买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜青岛科技大学申请的专利基于希尔伯特变换和改进卷积神经网络的通用水声信号解调方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118413422B 。

龙图腾网通过国家知识产权局官网在2025-04-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410658612.3，技术领域涉及：H04L27/00；该发明授权基于希尔伯特变换和改进卷积神经网络的通用水声信号解调方法是由刘钊;宋佳洋;姜帅;翟应良;段利亚;王景景;鄢社锋设计研发完成，并于2024-05-27向国家知识产权局提交的专利申请。

本基于希尔伯特变换和改进卷积神经网络的通用水声信号解调方法在说明书摘要公布了：本发明公开了基于希尔伯特变换与改进卷积神经网络的通用水声信号解调方法，属于水声通信信号解调技术领域。可解决现有水声信号解调技术中通用性差、准确率低和复杂度高的技术问题。首先使用Matlab和BELLHOP生成仿真水声信道下的水声调制信号，随后利用希尔伯特变换丰富信号特征，构建四通道样本；接着设计改进的轻量化通道卷积网络结合深度可分离卷积、GELU激活函数、通道注意力机制和混洗方法，有效提取了信号在时域上的关键特征，同时降低了计算复杂度。此外层归一化的应用确保了网络的稳定性，提升了训练效果；最终该方法通过Softmax函数实现对PSK、ASK、FSK、QAM等多类别水声信号的精准解调。

