本发明属于水下光通信，尤其涉及一种水下激光通信信号预测方法及其模型搭建方法。
背景技术：
1、在水下光通信技术领域，目前面临的问题主要包括水下通信环境的动态性、复杂性和多变性，导致光信号在水下传播时的距离限制和信号质量下降的问题，对水下通信系统的稳定性和可靠性产生重要影响。因此，需要对水下信号进行预测模拟，以便更深入地理解和评估水下信道的特性和影响。
2、基于矢量辐射传输理论的方法，因为水下信道引起的光信号衰减特性会导致传输光信号脉冲展宽，当数据传输速率过高时产生码间串扰问题，从而对水下无线光通信系统的通信质量造成不良影响。传统的蒙特卡洛仿真模拟方法侧重于模拟光信号在水中传播过程中受到的物理衰减，而忽略了通信设备对信号传输的影响，导致对水下无线光通信系统的信道特性建模存在不足。近年来，深度学习网络在信道建模方面取得了显著进展，但这些模型在试验和测试中主要适用于训练过的水体，对于未经训练的水体表现出较差的性能。因此，为了预测模拟更多种新水体下的数据，需要一种新的信号预测方法。
技术实现思路
1、针对上述问题，本发明旨在通过结合元学习maml方法和cdcgan网络的结构，验证该结构提高了网络模型的泛化性能，减少过拟合的风险，实现了生成未经训练的新水体下的接收信号。从而解决现有技术在水下无线光通信系统中的局限性，提升系统的稳定性和可靠性。
2、本发明第一方面提供了一种水下激光通信信号预测模型搭建方法，包括以下过程：
3、步骤1，基于构建的水下激光数字通信系统，采集由不同掺杂剂配比的多种水质条件下的接收信号、对应的发射信号和对应的水质衰减系数作为训练集，采集两种不同真实海水下的接收信号、对应的发射信号和对应水质衰减系数作为测试集；
4、步骤2，对所述训练集按照不同的水质划分元任务集，每种水质下采集的数据作为一个元任务，用于网络模型的训练及微调；对所述测试集按照水质不同划分为两个元查询集，用于测试评估模型的性能；将元任务集和元查询集分别进行数据预处理；
5、步骤3，基于cdcgan的网络结构，搭建水下信号预测模型mlcgan，所述mlcgan模型包含一个生成器g和一个鉴别器d，同时结合maml算法改进训练过程，包括内循环和外循环，所述内循环在每个元任务中执行，生成器与判别器交替训练，所述外循环通过不同的元任务对模型进行优化；
6、步骤4，使用预处理后的元任务集和元查询集进行测试与测试，选取验证生成更可靠信号的模型作为最终模型。
7、优选的，所述步骤2中数据预处理具体包括：发送和接收信号均为数字序列信号，在接收端采集信号时保证每个发送信号至少采样20个点；将发送信号的维度进行填充与接收信号维度保持一致；使用滑动窗口的方法制作样本，每隔一个信号选取100个信号，生成更多的样本，丰富训练数据；将训练数据的水体衰减度进行标签编码处理。
8、优选的，所述步骤3中的内循环是在元任务集中每个任务内进行训练，参数更新公式如下：
9、
10、上式中fθ和θ分别为初始模型和模型随机初始化参数，α为内循环学习率，表示第i个元任务时的损失函数，θ′i为更新后的权重；
11、所述内循环的目标函数为：
12、
13、其中k为内循环中执行的元任务数量；
14、所述外循环是在多个任务之间进行迭代，更新参数公式如下所示：
15、
16、上式中β为外循环学习率。
17、优选的，所述步骤3中结合maml算法改进训练过程，具体训练过程如下：
18、s1，初始化生成器和判别器模型参数θg，θd；
19、s2，在每个元任务中进行内循环，首先固定生成器参数θg，训练判别器θd；首先获取真实发送信号x，真实接收信号y和相应水体衰减值c，以及来自随机噪声样本z，由生成器仿真一个样本为g(z/(x，c))；
20、s3，将真实样本和生成器生成的仿真样本分别和水体衰减度条件一同输入到d中，随后更新并记录损失函数的值：
21、
22、其中，表示为判别器的损失函数；ex[*]表示对*的期望；px(x)和pz(z)分别表示真实样本分布和模型学习的分布，logd(θd，y/(x,c))表示判别器d输入为在发送x信号以及水体衰减为c的条件下的接收信号y的值；
23、s4，更新判别器d的参数：
24、
25、上式中αd为判别器d内循环的学习率；
26、s5，固定判别器参数θd，训练生成器g，生成器的损失函数如下：
27、
28、s6，更新生成器g的参数：
29、
30、上式中αg为生成器g内循环的学习率；
31、s7，内循环结束，在外循环中更新最终参数：
32、
33、其中β为外循环学习率参数。
34、优选的，所述水下信号预测模型mlcgan的网络参数具体为：
35、所述生成器g为四层级联的一维卷积层结构，各层输出空间的维数分别为64、32、16、20，一维卷积窗口长度为5、3、3、3，前两层激活函数采用relu，第三层采用tanh函数，第四层线性输出结果，所述生成器g用于预测水下真实接收信号，接受噪声信号和水体衰减度条件信息作为输入，经过训练后输出预测信号；所述判别器d采用六层网络结构，其中前四层为一维卷积层，后两层为全连接层，其中卷积层各层输出空间的维数分别为64、32、16、8，一维卷积窗口的长度为5、3、3、3，第五六层神经元个数分别为64、1，前三层激活函数均采用relu，第四层五层六层直接线性输出结果；所述判别器d用于接受数据信号和条件信息作为输入，并判断当前的数据是真实样本还是生成器生成的假样本；所述条件信息为当前水体衰减系数。
