基于深度迁移网络MobileNetV3的地形识别

传统地形识别算法,主要建立在人工提取特征和训练分类器的前提上,其通用能力有限且准确度不高,或者需要大量的数据集训练基础,这种方法训练的网络模型参数较大且预测耗时较长,不利于移植到移动端。因此,运用迁移学习思想,提出了一种基于深度迁移网络的地形识别算法。采用轻量级卷积神经网络MobileNetV3,在爬虫获取和自建适量数据集基础上,对神经网络进行迁移学习。首先,采用图像分类数据集ImageNet上的预训练成果,根据预训练模型权重对MobileNetV3网络进行初始化,实现对模型大规模共享参数的迁移;然后,通过在自建数据集GXU-Terrain6上进行新的训练,微调模型参数,进而得到新的分类模型;最后,利用训练好的模型对地形类别进行预测,从而完成识别任务。提出算法在GXU-Terrain6测试集上取得了93.00%的平均预测准确率。实验结果表明,基于深度迁移的地形识别算法运用较少数据,可获得较高的识别准确率,网络实时性好,适合向移动端移植。     

基于混沌小生境狼群算法的高密度无线传感器网络高能效分簇方法

无线传感器网络节点能量通常由能量有限的电池供应,如何在对节点进行分簇的同时减小通信能耗是研究中的一个重要问题。提出了一种基于混沌小生境狼群算法的高密度无线传感器网络能量高效分簇方法,通过智能选取簇头位置来降低无线传感器网络的单轮通信能耗。在不同节点数和簇头比例的条件下,分别采用了粒子群算法、量子遗传算法、模拟退火算法和混沌小生境狼群算法进行了无线传感器网络分簇。仿真结果表明,基于混沌小生境狼群算法的无线传感器网络分簇能够有效降低无线传感器网络的整体单轮通信能耗和平均节点通信能耗,有效提升了能量利用效率。     

融合多维注意力的非合作通信行为识别方法

电磁对抗环境下匮乏的数据资源与有限的反应时间是非合作通信行为识别研究发展所面临的主要挑战。现存的通信行为识别方法大多依赖大量监测数据或者繁琐的数据预处理流程,难以完成非合作通信行为识别任务。提出一种融合了多维通道注意力机制（MSENeT）的非合作通信行为识别方法,通过扩充通道维度提升注意力模块对通道间关系的全局视野,增强注意力中权重的精确度,从而提升深度卷积神经网络（CNN）对有限数据样本的特征提取能力,并保证带来的算法计算复杂度在可承受范围内。同时构建了对抗条件下通信行为频谱监测数据仿真场景,为后续的通信行为识别相关研究提供数据支持。最后的对比实验显示,在非合作条件下,基于MSENeT的通信行为识别方法相较于仅使用CNN和基于SENeT的方法在通信行为识别准确率上分别有14.9%和8.5%的提升。     

一种基于神经网络的无线TCP性能改进机制

传统TCP拥塞控制机制由于无法区分拥塞丢包与无线误码丢包,使其在无线环境中传输性能急剧恶化。从避免无线误码丢包出发,提出一种利用传统拥塞控制机制得到的参数（往返时间、重传数据量、拥塞窗口等）,基于无线环境的误码情况和神经网络算法进行TCP段尺寸调整的TCP性能改进方案。仿真结果表明,基于神经网络的TCP改进机制性能得到明显改善。     

基于H.264的数据分割和不等差错保护方案

为改善H．264码流在无线信道中传输的误码鲁棒性，提出一种新的数据分割抗误码方案．该方案利用无线信道反馈信息，预测信道丢包率，并判决对视频编码层（VCL）的数据是否进行数据分割．在高误码环境下，采用码率自适应删余卷积码（rate-compatible punctured convolution code）对分割后的数据区进行不等差错保护．仿真表明，算法具有较好的抗误码鲁棒性，有效地降低编码冗余，提高了编码效率．     

