基于双分支脉冲神经网络的水下声学通信信号识别

《Digital Signal Processing》:Underwater Acoustic Communication Signal Recognition Based on Dual-Branch Spiking Neural Networks

【字体: 大 中 小 】 时间:2026年04月21日 来源:Digital Signal Processing 3

编辑推荐:

  水下声通信低功耗脉冲神经网络识别方法研究,提出双分支架构(主分支识别+辅助分支干扰抑制)、整数化ILIF神经元(兼顾训练精度与推理能效)、频谱重排CR模块(降低计算复杂度)、IARD随机抽换单元(增强泛化能力),实验表明较单分支全连接网络功耗降低98.17%且保持99.04%识别精度,复杂海洋环境验证有效。

  
方毅|黄敏燕|龚燕|马莉|涂艳辉|李继龙|冯海红
中国科学院声学研究所,北京 100190,中国

摘要

为了解决水下声学通信(UAC)信号识别的高能耗问题以及嵌入式芯片长期运行的困难,本文提出了一种基于脉冲神经网络(SNNs)的低功耗识别方法。通过设计双分支架构,主分支用于识别,而辅助分支在训练期间提供基于重构的干扰抑制,从而提高了模型在噪声和混响条件下的鲁棒性。引入了整数泄漏积分-射击(ILIF)神经元以实现高效的训练和低功耗的脉冲驱动推理。接下来,使用通道重排(CR)模块将输入频谱划分为几个部分重叠的子带,进一步降低功耗。最后,采用整数激活随机丢弃(IARD)方法在训练期间保留部分浮点激活值,从而减轻完全整数激活带来的优化难度并提高模型的泛化能力。湖上试验结果显示,与单分支人工神经网络(ANN)架构相比,双分支ILIF-SNN-CR-IARD方法将功耗降低了约98.17%,同时实现了99.04%的识别准确率。在各种低信噪比的海试场景中,其识别性能与ANN相当,证明了双分支ILIF-SNN-CR-IARD架构在复杂水下声学环境中的可行性和实用价值。

