本发明涉及水下信号处理、神经网络等领域，具体是一种水声信号调制方式识别方法。
背景技术：
水声通信信号的调制方式识别是水声通信信号内容获取的前提，也是水声对抗中最重要的环节之一。传统的水声通信信号调制方式识别主要采用基于特征提取的模式识别方法，依据领域知识提取信号的各种特征来进行调制方式识别，主要包括信号的特征提取和分类识别两个阶段。近年来，以卷积神经网络为代表的深度学习方法在图像识别、语音识别等领域取得了巨大的进展。专家学者们也开始将卷积神经网络等深度学习方法应用在水声通信信号调制方式识别领域，相比传统方法，提高了水声通信信号调制方式识别的准确率，取得了突破性的进展。
在水下信息传输中，不同类型的水声通信信号往往存在数据量不均衡的现象，一般采用不同的调制方式。数据量的不均衡会导致少数类的特征不能充分表达，分类器很难准确地学习到多数类与少数类之间的区分边界，从而导致分类效果不理想，给少数类的识别带来了极大的困难。目前的水声通信信号调制方式识别方法很难准确地识别出不均衡数据集中的少数类样本，对不均衡数据集的识别效果不够理想。因此，亟需一种适合数据集不均衡条件下的水声通信信号调制方式识别的方法。
技术实现要素：
为了克服现有技术的不足，本发明提供一种代价敏感卷积神经网络，该网络根据样本预测概率给传统交叉熵损失函数添加影响因子，从而实现根据样本预测概率自适应调节损失的目的。样本预测的越准确，给交叉熵损失函数添加的影响因子的值越小，损失越小；反之亦然。本发明提供的代价敏感卷积神经网络在保证不均衡数据集中多数类样本的识别准确率的前提下，能够提高少数类样本的识别准确率。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1，将水听器布放于海洋中，采录2fsk、bpsk两类不同调制方式的水声通信信号，两类信号的数据量是不均衡的；
步骤2，得到两类采录信号的功率谱图，对功率谱图进行尺寸调整和像素值归一化处理，对处理后的功率谱图打标签，区分两类信号功率谱图；
步骤3，将步骤2得到的两类信号的功率谱图各自随机打乱后，按设定比例划分，分别构成2fsk信号训练集、2fsk信号测试集和bpsk信号训练集、bpsk信号测试集；2fsk信号训练集和bpsk信号训练集构成了总体训练集，2fsk信号测试集和bpsk信号测试集构成了总体测试集；
步骤4，构建代价敏感卷积神经网络，步骤如下：
步骤401，构建具有m个卷积层、m个池化层和n个全连接层的卷积神经网络，m和n是任意正整数；
步骤402，定义损失函数
步骤5，在步骤3的总体训练集上训练步骤401构建的卷积神经网络，以步骤402定义的损失函数作为目标函数，采用adam算法进行优化，得到最优的网络模型参数；
步骤6，在步骤3的总体测试集上测试步骤5得到的最优模型，给出总体测试集中2fsk信号、bpsk信号的识别准确率。
所述的步骤2中，信号的功率谱图替换成信号的时频图；除了周期图法，也可采用其他方法得到信号的功率谱图。
所述的步骤2中，训练集和测试集的功率谱图数量比例为7：3或6：4或8：2。
本发明的有益效果是：针对目前的水声通信信号调制方式识别方法不能准确地识别出不均衡数据集中的少数类样本这一问题，提供了一种代价敏感卷积神经网络，在保证不均衡数据集中多数类样本的识别准确率的前提下，能够提高少数类样本的识别准确率。本发明所提供的代价敏感卷积神经网络之所以能够实现这一效果，是因为步骤402所定义的网络的损失函数能够拉开正确预测样本的损失与错误预测样本的损失之间的差距，从相对意义上降低正确预测样本的损失，提高错误预测样本的损失。具体来说，正确预测样本的pc值一定大于错误预测样本的pc值，那么，正确预测样本的交叉熵损失-logpc和影响因子
附图说明
图1是本发明的总体方法流程图。
图2是本发明具体实施方式中的卷积神经网络结构图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
针对目前的水声通信信号调制方式识别方法不能准确地识别出不均衡数据集中的少数类样本这一问题，本发明公开了一种代价敏感卷积神经网络，主要包括以下步骤：
步骤1、将水听器布放于海洋中，采录2fsk、bpsk两类不同调制方式的水声通信信号。其中，2fsk信号的数据量远少于bpsk信号的数据量。
步骤2，利用周期图法得到两类采录信号的功率谱图。对功率谱图进行尺寸调整和像素值归一化处理，对处理后的功率谱图打标签，两类信号功率谱图的标签分别为1和0，构成数据集；
