0 引　言

船舶航行环境的复杂性远超陆地通信场景，通信信号产生幅度失真、相位偏移、噪声叠加等问题，成为制约船用通信系统性能提升的关键瓶颈^{[1 − 3]}。

传统的船用通信失真信号识别方法，如基于小波变换的特征提取、神经网络、支持向量机分类等^{[4 - 6]}，往往依赖人工设计特征，对复杂多变的失真类型适应性较差，尤其在多干扰源叠加、弱失真信号检测等场景下，识别准确率与实时性难以满足现代海事通信的高要求^[7]。随着深度学习技术在特征自适应学习、复杂模式分类等领域的突破性进展，其强大的深层神经网络架构能够从海量失真信号数据中自动挖掘高阶非线性特征，无需人工干预即可完成从信号预处理到失真类型判定的端到端识别，为解决船用通信系统失真信号识别难题提供了全新思路^[8]。

本文依据深度学习在船用通信失真信号识别中的应用展开研究，结合船用通信信号的非平稳性、强干扰性等特点，构建基于受限玻尔兹曼机（Restricted Boltzmann machine，RBM）−深层堆叠网络（Deep Stack Network，DSN）的船用通信失真信号半监督识别方法，为提升船用通信系统抗干扰能力、保障远洋船舶通信安全提供技术支撑。

1 船用通信系统失真信号识别 1.1 基船用通信系统信号获取

相对于传统同步采样方式，异步采样技术不需要精确捕捉信号判决时刻的状态，能够直接对输入信号进行采集，避免时钟恢复环节，显著降低了接收端硬件复杂度。为此本文将异步采样技术作为船用通信系统信号采集方式，输出数据直接服务于后续深度学习模型的特征学习与失真识别任务。船用通信系统信号的异步采样结构图如图1所示。在图1中，T_symbol为光信号中每个符号的时间长度，T_sample为采样点之间的时间间隔，则待测光通信系统光信号在光学带通滤波器作用下进行滤波预处理。随后，光信号经由光电转换器转变为电信号，输出随时间变化的功率曲线。结下来，信号被转换成2个分支：一分支加入可调延$ \tau $，另一支保持原有时序，由此建立基于1/T_sample频率的采样序列，得到光信号数据集。采集的船用通信系统信号数据，并对其进行转换，转换后的信号作为为深度学习模型的输入。

1.2 基于RBM-DSN的船用通信系统信失真信号识别

采用深度学习中的受限玻尔兹曼机与深层堆叠网络^[9]识别光通信网络失真信号：首先利用RBM对未标记信号进行无监督预训练^[10]，获取初始权值；随后以该权值初始化DSN网络，再采用梯度下降法进行有监督微调，充分挖掘光通信信号中标记数据的监督信息与未标记数据的潜在特征。

1.2.1 受限玻尔兹曼机结构及训练

RBM是一种具有可见层（visible layer）和隐藏层（hidden layer）的双层概率生成模型。设可见层单元数为$ v $，隐藏层单元数为$ h $，则RBM的能量函数定义为：

$ E\left(v,h\right)=-\sum \limits_{i=1}^{v}{a}_{i}{v}_{i}-\sum \limits_{j=1}^{h}{b}_{j}{h}_{j}-\sum \limits_{i=1}^{v}\sum \limits_{j=1}^{h}{v}_{i}{W}_{ij}{h}_{j}。$

(1)

式中：$ {a}_{i} $、$ {b}_{j} $分别为可见层和隐藏层的偏置项；$ {W}_{ij} $为可见层单元$ i $与隐藏层单元$ j $之间的连接权重。

RBM的可见层单元数设为256，对应信号采样点数；隐藏层单元数为128，激活函数采用Sigmoid函数。训练采用对比散度（Contrastive Divergence, CD）算法，通过一步采样（CD-1）近似计算梯度，更新规则如下：

$ \Delta {W}_{ij}=\varepsilon \left[{\left({v}_{i}{b}_{j}\right)}_{\mathrm{d}\mathrm{a}\mathrm{t}\mathrm{e}}-{\left({v}_{i}{b}_{j}\right)}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{o}\mathrm{n}}\right]。$

(2)

式中：$ \varepsilon \left[\ast \right] $为学习率，设为0.01；$ {\left(\ast \right)}_{\mathrm{d}\mathrm{a}\mathrm{t}\mathrm{e}} $和$ {\left(\ast \right)}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{o}\mathrm{n}} $分别为原始数据分布和重构数据分布的期望。

1.2.2 深层堆叠网络结构及训练

DSN由多个RBM堆叠而成，每个RBM的隐藏层作为下一RBM的可见层。本文构建了一个三模块堆叠的DSN结构，各模块隐藏层单元数分别为128、64、32。堆叠完成后，在顶层接入一个Softmax分类器，用于输出失真信号类别。

