基于神经网络调制信号识别技术的发展

信号调制样式的自动识别是软件无线电必备的功能之一,基于人工神经网络的识别方法因其较其他方法具有更好的性能受到广泛关注。分析了基于神经网络调制信号识别技术的基本原理,将目前研究的调制信号识别分为基于多层感知器神经网络的调制信号识别和基于径向基函数神经网络的调制信号识别,提出了神经网络调制信号识别技术进一步的研究方向。     

莱斯衰落信道下 MQAM 信号调制方式自动识别方法

针对受莱斯衰落影响的4QAM、16QAM、32QAM、64QAM、128QAM、256QAM六类信号,分别研究了卷积神经网络（CNN）模型以及特征参数结合深度神经网络（DNN）分类器模型的调制方式识别性能。CNN模型需要大量带标签的数据集以及很长的训练时间才能获得较好的识别性能,而特征参数结合深度神经网络分类器模型所需训练时间较短,但其分类性能受限于特征参数的设计。针对以上问题,研究了混合高阶矩作为特征参数集,再将DNN作为分类器对多进制正交幅度调制（MQAM）信号进行识别的方法。仿真结果表明,该方法在低信噪比情况下对受莱斯衰落影响的MQAM信号识别准确率高于CNN模型,且分类准确率上限明显高于采用高阶累积量作为特征参数的方法。     

基于支持向量机的无线传感器网络分布式检测

为减少基于似然比检测的无线传感器网络最优分布式检测方法对信道状态、噪声分布和传感器检测性能等信息的依赖,满足实际系统的需要,提出使用支持向量机实现无线传感器网络分布式信号检测的方法.该方法无需预知信道状态和噪声分布信息,简化了无线传感器的节点功能.该方法将传感器节点测量结果以模拟非编码方式发送至数据中心,数据中心利用训练好的支持向量机对接收到的信号进行判决.仿真结果表明,该方法可获得较高的检测精度.     

基于物联网的电子对抗通信网络信号分类与识别方法

为了提高电子对抗通信网络信号检测识别能力,需要进行信号分类,提出基于物联网的电子对抗通信网络信号分类与识别方法。利用多维传感器采集电子对抗通信网络信号,结合功能传输控制构建电子对抗通信网络信号模型,通过多维参数识别和阵列信号定位方法实现信号特征检测,分析电子对抗通信网络信号的自相关约束参数;通过空间谱密度分析方法,构建通信网络信号融合聚类模型,结合频谱参数分析和信号融合聚类方法,在物联网环境下实现电子对抗通信网络信号的自动化分类识别。仿真结果表明,采用该方法进行电子对抗通信网络信号分类识别的聚类性较好,误分率较低,能够有效提高电子对抗通信网络信号的检测准确性。     

基于双曲正切特征和双特征融合神经网络的调制方式识别

由于调制方式识别能够在先验知识不足的情况下判断接收信号的调制类型，故而在各类无线通信系统中起到重要作用，许多学者也围绕该问题进行了深入的研究，并在高斯噪声条件下取得了诸多进展.但是，由于自然或人为因素，有时候噪声中会出现尖峰，导致其具有脉冲性.此时，就无法继续采用高斯模型对其进行描述，因为相关的方法会发生严重的性能退化或者完全失效.为了解决该问题，首先借助双曲正切函数提出了两类改进的特征；然后基于注意力机制和门控循环单元等设计了一种双特征融合的深度神经网络作为分类器；最后，在模式识别框架下提出了一种新的调制方式识别方法.实验结果表明，所提方法能够有效抑制高斯和非高斯混合噪声，同时取得良好的调制方式识别结果.     