本发明授权基于希尔伯特变换和改进卷积神经网络的通用水声信号解调方法在权利要求书中公布了：1.基于希尔伯特变换和改进卷积神经网络的通用水声信号解调方法，其特征在于，包括以下步骤：S1、使用Matlab和BELLHOP生成仿真水声信道下的水声调制信号，并将信号按照符号分割成信号样本，将符号作为信号样本的标签；采用归一化方法和希尔伯特变换对数据集进行预处理，其中，连续的希尔伯特变换将原始信号变为四部分并将其拼接，形成四通道样本数据集，以预备输入到后面的卷积神经网络当中；S2、设计改进的卷积神经网络模型，网络主干由四个阶段构成，每个阶段包含卷积块和下采样层，在第一个阶段前添加一个卷积层和一个归一化层，在第四个阶段后添加全连接层和Softmax激活函数用于输出对应信号的符号类别；S3、基于步骤S1生成的数据集训练模型，经过充分训练后，模型具有学习提取信号样本的时域特征并分类的能力；利用已训练的模型对未知的信号样本进行分类，从而实现信号解调；步骤S1中，包括步骤S11生成仿真水声信号，其具体步骤如下：首先，确定信号参数，包括符号数、频率、相位、调制方式，利用Matlab生成维度为1，1的符号，其中，符号的类别数对应调制阶数；利用PSK、FSK、ASK和QAM调制方式对信号进行基带调制，然后利用根升余弦滚降滤波器进行脉冲成形，最后将调制后的信号与载波相乘并进行数模转换，形成频带信号发射出去；被发射出去的频带信号，其公式如下表示：stt＝At·cos2πft·t+φt；其中，stt代表频带信号，t代表时间，At、ft、φt代表信号的幅度、频率和相位，这三个参数可为常数或时间的函数，其取决于所采用的调制方式；当发送符号变化时，对应的函数值也随之变化；频带信号在信道中传输并被叠加多种噪声，最终被接收端所接收，该信号的公式如下表示：srt＝Ht·stt+nt；其中，srt表示接收端收到的信号，Ht表示信道方程，nt表示加性高斯白噪声；最后把接收端收到的信号作为数据集，根据符号进行分割，将每个符号所对应的时域信号数据作为样本，符号作为标签；步骤S1中，还包括步骤S12采用归一化方法对数据集进行预处理，其具体步骤如下：接收机接收到信号后，首先要将信号数据进行归一化，以减少幅度偏移较大的噪声采样点对数据产生的干扰，增强模型训练的稳定性；以每个载波周期为窗口进行归一化，在确保信号时域形状特征的情况下压缩数据，具体过程如下式所示： 其中，Snorm代表归一化处理后的信号，S代表归一化处理前的信号，Smax和Smin分别代表载波周期内信号的最大值和最小值；步骤S1中，还包括S13采用希尔伯特变换对数据集进行预处理，其具体步骤如下：采用连续的希尔伯特变换处理信号，得到原始样本的多组映射，其希尔伯特变换的公式如下所示： 其中srt是t时刻的信号样本，Hstt是其希尔伯特变换；通过希尔伯特变换，得到一个蕴含原始信号幅度和相位信息的复合信号，对希尔伯特变换后的信号取模，得到信号的振幅，其公式如下所示：Aht＝|Hsrtt|；其中Aht变换得到的信号的幅值；计算复合信号表示的幅角，可以得到与原始信号相差90度的相位，其公式如下所示：φht＝argHsrtt；其中，φht是变换得到的信号的相位；再结合原始信号的频率ft，最终得到一个与原始信号相差90度相位的信号sht，其公式如下所示：sht＝Aht·cosft+φht；针对处理后的信号，继续使用希尔伯特变换连续计算两次，并将每次计算的到的信号提取出来，由此得到了四个信号srt、sht、sh't、sh”t，其sh't、sh”t公式如下所示：sh't＝Ah't·cosft+φh'tsh”t＝Ah”t·cosft+φh”t；其中sh't、sh”t分别是对原始信号第二次、第三次希尔伯特变换得到的信号，Ah't、φh't分别是第二次希尔伯特变换得到信号的幅度和相位，Ah”t、φh”t分别是第三次希尔伯特变换得到信号的幅度和相位；将变换前后的信号进行叠加，原始单通道的样本将变为四通道，以预备输入到后面的卷积神经网络当中；步骤S2设计改进的卷积神经网络模型，具体步骤包括如下：S21建立浅层特征提取模块；S22建立卷积块；S23建立高效通道注意力模块；S24建立下采样层和分类器；其中，步骤S21具体为：将步骤S1处理后的四通道样本送入一个卷积核尺寸为1×3的一维卷积层和一个归一化层构成的浅层特征提取结构当中，以进行初步的特征提取并提升通道数；卷积层的输入通道数设置为4，输出通道数设置为24，即携带4种相位信息的4通道信号样本经过卷积运算后，最终输出了24张特征图，其中每张特征图都携带了原始4通道信号的不同信息；一维卷积的计算公式如下所示： 其中，C_I1表示第一个卷积层的输入，C_W1,j和C_B1,j分别代表第一个卷积层当中第j个的权重矩阵和偏置项，C_O1,j代表第一个卷积层当中第j个卷积核的输出，C_A表示激活函数；在处理的过程中添加了大小为1的padding，从而确保了输出的特征图与输入的样本大小相等，实际的输出维度为[24，64]；采用层归一化技术处理特征图，对卷积层每个神经元的输出进行归一化，实现样本尺度的处理，具体公式如下所示： 其中L_Oi表示层归一化的输出，L_Ii表示层归一化的输入，μ和σ分别表示该神经元的输出在整个mini-batch中的均值和标准差，ε是一个较小的常数，用于防止分母为0；步骤S22建立卷积块具体为：将所有的特征图在通道维度上平均分成两组，其中的一组通道是恒等映射，由输入直接映射到输出；然后对另一组通道进行后续处理，首先利用尺寸为1x1的一维卷积层在不同的通道之间进行线性组合，初步学习特征表示，并进一步使用层归一化来调整数据分布；再使用尺寸为1x3的一维深度可分离卷积来提取特征，深度可分离卷积的每个滤波器只针对一张特征图进行运算，激活函数设置为GELU，具体公式如下所示：Go＝GI·φx；其中，Go、GI分别是GELU的输出和输入，φx表示标准正态分布的累积分布函数；在使用深度可分离卷积提取通道级数据后，再次使用尺寸为1x1的一维卷积来聚合各个通道的数据；步骤S23建立高效通道注意力模块，具体为：在卷积块中加入高效通道注意力模块，具体来说，由一个自适应平均池化层、一个卷积核尺寸可动态调整的一维卷积层和Sigmoid激活函数构成；该模块首先利用全局自适应平均池化技术将每个通道的特征图转换为一个标量，对于原本有C张特征图的输入数据，将特征图的每个通道上的所有元素取平均值，得到一个长度为通道数量C的向量；并采用一维卷积处理该向量，获取一个长度为C的向量，表示每个通道的注意力权重，采用以下方法确定卷积核的尺寸K，具体公式为： 其中，c是输入通道数，b是一个常数，通常设置为1，γ是一个缩放因子，通常设为2；卷积输出的权重利用Sigmoid进行计算后，得到最终的权重矩阵，与原特征图进行相乘；步骤S24建立下采样层和分类器，具体为：在不同的卷积块之间，加入下采样层，由一个尺寸为3、步长为2的卷积核进行处理，同时将输出通道数翻倍，之后进行归一化；最终输出的特征图将被输入到分类器，分类器包含了一个归一化层、一个全连接层以及Softmax函数，用以输出对应调制阶数的类别概率；由归一化层整合数据后，全连接层提供一个平滑的映射，来为最终的分类做准备；全连接层的表示如下： 其中，L_I表示全连接层的输入，L_O表示全连接层的输出，L_W1表示两个隐藏层之间的权重矩阵，L_W2表示第二个隐藏层和输出层之间的权重矩阵，L_B1和L_B2表示偏置项，L_A1和L_A2表示激活函数；最后的输出层利用Softmax预测类别，其公式表示如下： 其中zj表示Softmax的输入，n表示神经元个数；Sofmax将输出多个概率，并将输出的最大概率作为预测的类别；步骤S3具体为：使用mini-batch梯度下降方法来训练神经网络，将训练集分为几组数据，神经网络在每次迭代中从一组数据中学习信息；将多分类交叉熵函数作为该网络的损失函数，预测训练过程中神经网络的预测值与真实值之间的误差；多分类交叉熵函数的计算公式表示如下： 其中，代表损失函数，代表总预测值，X代表总真实值，N代表输出值的总个数，Xi代表第i个输出值，代表第i个预测值；保存已训练的模型之后，将不带标签的调制信号输入，模型将会自动的输出预测的符号，从而实现信号解调。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人青岛科技大学，其通讯地址为：266000 山东省青岛市崂山区松岭路99号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。