DSN的训练分为2个阶段：

第一阶段为无监督逐层预训练。每个RBM单独训练，学习前一层的特征表示；

第二阶段为有监督全局微调。将所有堆叠的RBM与Softmax层联合，采用带标签数据，以交叉熵作为损失函数，使用梯度下降法进行端到端训练。损失函数定义为：

$ \lambda =-\frac{1}{N}\sum \limits_{k=1}^{N}\sum \limits_{c=1}^{C}{y}_{k,c}\log \left({\hat{y}}_{k,c}\right)。$

(3)

式中：$ N $为样本数；$ C $为类别数；$ {y}_{k,c} $为真实标签；$ {\hat{y}}_{k,c} $为预测概率。

训练中，批量大小（batch size）设为32，学习率初始为0.1，每训练50轮衰减为原来的0.9，共训练200轮。

1.2.3 基于梯度下降法的参数微调

在完成DSN的预训练后，采用小批量梯度下降法（Mini-batch Gradient Descent）对网络参数进行微调。目标是最小化损失函数$ \lambda $，参数更新公式为：

$ {\theta }_{t+1}={\theta }_{t}-\eta \times {\nabla }_{\theta }\lambda \left({\theta }_{t}\right)。$

(4)

式中：$ \theta $为网络参数（权重与偏置）；$ \eta $为学习率，$ {\nabla }_{\theta }\lambda $为损失函数对参数的梯度。

1.2.4 船用通信系统失真信号识别流程

结合受限玻尔兹曼机学习与深层堆叠网络监督训练，实现船用通信系统失真信号学习，具体流程如下：

1）特征学习。利用多个受限玻尔兹曼机对船用通信信号的各维度特征独立进行学习。

2）网络初始化与监督训练。将各受限玻尔兹曼机可视层垂直堆叠形成神经网络输入层，其输入权值矩阵由n个受限玻尔兹曼机学习到的特征参数按信号维度拼接构成。监督训练时，直接将带标签的$ n\times m $维船用通信失真信号输入网络，利用标签信息对整体网络进行端到端微调。

3）参数微调与特征融合。输入权值初始化后，借助梯度下降法，依据船用通信标记数据的监督信息，对网络参数进行微调。在微调时，各维度特征得到融合，模型借此捕捉船用通信信号中不同类型失真的特征差异，提升对色散、非线性等多类型失真信号的识别准确率。

2 仿真实验 2.1 实验环境及数据来源

为验证基于RBM-DSN的船用通信失真信号半监督识别方法对失真信号的识别效能，用深度学习框架搭建实验系统，信号序列经符号映射、脉冲整形、调制后，生成船用通信系统信号并通过网络传输。本研究基于Matlab 2022a与Python 3.9联合构建了光通信系统仿真与深度学习训练平台。其中，Matlab负责船用通信信号的生成、传输与失真模拟，Python借助PyTorch 1.12.1深度学习框架搭建并训练RBM-DSN识别模型。

通过上述过程，共生成包含5000个样本的数据集。每个样本均标注其失真类型（色散主导、非线性主导、噪声主导或混合失真）与调制格式（32QAM/64QAM）。为验证所提方法的半监督学习能力，在训练阶段，仅随机选取总样本的20%作为标记数据，其余80%作为未标记数据参与模型的无监督预训练。测试集则独立包含1000个样本，用于最终评估模型性能。

实验在一台搭载Intel Core i7-12700H处理器、32GB RAM及NVIDIA GeForce RTX 3060 GPU（显存6GB）的工作站上完成。所有深度学习模型的训练与测试均启用GPU加速。

2.2 船用通信系统信号采集结果

32 QAM和64 QAM调制光在不同光信噪比（20 dB、40 dB）下采集的船用通信系统信号结果如图2和图3所示。可知，不同调制格式的船用通信系统信号在不同信噪比环境下呈现出显著的特征差异。具体而言，32 QAM信号在时域波形上相对简单，频谱分布集中，而64 QAM信号则因其高阶调制特性，波形更为复杂，频谱分布更广。这种差异不仅体现了船用通信系统信号本身的调制特性，也为后续失真信号识别提供了丰富的特征信息。同时，对比2种信噪比条件下的采集结果，可以发现高信噪比（40 dB）下船用通信系统信号的波形更加清晰稳定，而低信噪比（20 dB）下虽然信号质量有所下降，但异步采样技术仍能有效捕捉到船用通信系统信号的关键特征，充分验证了异步采样技术在船用通信系统信号采集中的有效性和鲁棒性，为后续失真信号识别奠定了坚实的数据基础。

