SonAIr Dataset

该数据集用于开发和验证SonAIr系统，这是一个实时系统，利用深度学习技术对水下通道中的信号进行分类和定位。它包含在两个不同位置和多种收发配置下进行的7天真实水下声学传输记录。

This dataset is utilized for the development and validation of the SonAIr system, a real-time system that employs deep learning techniques to classify and localize signals within underwater channels. It encompasses seven days of authentic underwater acoustic transmission records, conducted at two distinct locations and under various transceiver configurations.

原始信息汇总

SonAIr Dataset 概述

数据集用途

用于开发和验证 SonAIr 系统，该系统利用深度学习技术对水下信道中的信号进行分类和定位。

数据集内容

包含7天的真实水下声传输记录，涵盖两个不同位置和多种收发配置。

数据集结构

• 日期组织：数据按日期组织，每个日期对应一个文件夹。
• 文件命名：文件名遵循 "modulation_class_channel_vector.dat" 格式。
  • modulation_class 可能值：fsk, css, ofdm, empty。
  • channel_vector：20元素二进制向量，指示每个通道是否在使用。
• 样本格式：原始记录文件包含交错的32位浮点I/Q样本。
• 采样率和带宽：采样率为625 ksamp/s，声传输带宽为50 kHz。

数据集访问

数据集可通过以下链接下载：http://hdl.handle.net/2047/D20620623

数据集读取

• Python：使用NumPy读取文件的示例代码如下： python import numpy as np data = np.fromfile(filename, dtype=np.complex64)

• MATLAB/Octave：可使用 read_complex_binary 函数。

• GNU Radio：使用文件源块读取。

搜集汇总

数据集介绍

构建方式

SonAIr数据集的构建基于真实世界的水下声学传输记录，涵盖了在两个不同地点和多种收发器配置下连续7天的数据采集。数据以文件夹形式组织，每个文件夹对应一个特定的日期代码，其中包含不同调制类别的声学信号记录。文件命名遵循特定格式，明确标注了调制类型和信道使用情况，确保了数据的系统性和可追溯性。

特点

SonAIr数据集的特点在于其多样性和真实性。数据集包含多种调制类型（如FSK、CSS、OFDM等）以及无信号（empty）的记录，每种调制类型均与20位二进制信道向量相关联，精确描述了信号在50 kHz带宽内的分布。此外，数据集中可能存在来自海洋交通的干扰，进一步增强了数据的现实意义。所有记录均以32位浮点I/Q样本形式存储，采样率为625 ksamp/s，为深度学习模型的训练和验证提供了高质量的基础。

使用方法

SonAIr数据集的使用方法灵活多样。用户可以通过NumPy库直接读取原始文件，或借助MATLAB/Octave中的`read_complex_binary`函数以及GNU Radio的文件源模块进行数据处理。数据集的结构化设计使得用户能够轻松提取特定调制类型或信道配置的数据，为水下声学信号分类和定位算法的开发提供了便利。此外，数据集的压缩包形式便于下载和管理，进一步降低了使用门槛。

背景与挑战

背景概述

SonAIr数据集由D. Uvaydov等研究人员于2023年发布，旨在支持水下声学频谱感知与分类的实时深度学习系统开发。该数据集包含为期7天的真实水下声学传输记录，涵盖两个不同地点和多种收发器配置。数据集的核心研究问题在于如何利用深度学习技术对水下信道中的信号进行分类与定位，从而提升水下通信系统的智能化水平。该数据集的发布为水下声学通信领域的研究提供了重要的实验基础，推动了实时信号处理技术的发展。

当前挑战

SonAIr数据集在解决水下声学信号分类与定位问题时面临多重挑战。首先，水下环境的复杂性和多变性导致信号传播过程中存在严重的衰减、多径效应和噪声干扰，增加了信号识别的难度。其次，数据集的构建过程中，研究人员需克服实际部署中的技术难题，如设备校准、数据同步以及环境干扰的排除。此外，由于水下声学信号的带宽有限且频谱资源紧张，如何在有限的频谱资源下实现高效信号分类与定位，也是该数据集面临的核心挑战之一。

常用场景

经典使用场景

SonAIr数据集主要用于开发和验证基于深度学习的实时水下声学频谱感知与分类系统。该数据集包含在两种不同地点和多种收发器配置下进行的为期7天的真实水下声学传输记录，为研究人员提供了一个丰富的实验平台，用于测试和优化深度学习模型在水下环境中的性能。

衍生相关工作

基于SonAIr数据集，研究人员已经开展了多项经典工作。例如，Uvaydov等人提出的SonAIr系统利用该数据集实现了水下声学信号的实时分类与定位，为后续研究提供了重要参考。此外，该数据集还激发了更多关于水下通信和深度学习结合的研究，推动了该领域的进一步发展。

数据集最近研究

最新研究方向

随着水下通信技术的快速发展，SonAIr数据集在实时深度学习领域的研究方向主要集中在水下声学频谱感知与信号分类的优化上。该数据集通过真实世界的水下声学传输记录，为研究者提供了丰富的实验数据，特别是在多调制类信号处理和信道向量分析方面。当前的研究热点包括利用深度学习算法提高信号分类的准确性和实时性，以及探索在不同水下环境中的信号传播特性。这些研究不仅推动了水下通信技术的发展，还为海洋资源勘探、环境监测等应用提供了重要的技术支持。