基于深度学习与支持向量机的低截获概率雷达信号识别

 提出了一种基于栈式自编码器与支持向量机的低截获概率（LPI）雷达信号识别方法。首先,通过Choi-Williams分布,将信号变换到时频域,获取信号的时频图像;其次,使用图像预处理方法对时频图像进行处理,得到便于自编码器处理的图像;再次,使用栈式自编码器从预处理后的时频图像中自动地提取出信号特征;最后,基于提取的信号特征使用支持向量机（SVM）对信号进行分类。本方法使用任意波形发生器（AWG）模拟产生了8类LPI雷达信号,采用栈式自编码器与支持向量机相结合的方法识别信号。仿真实验结果表明,该方法能够在低信噪比和小样本情形下有效识别LPI雷达信号。     

基于变分自编码器的雷达辐射源个体识别

针对雷达辐射源个体识别中特征提取困难和低信噪比下识别率低的问题,从图像角度出发提出了一种基于变分自编码器的雷达辐射源个体识别算法。基于信号时频分析,利用变分自编码器(variational auto-encoder, VAE)提取时频图像的深层特征,并采用核主成分分析(kernel principal component analysis,KPCA)获取特征中的主成分,最后将特征送入支持向量机进行分类识别。仿真结果表明:文中所提算法在识别效率和抗噪声性能等方面均优于其他传统算法。当信噪比(signal-to-noise ratio,SNR)为0 dB时针对6个辐射源进行识别,可获得93%以上的识别率。该算法特征提取简单、系统实时性高,具有较高的工程应用价值。     

基于模糊函数主脊切片和深度置信网络的雷达辐射源信号识别

雷达辐射源信号识别是电子侦察系统的关键组成部分,为了提高低信噪比条件下对低截获概率雷达信号识别的准确率,提出了一种基于模糊函数主脊切片(MRSAF)与深度置信网络(DBN)的雷达辐射源信号识别方法。首先对雷达信号进行奇异值分解(SVD)进行降噪预处理,求解雷达信号的模糊函数并提取其主脊切片包络,采用奇异值分解方法降低噪声对主脊切片包络的影响,然后建立基于受限波尔兹曼机的DBN模型并运用标签数据有监督微调模型参数完成训练,最后基于该算法模型实现辐射源信号的分类和识别。仿真结果表明:该方法在低信噪比条件下也有较高的识别率,信噪比高于-4dB时,识别率可以达到90%以上,验证了本算法的有效性和应用价值。     

基于栈式稀疏自编码多特征融合的快速手势识别方法

针对复杂背景下手势分割提取效果不佳、图像识别率不高、识别困难等问题,研究多特征融合的快速手势识别方法.利用YCbCr颜色空间模型,构建肤色分布模型,从复杂背景中去除大部分非肤色的干扰,从而实现手势分割;接着采用5层栈式稀疏自编码网络框架,分别提取手势感兴趣区域（region of interest,ROI）的纹理图像、形状图像和显著视觉图像作为自编码网络输入,将提取到的不同类型的特征进行线性融合;最后使用基于径向基核函数（radial basis function,RBF）的支持向量机（support vector machine,SVM）分类器进行融合特征数据分类,从而实现不同类型的手势识别.实验结果表明,相比其他手势识别方法,本文方法识别率较高,提取特征更具有代表性,平均识别率可达95.05%.      

基于一维卷积循环神经网络的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征不完备、时效性低等问题,提出一种基于一维卷积神经网络和双向门控循环单元的识别方法.首先,提取信号的模糊函数主脊并进行去噪处理;其次,利用一维卷积神经网络学习模糊函数主脊的内在抽象特征;然后引入双向门控循环单元对一维卷积神经网络提取到的特征进行再处理;最后,将特征映射到特征空间并通过Softmax分类器进行分类识别.实验结果表明,该方法在信噪比为0 dB时能保持99.67%的识别率,即使在-6 dB环境中识别率仍能达到90%左右,证实了该方法的有效性和在低信噪比下的稳定性.     

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。     

基于改进UNet3+网络的雷达辐射源信号识别

针对传统识别辐射源信号的方法需要手动提取并选取特征、在低信噪比条件下难以准确识别信号的问题,提出了一种基于改进UNet3+网络的辐射源信号识别方法。通过删减UNet3+的网络层级,保留网络特征融合能力的同时降低了网络的复杂度,并引入注意力机制优化模型性能,构建了一个新的网络模型。通过对8种常见的雷达信号进行仿真实验,实验结果表明：改进模型的识别准确率达到96.63%,对比一些经典网络模型,训练总用时更短,在低信噪比条件下能更加有效识别辐射源信号, 可以适应复杂的电磁环境。     