基于残差密集网络的智能超表面信道估计算法

信道估计是通信系统中一项关键的技术,涉及评估信号在传输过程中经历的信道特性,以便接收端能够有效地对接收到的信号进行处理和恢复。为提高视距信道遮挡通信下的通信系统质量,使用智能超表面来辅助现有通信系统。智能超表面辅助的无线通信系统中,除了基站和用户之间的视距信道外,同时包含基站到智能超表面和智能超表面到用户之间的级联信道。当前信道估计方法基本上利用传统算法进行估计,为了解决智能超表面辅助多用户系统中复杂统计分布的级联信道估计精度低和计算复杂度高的问题,文中提出了一种基于传统算法和深度学习算法相结合的信道估计算法。利用传统算法的可解释性和深度学习算法的高性能特性,在卷积网络基础上,提出了一种基于残差密集网络（RDN）的去噪方法。首先按照系统参数模拟生成真实环境的数据集,使用传统最小二乘法（LS）进行信道粗估计,并将信道看作二维含噪图像;其次采用密集块（RDB）充分提取噪声数据局部特征,并使用多路卷积和残差网络对数据进行特征融合;最后通过已训练模型对数据进行在线估计,并得到去噪信道。文中从信道的估计精度对所提算法进行验证,在Rician信道模型上进行理论公式推导和系统仿真分析。仿真结果表明,...     

一种基于彩票迁移的稀疏网络植株病虫害识别模型

植株病虫害的识别能够有效地提高农作物产量,当前数据驱动的深度植株病虫害识别方法需要大量的有标签数据,导致现有方法难以很好地识别少样本的新病虫。且基于深度学习的方法需要对大量的参数进行训练,难以削减计算开销。研究设计一种基于彩票迁移的稀疏网络植株病虫害识别模型:定义深度网络的彩票迁移假设,利用压缩策略构建稀疏网络,识别迁移源域的本质知识,提高深度网络的迁移效率;然后,设计深度彩票迁移算法,训练植株病虫害深度识别模型,解决少样本病虫识别调整;最后,在典型的通用数据与植株病虫害识别数据集上,验证基于彩票迁移的深度植株病虫害识别模型能高效迁移源域的本质知识。在PlantVillage数据集上,对植株病虫害识别准确率为97.69%,且所需训练的参数只有原始网络的约30%。     

基于FL-MADQN算法的NR-V2X车载通信频谱资源分配

针对5G新空口-车联网（New Radio-Vehicle to Everything,NR-V2X）场景下车对基础设施（Vehicle to Infrastructure,V2I）和车对车（Vehicle to Vehicle,V2V）共享上行通信链路的频谱资源分配问题,提出了一种联邦-多智能体深度Q网络（Federated Learning-Multi-Agent Deep Q Network,FL-MADQN）算法.该分布式算法中,每个车辆用户作为一个智能体,根据获取的本地信道状态信息,以网络信道容量最佳为目标函数,采用DQN算法训练学习本地网络模型.采用联邦学习加快以及稳定各智能体网络模型训练的收敛速度,即将各智能体的本地模型上传至基站进行聚合形成全局模型,再将全局模型下发至各智能体更新本地模型.仿真结果表明：与传统分布式多智能体DQN算法相比,所提出的方案具有更快的模型收敛速度,并且当车辆用户数增大时仍然保证V2V链路的通信效率以及V2I链路的信道容量.     

无线传感网络多节点通信链路质量检测算法

为提升无线传感网络的扩展性和通信性能,研究无线传感网络多节点通信链路质量检测算法。基于稳定路由协议设计了无线传感网络多节点通信链路质量检测算法,利用通信节点分析报文确认邻居节点间距,通过非参数局部线性核平滑方法依据邻居节点间距建立信号获取平滑后的信号接收强度。判断无线传感网络中的节点是否来自上游节点分组的平滑后信号接收强度后,采取滑动窗口局部多项式拟合方法建立链路质量检测模型,通过链路质量检测结果判断无线传感网络中该链路中通信节点移动状态,通过通信节点移动状态判断链路质量。实验结果表明,采用该算法可准确检测无线传感网络多节点通信链路质量,且在节点数量增加时检测效果依然良好,具有较好的扩展性。     

基于盲调制识别的工业控制MIMO-STBC通信系统性能研究

为了提高无线工业控制系统中通信传输系统的性能,本文设计了基于盲调制识别的工业控制MIMO-STBC通信系统,并对所设计的通信系统以Alamouti空时分组码为例,结合盲调制识别分类算法进行了仿真实验.实验结果表明:在瑞利衰落信道下,当调制方式组合为BPSK、QPSK、8PSK和BPSK、QPSK、16QAM时,相比于传统的基于盲调制识别的工业控制SISO通信系统,本文设计的基于盲调制识别的工业控制MIMO-STBC通信系统分别约有2.6 dB和4.3 dB增益,具有更优的误码性能.     

