公开(公告)号：CN112511474B

公开(公告)日：2022-05-17

申请号：CN202011351885.1

申请日：2020-11-26

申请人： 哈尔滨工程大学

发明人： 王勇 ,  赵广荣 ,  沈益冉 ,  张越 ,  王天一 ,  辛显楠

IPC分类号： H04L25/49 ,  H04L25/03 ,  H04B13/00 ,  G06N3/04 ,  G06K9/62

摘要： 本发明是一种基于卷积神经网络和迁移学习的智能设备振动通信方法。本发明涉及物联网振动通信技术领域，本发明对智能设备的发送端进行振动信号的比特流分组调制发送；对智能设备的接收端采用信标位检测算法确定振动起点；对三轴加速度计信号进行主成分特征提取，去除信号噪声；对主成分分析特征提取后的加速度信号进行卷积神经网络解码，得到比特位组对应的符号标签；当通信环境发生改变时，进行迁移学习，提高振动信号识别准确率。本发明采用的比特流分组编码结合卷积神经网络解码的方式无需关心组内符号间干扰对传输准确率影响，能加快振动通信速率。相对于振幅调制和频率调制技术，本发明能被当前各种商业化智能设备所通用。

公开(公告)号：CN108038471A

公开(公告)日：2018-05-15

申请号：CN201711443626.X

申请日：2017-12-27

申请人： 哈尔滨工程大学

发明人： 殷敬伟 ,  邵梦琦 ,  韩笑 ,  周启明 ,  李成 ,  沈益冉 ,  李理

IPC分类号： G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明涉及一种基于深度学习技术的水声通信调制模式识别方法。该方法包括：构建深度学习卷积神经网络模型；预设训练集样本识别准确率T、测试集样本识别准确率P；获取不同调制方式实验数据或仿真数据；将每N个采样点数据作为一个原始数据样本，进行预处理；将预处理后数据样本随机划分为训练集和测试集；用训练样本集对其进行训练；判断训练集样本识别准确率是否达到预设值，当达到时，将输入切换为数据样本测试集，用数据样本测试集对进行测试；否则继续训练；判断测试集样本识别准确率是否达到预设值，当达到时则完成模型；否则，获取额外数据，与原数据混合，重复执行本方法。本发明解决了由于海洋信道时变空变导致的信号特征提取困难。

公开(公告)号：CN112511474A

公开(公告)日：2021-03-16

申请号：CN202011351885.1

申请日：2020-11-26

申请人： 哈尔滨工程大学

发明人： 王勇 ,  赵广荣 ,  沈益冉 ,  张越 ,  王天一 ,  辛显楠

IPC分类号： H04L25/49 ,  H04L25/03 ,  H04B13/00 ,  G06N3/04 ,  G06K9/62

摘要： 本发明是一种基于卷积神经网络和迁移学习的智能设备振动通信方法。本发明涉及物联网振动通信技术领域，本发明对智能设备的发送端进行振动信号的比特流分组调制发送；对智能设备的接收端采用信标位检测算法确定振动起点；对三轴加速度计信号进行主成分特征提取，去除信号噪声；对主成分分析特征提取后的加速度信号进行卷积神经网络解码，得到比特位组对应的符号标签；当通信环境发生改变时，进行迁移学习，提高振动信号识别准确率。本发明采用的比特流分组编码结合卷积神经网络解码的方式无需关心组内符号间干扰对传输准确率影响，能加快振动通信速率。相对于振幅调制和频率调制技术，本发明能被当前各种商业化智能设备所通用。