(shí)別中表現(xiàn)更好，為解決實(shí)際環(huán)境中的調(diào)制識(shí)別問(wèn)題提供一種新思路。然而，本文提出的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在準(zhǔn)確度上達(dá)不到工程應(yīng)用的標(biāo)準(zhǔn)，仍然需要更多的不同海域的通信數(shù)據(jù)進(jìn)行模型的訓(xùn)練和遷移性研究，對(duì)信道的盲估計(jì)帶來(lái)的信息也許能進(jìn)一步提升網(wǎng)絡(luò)性能。