[发明专利]一种基于循环神经网络的码索引扩频水声通信方法

说明书

本发明公开了一种基于循环神经网络的码索引扩频水声通信方法，涉及水声通信技术领域，具体步骤包括如下：获取训练数据集；建立循环神经网络模型；利用所述训练数据集对所述循环神经网络模型进行训练，得到训练完成的神经网络模型；所述训练完成的神经网络模型作为码索引扩频水声通信系统的接收端，将测试数据集输入给所述训练完成的神经网络模型中，对源数据进行恢复，完成对接收信号的解调。与常规的接收系统相比，无需对接收信号进行去载波和解扩散操作，直接采用循环神经网络完成对通信信号的解调，提高了通信在低信噪比浅水复杂信道条件下系统的可靠性。

技术领域

本发明涉及水声通信技术领域，更具体的说是涉及一种基于循环神经网络的码索引扩频水声通信方法。

背景技术

近年来，随着大规模并行计算以及GPU设备的普及，人工智能技术得到了迅速的发展和进步，这使得水声通信技术的发展也得到了技术上的支持，在相关硬件设备和算法研究等方面有了根本性的提升，因此水声通信技术得到了快速发展。

水声信道是一个受噪声干扰严重，可利用带宽窄，多途效应严重的信道，同时具有时空特异性，这为水声通信的可靠性提出了挑战。相较于常规的直接序列扩频通信算法在调制的过程中将1bit信息调制在单个码片或一段码片序列上造成了通信速率较低的情况不同，码索引扩频水声通信算法在调制过程中采用正交相移调制和直接序列扩频调制。通过源信息中映射位比特选择不同的扩频序列，对传输位比特进行调制。该方法与常规采用正交相移调制扩频通信算法相比，在节省能耗的同时，系统的通信速率提高了一倍。但是由于受到浅水复杂水声信道的影响，将会提高水声码索引扩频接收系统的设计难度。而深度学习作为机器学习领域的新方向，在计算机视觉、模式识别、自然语言处理等多个领域具有很好的发展。中国专利CN109474352A中公开了一种基于深度学习的水声正交频分复用通信方法，该发明在离线训练阶段采用正交频分复用对信号进行调制，通过产生的大量训练数据对深度神经网络进行训练，将完成训练的深度神经网络模型作为通信系统的接收端模型，降低水声通信系统设计复杂度，有效实现水下数据传输。但是目前尚无一种针对码索引水声扩频通信算法通过循环神经网络，在未对接收信号进行去载波及解扩操作的前提下，完成对通信信号的直接解调方法。

发明内容

有鉴于此，本发明提供了一种基于循环神经网络的码索引扩频水声通信方法，降低了传统码索引扩频水声通信接收系统设计复杂度，提高了通信在低信噪比浅水复杂信道条件下系统的可靠性。

为了实现上述目的，本发明采用如下技术方案：一种基于循环神经网络的码索引扩频水声通信方法，具体步骤包括如下：

获取训练数据集；

建立循环神经网络模型；

利用所述训练数据集对所述循环神经网络模型进行训练，得到训练完成的神经网络模型；

所述训练完成的神经网络模型作为码索引扩频水声通信系统的接收端，将测试数据集输入给所述训练完成的神经网络模型中，对源数据进行恢复，完成对接收信号的解调。

优选的，所述获取训练数据集的具体步骤为：

在所述码索引扩频水声通信系统的发射端产生已知的随机二进制比特流，对原始信息进行码索引扩频调制，得到调制后的发射信号；

所述调制后的发射信号，经过水声信道，经过多径衰落和噪声干扰，到达所述码索引扩频水声通信系统的接收端，接收信号的表达式为：

其中，s(t)为调制后的发射信号，t为离散时间索引，h(t)为信道冲击响应函数，n(t)为加性高斯白噪声；

对所述接收信号每隔M点进行采样，得到所述训练数据集，存储在J×1的矩阵X₁中，其中J＝L/M，J为所述接收信号的长度。