2.3 船用通信系统失真信号识别结果

通过搭建实验系统模拟32 Q和64 QAM两种高阶调制格式下不同类型的船用通信系统信号失真情况各100次，应用本文方法进行失真信号识别，识别结果通过决定系数R²表示，其用于衡量实际识别结果与真实结果之间的拟合程度，值越接近1，表明拟合程度越好，即识别精度越高。船用通信系统失真信号识别结果如图4所示。可知，该方法对色散失真、非线性失真以及噪声干扰等多种类型的失真信号均展现出了较高的识别准确率，表明深度学习能够有效挖掘船用通信信号中的潜在特征，并通过训练实现对失真类型的精准分类。同时混淆矩阵还揭示了方法在复杂失真环境下的适应性，即在实际船用通信系统中，信号往往同时受到多种失真因素的影响，而法仍能保持较高的识别准确率，体现了其较强的环境适应性和鲁棒性。决定系数R²作为衡量识别结果与真实结果之间拟合程度的指标，高值进一步验证了本方方法的有效性和可靠性，说明识别结果与真实结果高度契合。

2.4 不同标记样本比例下的船用通信系统失真信号识别结果

由于深度学习模型的实现失真信号识别时应用了有标签样本与无标签样本，应用效果在一定程度上取决数据样本的标记比例，为此探究不同标记样本比例下本文方法应用深度学习进行船用通信系统失真信号识别的效果，深度学习样本标记率分析结果如表1所示。可知，随着标记样本比例的增加，MCC值呈现出单调递增的趋势，表明增加标记样本数量有助于提高模型的分类精度和稳定性。当标记率超过20%后，MCC值的提升幅度逐渐减小，说明此时增加标记样本对模型性能的提升作用有限。同时，宏平均F1值和少数类召回率在不同标记率下呈现出先升后降的趋势，表明在标记率较低时，增加标记样本可以显著提高模型对多数类和少数类的识别能力；但当标记率过高时，模型对少数类的识别能力反而下降，原因是模型过于依赖标记数据而忽略了未标记数据中的潜在信息。随着标记样本比例的增加，训练时间显著增加，要求在实际应用中需要权衡识别精度与训练时间之间的关系，以选择最优的标记率。综合分析表1的各项指标，可以确定当标记样本比例为20%时，模型在MCC、宏平均F₁值和少数类召回率等方面均表现出较好的性能平衡，因此可以认为20%是该深度学习在船用通信系统失真信号识别中的最优标记率。

2.5 与其它方法的船用通信系统失真信号识别结果对比

为凸显基于RBM-DSN的船用通信失真信号半监督识别方法的优势，选择支BP神经网络和支持向量机的船用通信系统失真信号识别方法作为对比方法，引入AUC-ROC（多分类平均）、特征提取效率（秒/样本）和泛化误差等指标进行对比分析。不同方法的船用通信失真信号识别性能对比实验结果如表2所示。分析表2数据可知，在识别精度层面，本文方法在核心性能指标上优于对比方法。本文方法的AUC-ROC（0.94）显著高于BP神经网络的0.81和支持向量机的0.86，表明其通过受限玻尔兹曼机预训练与深层堆叠网络有监督微调的协同机制，有效捕捉了色散、非线性、噪声等多类型失真信号的动态特征，而BP神网络受限于大样本假设的约束，支持向量机因时序特征离散化处理导致信息丢失，均无法实现高精度分类。在计算效率方面，本文方法特征提取耗时仅0.03秒/样本，对比BP神网络的0.05秒/样本和支持向量机的0.08秒/样本提升不少，避免了对比方法过度训练耗时，更加契合船用通信系统对实时监测的要求。本文方法泛化误差低至8.2%，远低于对比方法，验证了深度学习通过未标记数据挖掘通用特征的有效性，在复杂多变的实际通信环境中展现出更强的适应性。

综上所述，本文方法通过深度学习征学习分类优化，在精度、效率、泛化性三方面形成显著优势，为船用通信系统失真信号的智能化识别提供了更可靠的技术路径。

3 结　语

本文分析深度学习在船用通信系统失真信号识别中的应用，通过引入深度学习方法构建船用通信系统失真信号识别模型，有效提高了船用通信系统失真信号的识别精度与效率，突破了传统方法依赖人工提取特征、抗干扰能力弱的局限。该研究为船用通信系统的抗干扰设计提供了技术支撑，能够切实降低因信号失真引发的航行安全风险，助力海事通信实现智能化升级。未来，可进一步结合实时船舶数据，优化模型的动态适应能力；同时，探索多模型融合方案，持续拓展深度学习在海事通信领域的应用深度和广度。