步骤3，将步骤2得到的两类信号的功率谱图各自随机打乱后，按一定比例划分，分别构成2fsk信号训练集、2fsk信号测试集和bpsk信号训练集、bpsk信号测试集，划分比例可以取7：3或6：4或8：2等；2fsk信号训练集和bpsk信号训练集构成了总体训练集，2fsk信号测试集和bpsk信号测试集构成了总体测试集；
步骤4、构建代价敏感卷积神经网络：
步骤401、构建具有m个卷积层、m个池化层和n个全连接层的卷积神经网络。m和n都是正整数。
步骤402、定义损失函数：
步骤402，定义损失函数
步骤5、在步骤3的总体训练集上训练步骤401构建的卷积神经网络，以步骤402定义的损失函数作为目标函数，采用adam算法进行优化，得到最优的网络模型参数。
步骤6、在步骤3的总体测试集上测试步骤5得到的最优模型，给出总体测试集中2fsk信号、bpsk信号的识别准确率。
针对目前的水声通信信号调制方式识别方法不能准确地识别出不均衡数据集中的少数类样本这一问题，本发明公开了一种代价敏感卷积神经网络。该网络根据样本预测概率给损失函数添加影响因子，从而实现根据样本预测概率自适应调节损失函数的目的。样本预测的越准确，给损失函数添加的影响因子越小，损失越小；反之亦然。本发明提供的代价敏感卷积神经网络在保证不均衡数据集中多数类样本的识别准确率的前提下，能够提高少数类样本的识别准确率。如图1所示，本发明包括以下步骤：
步骤1、将水听器布放于海洋中，采录2fsk、bpsk两类不同调制方式的水声通信信号。其中，2fsk信号的数据量远少于bpsk信号的数据量。
步骤2、利用周期图法得到两类采录信号的功率谱图。调整功率谱图的尺寸为w×w并进行归一化处理，对处理后的功率谱图打标签，构成数据集。数据集中，2fsk信号的样本量远少于bpsk信号的样本量。w为正整数，可取64。
步骤3、将步骤2得到的两类信号的功率谱图各自随机打乱后，按7：3划分，分别构成2fsk信号训练集、2fsk信号测试集和bpsk信号训练集、bpsk信号测试集。2fsk信号训练集和bpsk信号训练集构成了总体训练集，2fsk信号测试集和bpsk信号测试集构成了总体测试集。
步骤4、构建代价敏感卷积神经网络：
步骤401、构建具有m个卷积层、m个池化层和n个全连接层的卷积神经网络。m和n都是正整数。m可取2，n可取2。结构如附图2所示。
步骤402、定义损失函数：
其中，样本的真实类别是第c类，pc是网络预测样本为第c类的概率。
步骤5、在步骤3的总体训练集上训练步骤401构建的卷积神经网络，以步骤402定义的损失函数作为目标函数，采用adam算法进行优化，得到最优的网络模型参数。
步骤6、在步骤3的总体测试集上测试步骤5得到的最优模型，给出总体测试集中2fsk信号、bpsk信号的识别准确率。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
需要特别说明的是，为叙述清晰起见，本发明提供的数据集不均衡条件下的水声通信信号调制方式识别方法在技术方案、附图和具体实施方式中仅以两类调制方式水声通信信号为例进行说明。本发明也适合于多类调制方式水声通信信号数据量不均衡条件下的识别。
1.一种数据集不均衡条件下的水声通信信号调制方式识别方法，其特征在于包括以下步骤：
步骤1，将水听器布放于海洋中，采录2fsk、bpsk两类不同调制方式的水声通信信号，两类信号的数据量是不均衡的；
步骤2，利用周期图法得到两类采录信号的功率谱图，对功率谱图进行尺寸调整和像素值归一化处理，对处理后的功率谱图打标签，区分两类信号功率谱图；
步骤3，将步骤2得到的两类信号的功率谱图各自随机打乱后，按设定比例划分，分别构成2fsk信号训练集、2fsk信号测试集和bpsk信号训练集、bpsk信号测试集；2fsk信号训练集和bpsk信号训练集构成了总体训练集，2fsk信号测试集和bpsk信号测试集构成了总体测试集；
步骤4，构建代价敏感卷积神经网络，步骤如下：
步骤401，构建具有m个卷积层、m个池化层和n个全连接层的卷积神经网络，m和n是任意正整数；
步骤402，定义损失函数
步骤5，在步骤3的总体训练集上训练步骤401构建的卷积神经网络，以步骤402定义的损失函数作为目标函数，采用adam算法进行优化，得到最优的网络模型参数；
步骤6，在步骤3的总体测试集上测试步骤5得到的最优模型，给出总体测试集中2fsk信号、bpsk信号的识别准确率。
2.根据权利要求1所述的数据集不均衡条件下的水声通信信号调制方式识别方法，其特征在于：所述的步骤2中，信号的功率谱图替换成信号的时频图。
3.根据权利要求1所述的数据集不均衡条件下的水声通信信号调制方式识别方法，其特征在于：所述的步骤2中，训练集和测试集的功率谱图数量比例为7：3或6：4或8：2。
技术总结