基于灰狼算法优化深度学习网络的网络流量预测

针对深度学习网络在网络流量预测建模过程中的参数优化难题, 以改善网络流量预测结果为目标, 提出一种基于改进灰狼算法优化深度学习网络的网络流量预测模型. 首先, 收集网络流量历史数据, 并对数据进行相空间重构、 归一化等预处理; 其次, 引入灰狼算法快速搜索到全局最优深度学习网络的相关参数, 并根据最优参数对预处理后的网络流量历史数据进行学习, 建立能挖掘网络流量历史数据变化规律的预测模型; 最后, 与其他算法优化深度学习网络的网络流量预测模型进行对比分析. 实验结果表明, 基于改进灰狼算法优化深度学习网络的网络流量预测精度超过90%, 远高于其他对比模型, 且预测建模过程的建模时间少于对比模型, 可满足网络流量管理的高精度和实时性要求.     

光纤网络哑资源智能检测与清查方法

ODN网络是FTTH网络中的重要组成部分,其质量好坏直接关系到客户使用宽带网络的体验。为了对哑资源进行高效精准管理,改善网络质量,提升宽带业务开通效率,降低维护成本,文中设计优化了哑资源智能检测及清查系统。该系统基于深度学习中的YOLOX算法,设计改进提出SGDMN优化器,该优化器能有效抑制振荡并且在加速训练的同时对梯度进行校正,以此对参数进行更新;同时对数据增强方式进行优化,在不脱离真实场景的前提下选择数据增强方式,以此实现对分光器、尾纤、标签、二维码等关键信息进行目标检测,进行分类标识,维护人员可基于这些关键信息配合资管系统信息完成哑资源清查。通过其他经典目标识别算法进行对比实验,结果表明改进后的YOLOX算法精度更高,满足哑资源智能检测及清查实际工程需求。     

Pattern差分编码水声通信研究

在Pattern时延差编码（PDS）通信体制的基础上,提出了Pattern差分编码方案.该方案将信息调制在相邻Pattern码的时延差上,减小了平均码元宽度,提高了通信速率.该方案通过码元分割降低了多途干扰,差分解码方式使其具有抗多普勒能力.现场试验中,定点通信实现了无误码传输,证明该体制能抑制多途干扰;移动通信误码率较低,证明该体制具有良好的抗多普勒能力.     

同步电机在线参数辨识的混合算法

根据输出误差法(OEM)、遗传算法和神经网络的优缺点,提出了一种同步电机参数在线辨识的四步法.由于OEM辨识参数需要较好的初值,文中首先用遗传算法在大范围内进行参数寻优,然后以此值作为OEM的初值进行迭代,再用OEM求得的结果训练人工神经网络,最后通过成功训练的神经网络在线辨识各种运行状态下的电机参数.这样使得传统的OEM参数辨识算法、遗传算法和神经网络在辨识参数方面充分地扬长避短,解决了单一算法的不足.在对一台111kVA、440V同步电机进行的仿真试验中,该方法在保证精度的前提下,辨识时间仅为0 008s.     