无线传感器网络中极大极小设置的分布式检测研究

在分布式检测系统中,无线传感信道普遍存在未知的噪声,而基于最大似然函数的融合在有未知的噪声时性能表现较差.为了提高信号检测的准确性,提出一种基于极大极小方法设置的鲁棒融合规则.该规则采用最大似然函数的融合算法的结构形式和Huber极小极大的方法,得到虚警概率和检测概率表达式,适用于信道噪声为非衰减噪声分布、有界方差的噪声分布和混合高斯噪声分布.对多传感器并行分布式检测系统的仿真与分析,表明了该融合算法可提高信号检测的准确性,同时也具有一定的鲁棒性.     

基于上下文感知和注意机制的多学习情绪识别方法

为提高人脸图像情绪识别效率与准确性,在探讨了深度神经网络、注意机制与损失函数基础上,提出基于上下文感知与注意机制的多学习情绪识别网络结构．该网络主要由场景特征提取、身体特征提取与融合决策3个子网络组成,并采用单双输出结构,实现多标签情绪分类与连续空间情绪回归任务．考虑到多标签情绪分类时标签的不平衡性,提出了一个改进的焦点损失（focal loss,FL）函数,可为小样本或难分类样本分配更多的权重,从而提高了网络训练效率．利用EMOTIC数据集进行仿真,结果表明平均绝对误差回归组合损失训练性能更优,分类平均准确率与回归平均误差率分别为28.5%和0.098,该方法对于小样本或难分类样本具有更好的分类效果．      

基于深度学习的自动驾驶技术综述

该文在行人检测技术方面介绍了基于卷积神经网络(CNN)模型的目标识别、检测技术与改进的区域卷积神经网络(R-CNN)、任务辅助卷积神经网络(TA-CNN)模型技术。在立体匹配技术方面简述了基于孪生网络的立体匹配的深度学习模型技术。在多传感器融合技术方面回顾了基于深度学习网络的视觉传感器、雷达传感器与摄像机传感器的多源数据融合技术。在汽车控制技术方面分析了基于卷积神经网络实现无人驾驶车辆端到端的横向与纵向控制技术。深度学习技术在自动驾驶领域的感知层、决策层与控制层的广泛运用,不断地提高感知、检测、决策与控制的准确率,并取得一定的成功,分析表明深度学习技术将加速自动驾驶技术的发展速度,为自动驾驶成为现实带来巨大的可能性。     

基于传感器信息融合技术的森林火灾报警系统

设计了基于ARM(高级精简指令集机器)嵌入式多传感器信息融合的森林火灾报警系统,该系统主要分为传感器节点、信号传输、总控系统和融合算法4个部分.传感器节点主要由LM-PT100温度、M397666空气湿度和MQ-2烟雾传感器组成;信号传输部分以CC2430为控制芯片,采用ZigBee技术实现无线传感器网络自组网和数据传输;总控系统以嵌入式微处理器2410为硬件平台,结合Linux操作系统和ADS1.2集成开发环境.设计了基于粗糙集、BP神经网络和D-S证据理论相结合的融合算法:粗糙集对数据进行约简,神经网络对约简后的子集进行分类识别,证据理论对每个子集的分类识别结果进行融合决策.运行结果显示:该系统与常规的“望台观测”、“地面巡护”等森林监控方法相比,能以更快的速度和效率预防并扑灭森林火灾.     

基于域适应神经网络的调制方式分类方法

针对深度学习进行调制方式识别领域测试样本与训练样本存在分布差异的问题,提出了基于域适应神经网络的调制识别方法。首先采用VGG16深度卷积神经网络提取信号小波变换后系数图像特征;然后利用自编码器对高维特征进行降维处理;再计算训练样本特征与测试样本特征之间的CORAL损失;最后联合优化分类损失和CORAL损失使模型达到最优。通过仿真实验证明,在信号类别存在差异或信道环境存在差异的条件下,引入域适应技术可提高待测信号识别准确率5%以上。     