引言

水下声学通信(UAC)信号识别在水下通信中起着关键作用[1]。目前,UAC信号识别的研究主要集中在两种方法上:传统特征工程方法和基于深度学习的方法。传统方法通常依赖于手动设计的时间域、频率域或时频域特征,并结合支持向量机(SVM)[2]、随机森林(RF)[3]和K最近邻(KNN)[4]等分类器来完成识别[5,6,7]。基于深度学习的方法可以从原始信号或其时频表示中自动学习高级特征,从而显著提高识别准确率[8,9,10,11]。郑等人[12]使用信号功率谱作为输入到残差卷积神经网络中,在?20 dB到20 dB的信噪比范围内,对MPSK、MFSK、QAM和PAM信号实现了90.55%的总体检测率。王等人[13]基于SqueezeNet模型[14]结合了浅层和深层特征构建了多尺度表示,并利用SENet[15]增强了显著特征的表示,从而提高了信号识别性能。周等人[16]提出了一个双特征ResNet–Transformer模型,其中残差连接用于减轻深度网络中的梯度退化,并采用多头自注意力来增强长距离依赖性建模。湖上试验结果表明,当传输和接收距离在1公里、5公里和10公里范围内时,平均识别准确率为98.89%。然而,尽管基于深度学习的UAC信号识别方法具有出色的准确率,但其在嵌入式平台上的部署通常会导致高功耗和较大的计算开销,难以满足长续航时间和低功耗的要求。
近年来,受大脑启发的脉冲神经网络(SNNs)由于其低功耗特性而受到广泛关注[17,18]。脉冲神经元仅在接收到脉冲时触发稀疏加法操作,其他时间保持空闲状态,其计算成本远低于传统深度神经网络中使用的乘法-累加操作[19,20]。此外,随着TrueNorth[21]、Loihi[22]和Tianjic[23]等神经形态芯片的出现,SNNs的硬件支持平台逐渐成熟,为它们在低功耗模式下的部署和应用提供了必要的支持。然而,SNNs的稀疏脉冲驱动特性也使得网络训练变得具有挑战性,因为脉冲生成函数的非可微性阻碍了梯度反向传播。因此,尽管基于替代梯度的SNN训练在相对简单的基准测试中取得了有希望的结果,但在更具挑战性的任务上实现高效稳定的优化仍然困难[24,25]。为了降低SNN的训练难度并提高准确率,罗等人[26]提出了整数泄漏积分-射击(ILIF)神经元。通过在训练期间使用整数值激活并在推理期间扩展虚拟时间步长来保持脉冲驱动计算,这种方法在图像识别任务中有效提高了SNN的准确率,同时保持了与人工神经网络(ANNs)相同的训练速度。然而,尽管整数激活在训练上具有明显优势,但它提供的梯度近似仍然不如全浮点训练准确,这可能会限制梯度传播并使优化更难收敛。与陆地无线信道不同,水下声学信道更为复杂[27]。声波在海水、海底和海面之间的多次反射产生了严重的多路径效应,导致混响尾部长且能量衰减缓慢。同时,来自海洋的各种环境噪声使得接收信号的识别更加困难[28,29]。这些条件不仅挑战了SNN中的脉冲时序编码和网络架构设计,还对它们的训练方法的稳定性提出了更严格的要求。
因此,本文进行了以下工作:
  • 1.
    设计了一种双分支架构,以提高模型在噪声和混响环境中的识别鲁棒性。主分支执行信号识别,而辅助分支采用编码器-解码器结构,通过最小化输出频谱与干净频谱之间的误差来学习接近干净信号的频谱特征表示。为了避免额外的推理开销,辅助分支仅在训练期间激活,而在推理期间仅保留主分支用于识别。
  • 2.
    引入了ILIF神经元以减轻传统SNN的量化误差和训练难度。具体来说,ILIF在训练期间将浮点值转换为整数激活,并在推理期间将其转换为二进制脉冲,从而优化了传统的多时间步长SNN架构。推理阶段的二进制脉冲输出显著降低了模型的能耗。
  • 3.
    提出了一种通道重排(CR)模式以降低计算复杂性,从而降低能耗。鉴于UAC信号的高采样率和宽频率范围,CR模块将频率维度的信息转换为跨通道表示。
  • 4.
    提出整数激活随机丢弃(IARD)方法以提高优化稳定性和泛化能力。在训练期间,以概率p随机应用整数激活,而以概率1?p保留浮点值,从而减轻了完全整数激活带来的优化难度。
  • 章节片段

    非合作UAC信号识别中的挑战

    非合作UAC信号识别主要应用于无法获取先验信息(例如,信道状态、信号类型和参数)的环境中。这种非合作场景的固有特性对基于神经网络的识别方法在计算复杂性和能耗方面提出了严峻挑战。一方面,目标频带完全未知,无法使用预定义的方法减少输入维度

    方法

    所提出的ILIF、CR模块和IARD方法的结构和原理分别在第3.1、3.2和3.3节中详细说明。最后,方法流程和网络结构在第3.4节中介绍。

    数据集描述

    为了验证所提方法在复杂信道条件和真实噪声环境下的识别性能,构建了包含八种典型信号的数据集。数据集在128 kHz下进行模拟,信号与三组随机多路径滤波器进行卷积,以模拟UAC信道中的衰减和多路径效应。背景噪声来自浙江千岛湖,随机提取的片段被添加到模拟信号中

    结论

    为了解决现有UAC信号识别模型的高能耗问题,提出了一种基于SNNs的低功耗高效识别方法。该方法采用双分支架构以提高在噪声和混响条件下的识别鲁棒性,利用CR模块和ILIF神经元降低能耗,并引入IARD方法提高泛化能力。所提方法进一步集成到经典骨干网络中,如ResNet50、GoogLeNet等

    CRediT作者贡献声明

    方毅:概念化、方法论、监督、项目管理、通信、撰写——审阅与编辑。
    黄敏燕:调查、数据管理、形式分析、撰写——初稿。
    龚燕:调查、验证、数据管理、撰写——初稿。
    马莉:方法论、形式分析、可视化。
    涂艳辉:资源管理、验证。
    李继龙:调查、资源管理。
    冯海红:监督、撰写——审阅与编辑。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号