36、优选的，设置mlcgan模型的训练参数为：内循环生成器和判别器学习率均为0.001，外循环学习率为0.0001，批次大小设置为25；g和d均选用adam优化器进行训练，每优化一次θg优化五次θd，mlcgan模型内循环执行元任务数量为5。
37、本发明第二方面还提供了一种水下激光通信信号预测方法，包括以下过程：
38、获得水下发送信号的数据以及水体衰减系数；
39、将获得的水下发送信号数据以及水体衰减系数输入到如第一方面所述的搭建方法所搭建的水下信号预测模型中；
40、输出预测的水下接收信号。
41、本发明第三方面还提供了一种水下激光通信信号预测设备，所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如第一方面所述的搭建方法所搭建的水下信号预测模型的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，使处理器执行一种水下激光通信信号预测方法。
42、本发明第四方面还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有如第一方面所述的搭建方法所搭建的水下信号预测模型的计算机执行程序，所述计算机执行程序被处理器执行时，使处理器执行一种水下激光通信信号预测方法。
43、与现有技术相比，本发明具有如下有益效果：
44、1.本发明提出了一种提高网络泛化性能的水下信号预测方法，将maml元学习算法与cdcgan结合，构建了一种新的mlcgan框架，改进水下信号预测模型的训练过程，能够使网络快速适应多种水体新任务，提高网络模型的泛化性能，减少过拟合的风险。
45、2.根据不同水质条件将训练集划分为元任务集，将测试集划分为元查询集。每种水质条件下的数据被用作独立的元任务或者元查询集，通过这种划分方法，实现对模型的精细化训练与评估。
46、3.采用内循环和外循环的训练方法。在内循环内执行每个元任务，生成器g和判别器d交替训练，增强模型的学习能力；在外循环中对不同的元任务进行优化，达到更好的泛化效果。
47、4.基于发送信号和衰减系数的预测输出模型。通过输入发送接收信号及相应的水体衰减系数训练模型，模型的最终输出为在特定水质衰减度下预测的接收信号数据，通过对不同环境条件下的信号进行高效预测，确保信号的可靠性和准确性。
48、5.分别从时域和频域的角度验证模型的指标，在时域中，通过预测信号与在真实信号的幅度密度分布对比，分布越相似预测信号越接近。在频域中，通过预测信号与真实信号之间的频谱误差，误差越小，频域成分，预测的信号在频域中成分越相似，模型对信号预测能力越强。
1.一种水下激光通信信号预测模型搭建方法，其特征在于，包括以下过程：
2.如权利要求1所述的一种水下激光通信信号预测模型搭建方法，其特征在于：所述步骤2中数据预处理具体包括：发送和接收信号均为数字序列信号，在接收端采集信号时保证每个发送信号至少采样20个点；将发送信号的维度进行填充与接收信号维度保持一致；使用滑动窗口的方法制作样本，每隔一个信号选取100个信号，生成更多的样本，丰富训练数据；将训练数据的水体衰减度进行标签编码处理。
3.如权利要求1所述的一种水下激光通信信号预测模型搭建方法，其特征在于：所述步骤3中的内循环是在元任务集中每个任务内进行训练，参数更新公式如下：
4.如权利要求1所述的一种水下激光通信信号预测模型搭建方法，其特征在于：所述步骤3中结合maml算法改进训练过程，具体训练过程如下：
5.如权利要求1所述的一种水下激光通信信号预测模型搭建方法，其特征在于：所述水下信号预测模型mlcgan的网络参数具体为：
6.如权利要求1所述的一种水下激光通信信号预测模型搭建方法，其特征在于：设置mlcgan模型的训练参数为：内循环生成器和判别器学习率均为0.001，外循环学习率为0.0001，批次大小设置为25；g和d均选用adam优化器进行训练，每优化一次θg优化五次θd，mlcgan模型内循环执行元任务数量为5。
7.一种水下激光通信信号预测方法，其特征在于，包括以下过程：
8.一种水下激光通信信号预测设备，其特征在于：所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如权利要求1至6任意一项所述的搭建方法所搭建的水下信号预测模型的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，使处理器执行一种水下激光通信信号预测方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有如权利要求1至6任意一项所述的搭建方法所搭建的水下信号预测模型的计算机执行程序，所述计算机执行程序被处理器执行时，使处理器执行一种水下激光通信信号预测方法。