典型神经网络串联型电弧故障检测及选线方法研究

为解决传统特征分析加机器学习的电弧故障检测方法的准确率和实时性受到特征参数选取的主观性及特征分析过程的影响问题,搭建了三相多负载并联的串联型电弧故障实验系统,对不同支路、不同相发生电弧故障时的干路电流信号时间序列进行分析。将电流信号进行分类、分段、标准化处理并作为检测模型样本;对深度卷积神经网络模型、长短期记忆网络模型、普通神经网络模型进行架构及训练;通过差分处理对网络模型在线分类结果进行优化分析;以准确度和损失函数值、在线测试速度、优化后多分类识别准确率为评价指标,对比分析了3种模型故障检测及选线效果。研究结果表明：基于深度卷积神经网络的串联型电弧故障检测及选线模型对电机类负载故障检测及选线准确率可达96.77%,对变频器类负载故障检测及选线准确率可到98%,准确率高于近几年其他三相回路电弧故障检测模型。     

认知无线电Underlay模式下MQAM信号的调制识别

针对传统的认知无线电Underlay中时频重叠MQAM信号调制识别方法性能低的问题,提出了一种采用时频分析图像纹理特征的时频重叠信号调制识别方法。首先对接收到的时频重叠MQAM信号做频率切片小波变换得到时频分析图像,并选取纹理差异明显的切片部分进行灰度化处理,然后通过提取时频分析图像的灰度-梯度共生矩阵特征,最后利用径向基函数神经网络分类器有效地实现了时频重叠MQAM信号调制方式的识别。仿真结果表明:在信噪比为4dB下,所提出的方法的平均识别率可达到95%以上;在信噪比大于0dB时,所提方法的识别性能优于基于高阶累积量的识别方法。     

基于密集连接机制的无线信号调制识别

为提高复杂信道环境下无线通信系统对调制信号的检测识别能力,以及针对当前调制识别方法存在的模型复杂、计算量大、输入数据特征不完备等问题。提出一种改进的深度学习算法模型,对真实无线环境下的9种常见调制信号进行识别研究。该算法通过对原始的同相正交(in-phase quadrature, IQ)数据进行幅度相位计算,以此增加模型输入数据的特征信息,采用改进的密集神经网络(dense neural network, DenseNet)对常见调制信号进行识别分类。实验结果表明：在相同的训练数据样本中,相比其他深度学习调制识别算法,改进算法性能最优。在信噪比为0时,DenseNet平均识别率达到84.6%。改进的IQ输入数据明显提高了无线信号的检测识别率,在信噪比为-10 dB和-5 dB时,调制信号的识别率提高了10%。     

基于多传感器融合的磨削砂轮钝化的智能监测

利用多传感器信息融合技术 ,通过模糊分类的方法对不同的磨削条件进行模糊化处理 ,构建了砂轮钝化监测多传感器融合系统结构 ;应用BP神经网络将磨削过程中声发射、磨削力和功率传感器信号合理融合 ,提出了自适应变学习率策略 ,将其神经网络输出的信号特征值作为表征砂轮钝化状态识别的判据 ,进行了砂轮钝化监测实验·结果表明 ,使用多传感器信息融合方法比使用单一传感器方法识别率高 ,监测效果好 ,并可实现智能监控和及时修整砂轮     

基于谱相关和神经网络的信号调制识别

由于通信信号的体制及调制及调制方式的复杂多样,通信信号调制类型的识别显得尤为重要和迫切.基于调制信号的谱相关特征,提取了5个特征参数,给出了各个参数随信噪比变化的曲线图.分类器采用RBF神经网络,并从提高网络识别性能出发,构建了大容量和高质量的网络训练样本,能够扩大识别范围,提高识别精度.基于谱相关特征参数和RBF神经网络结合的算法能动态识另q信号的调制方式,仿真结果表明:该算法在低信噪比下能取得较高的正确识别概率.     