扩展Golay码的盲识别方法

针对信道编码的盲识别问题,首次提出了扩展Golay码的盲识别方法。与前有的盲识别算法比较,该算法的识别概率有明显的提高,这是一个全新的研究课题,在智能通信、信息截获、密码分析等领域有重要的应用。仿真实验表明文中提出的方法在误码率为8×10-2的情况下,对于扩展Golay码的识别概率高于99%,比原有算法提高了44%。     

基于LSTM的短波频率参数预测

针对现有短波通信频率参数预测方法操作繁琐、预测精度不足的缺点,首次提出一种基于长短期记忆型循环神经网络（LSTM RNN）的预测方法。通过对电离层参数f0F2数据的分析,利用LSTM在处理时序相关数据时可以长期记忆网络历史数据的优势,对f0F2值进行预测。对比反向传播神经网络（BPNN）,LSTM将误差降低了7%,并将均方误差控制在2%以下。研究结果表明：基于LSTM搭建的提前预报5天的f0F2值的模型是可行的且比BP神经网络更适合预测电离层的f0F2值。     

空时分组码多载波码分多址系统的空时多用户检测

针对传统的空时编码码分多址系统利用训练序列求解信道信息将导 g致频谱资源浪费这一问题,提出了一种矢量信道冲击响应(VCIR)的盲估计算法,它适用于基站使用多天线的空时分组码多载波码分多址(STBC MC CDMA)系统.与已提出的其他盲VCIR估计算法不同,此算法可以在每用户只使用一个扩频码时实现盲估计,因而不会降低系统中的最大活动用户数.基于估计出的 VCIR,为基站使用多天线的 STBC MC CDMA系统构筑了相应的空时多用户检测器.在系统的基站端使用多天线时,该检测器的活动用户数上限比使用单天线时的对应值有成倍的增加,在用户端使用空时分组码,可以更好地利用发射分集,提高信息的传送速率.仿真结果表明,该检测器不仅可以使用户容量达到系统活动用户数的上限,而且在活动用户数为14、相同信噪比的情况下,使用单根接收天线可以使系统误比特率降低40%.     

可见光通信信道编码中卷积与RS级联码分析

为解译平衡码的复杂性与纠错能力, 提出一种机联码。该级联码将短码组成长码, 可满足信道在纠错过程中对码长的需求, 得到与长码相同的纠错能力, 且实现简单, 复杂度低。使用卷积码与RS码形成级联码。经仿真计算测试, 该方法与传统的卷积码相比, 在误码率超过10^-4时, 可提高编码增益1.5 dB以上, 纠错能力有较大提升。该级联码更适合可见光通信的实际应用。     

基于均匀设计的船舶目标检测深度学习 模型训练方法研究

针对沿岸监控视频图像的舰船目标识别问题,传统检测方法检测速度和准确率有待进一步提升。深度学习方法已经能够实现船舶目标的检测,但模型网络结构复杂且存在交互影响的超参数,模型训练时耗长,检测精度往往受限于训练样本和超参数的选取。拟在YOLO算法的卷积神经网络模型训练过程中,采用均匀设计理念,对影响因素和水平协同优化,减少按照主观经验训练深度学习算法参数的盲目性。分析清晰度和人工标注影响,以场景、训练集与测试集样本比例、训练算法、训练轮次作为影响因素,设置差异化水平值,采用均匀设计方法训练深度学习模型,选用AP 值对比分析经验法和均匀设计法。以上海市黄浦江水域场景作为实例验证,研究表明：经验法设计的9组训练方案中最优AP值为0.84,均匀设计法产生的6组训练方案中,选用YOLOv5x算法,样本比例90%、训练100轮次时,深度学习模型AP值为0.91,表明均匀设计在深度学习模型超参数训练中有效。     

古叙矿区煤体及其组合的测井曲线识别技术

不同测井曲线对于煤体结构识别具有多解性。为提高判识精度,通过对古叙矿区石宝矿段煤储层特征和常规测井响应特征分析,提取了对煤体结构反应敏感的8条测井曲线,包括自然伽马、井径Ⅰ、井径Ⅱ、深侧向电阻率、浅侧向电阻率、补偿密度、补偿中子、补偿声波,采用BP(back propagation)神经网络算法,通过MTALAB软件,建立了神经元数量为100、训练函数为TRAINLM,适应学习函数为LEARNGDM、误差分析为MSE的二层BP神经网络煤体结构定量识别模型,预测结果与矿区其他井岩心进行对比,结果表明,基于BP神经网络的煤体结构测井识别方法精确度达89%,效果好于传统的测井判识方法。