基于改进的长短期记忆网络的调制识别算法

自动调制分类技术是无线通信技术中的一个重要研究领域,卷积神经网络以及长短期记忆网络(Long Short-Term Memory,LSTM)两种深度学习模型在基于特征的自动调制分类技术中得到了广泛的应用.然而在实际应用中这两种模型都存在着一些问题,卷积神经网络模型在处理长时间依赖序列的分类任务时的准确率不佳,LSTM模型的时间性能会随着输入数据规模的增大显著下降.针对以上问题,提出一种基于带有注意力机制的LSTM网络的调制识别算法.首先,读取一定采样长度的信号原始数据,并通过长短期记忆网络提取信号特征;然后,利用注意力机制为学习到的特征分配权重以减少数据冗余;最后,分类器根据学习到的特征输出分类结果.仿真实验结果表明,新算法能以较低的时间代价取得较高的准确率.     

基于卷积神经网络的网页信息资源定向抽取方法研究

为了提高分布式融合集成网络网页信息资源定向抽取能力,提出基于卷积神经网络的分布式融合集成网络网页信息资源定向抽取方法。构建分布式融合集成网络网页信息的自适应聚类处理模型,获得分布式融合集成网络网页信息数据集合,采用多重属性调度的方法,建立高分布式融合集成网络网页信息检测的模糊度训练集,实现对网页信息资源的模糊参数辨识与融合,采用最优策略下均衡控制的方法,得到高分布式融合集成网络网页信息的模糊决策特征调度矩阵,通过自相关检测识别与参数寻优的方法实现网页信息资源的定向抽取。仿真结果表明,采用该方法进行网页信息资源定向抽取的精度较高,自适应性较好,提高了网页信息资源定向抽取能力。     

基于YOLOv5网络的复杂雷达脉内调制类型快速识别方法

近年来雷达系统的抗截获能力快速发展，信号体制变得非常复杂，给空间态势感知信号处理带来困难。针对实际场景中极可能出现的多信号时频域交叠难以识别的问题，提出基于时频分析和深度神经网络的脉内特征识别的方法，利用时频分析手段将不同类型雷达信号转换为时频图像，基于深度学习的YOLOv5网络对不同混合交叠的雷达脉冲信号时频图开展研究。结果表明：在不同信噪比下，实现对两调相信号、三调频信号及调相与调频信号3种交叠情况的混合雷达信号脉内调制方式的检测与识别，信号调制体制识别准确率均达到95%以上。本文分析结果可为空间态势感知信号处理提供参考。     

多分类问题的RBF 二叉神经树网络方法

神经网络是一种普遍使用的分类方法。当类别数目较大时 ,神经网络结构复杂、训练时间激增、分类性能下降。基于两类问题的树网络多分类方法将两分类方法和判决树相结合 ,利用两分类方法来减少神经网络的训练时间 ,利用树型分类器来提高识别率。提出了一种多分类问题的二叉神经树网络结构和训练算法。利用两分类网络的训练结果对类别进行排序处理 ,并应用排序后的类别序号构成树型分类器 ,使可分性最差的类别的识别率提高最大 ,从而提高了整体分类性能。使用径向基函数 ( RBF)网络作为节点网络 ,使节点网络结构适应两类间的可分性 ,从而最终优化了神经树网络的结构。仿真实验表明该方法的分类性能优于现有方法     

基于分形特征和ILST-KSVC的调制方式识别

针对传统的信号调制识别方式在信噪比较低的情况下识别精度低与种类少的问题,提出了一种新的基于分形理论及多分类最小二乘双支持向量机的通信信号识别方法.首先采集数字信号,对接收到的信号进行预处理,提取其分形特征作为识别的特征参数,然后采用多分类最小二乘双支持向量机分类器实现对未知信号的识别.该方法与传统的神经网络分类法及决策树分类法相比,具有更好的泛化推广能力.实验仿真结果表明,该方法在低信噪比情况下,调制识别准确率要优于其他调制识别方法,且在信噪比SNR-5dB时,平均识别成功率达到91%以上.