基于深度聚类的通信辐射源个体识别方法

针对非合作通信条件下缺少标签数据的通信辐射源个体识别问题,提出了一种基于深度聚类的通信辐射源个体识别方法。利用自编码器网络强大的特征提取和数据重构能力对原始I/Q数据进行表征学习,提取个体识别的指纹特征,同时将表征学习过程和特征聚类过程进行联合优化,使表征学习和特征聚类契合度更高,更好地完成无标签条件下的通信辐射源个体识别。通过对5种ZigBee设备采集的信号进行实验,结果表明在信噪比高于0 dB时,可以达到85%以上的识别准确率,证明了本文方法的有效性和稳定性。     

面向中文语音情感识别的改进栈式自编码结构

为进一步提高汉语语音情感识别率,基于深度学习中的自编码、降噪自编码及稀疏自编码的网络结构,提出了一种改进的栈式自编码结构.该结构第1层使用降噪自编码学习一个比输入特征维数更大的隐藏特征,第2层采用稀疏自编码学习稀疏性特征,最后使用softmax分类器进行分类识别.训练过程首先采用逐层预训练的方法,达到网络参数全面初始化的目的,然后对整个网络进行微调.在中文语音库上的情感识别实验显示,相较于单独使用栈式降噪或稀疏自编码,所提结构具有更好的识别效果.此外,基于CASIA库的对比实验显示,该结构比K近邻算法、稀疏表示方法、传统支持向量机和人工神经网络识别率分别提高了53.7%,29.8%,14.3%和1.9%.在自行录制的语音库中,该结构的识别率比人工神经网络提高了1.64%.     

基于短时能量和梅尔倒谱系数的车型音频识别

车辆音频信号具有复杂的特征,单一特征提取方法不能全面反应该特点。为了使提取的音频信号特征能更好地反映车辆原始信号,提出了将已有的短时能量(energy)、短时傅里叶变换(STFT)及梅尔倒谱系数(MFCC)特征提取方法进行融合的方法,依据支持向量机(SVM)的分类识别算法,达到车辆识别的目的。实验表明,提出的组合方法优于单一提取方法,实现了提高识别率的目标;其中,ENERGY+MFCC组合方式效果最好。     

基于分数阶傅里叶变换和循环谱的雷达信号调制方式识别

针对低信噪比条件下雷达信号脉内调制方式识别算法识别率低的问题,提出了一种基于分数阶傅里叶变换(FRFT)和循环谱的雷达信号识别方法。通过分数阶傅里叶变换搜索出最大峰值对应的分数阶,把信号粗分为非调频信号和调频信号2大类。对于非调频信号,利用信号的谱峰特征和频谱复杂度以及循环谱特征,对二频编码信号、常规雷达信号、二相编码信号和四相编码信号进行分类识别;对于调频信号,利用自相关得到功率谱特征实现线性调频信号与非线性调频信号的细分类。经实验验证,本文提出的方法在信噪比大于2 dB时,总体识别率达到90%以上。     

基于CNN网络的跳频信号个体识别

针对传统跳频信号指纹特征提取只是利用深度学习进行分类的问题,利用CNN网络特征提取的特性,实现了一种基于CNN网络的对预处理后的跳频信号实现特征提取和分类网络模型。首先将收集的跳频信号进行短时傅里叶变换转换到跳频信号敏感的频域,将跳频信号频谱图作为CNN网络模型的输入,CNN网络通过多层卷积提取信号频域深层次特征,通过Batch Normalization、Callback函数的优化加快了网络的收敛速度,同时防止了过拟合现象,最终输出跳频信号的识别分类结果。对比实验结果表明,CNN网络的分类识别正确率较以往的方法更高,在信号信噪比越大的情况下,识别效果越好。     

基于特征融合方法的车型识别研究

车辆音频信号具有复杂的特征,单一特征提取方法不能全面反应该特点。为了使提取的音频信号特征能更好地反映车辆原始信号,本文提出了将已有的短时能量(ENERGY)、短时傅里叶变换（STFT）及梅尔倒谱系数（MFCC）特征提取方法进行融合的方法,依据支持向量机（SVM）的分类识别算法,达到车辆识别的目的。实验表明,提出的组合方法优于单一提取方法,实现了提高识别率的目标,其中,ENERGY+MFCC组合方式效果最好。     

基于功放特性的辐射源识别的改进方法

提出了一种改进型的基于功放非线性特性的辐射源识别方法.在假定输入为窄带小功率信号下,通过对信号进行泰勒级数分析,提取只与泰勒级数系数有关的谐波特征,之后对其进行非线性变换,并将所得新的特征向量进行辐射源个体识别.通过对6部TBR-121A型电台1 200组数据进行的实验对比,结果表明文中所提的改进型方法在正确识别率方面比传统方法有较明显的提高,平均达到了90％以上.     

基于混合自编码器的脑力负荷识别

为了消除多通道近红外光谱信号中存在的冗余信息并提取抽象特征，构建了基于混合自编码器的脑力负荷识别模型。首先，将原始信号送入栈式自编码器中进行通道降维；然后使用卷积自编码器对降维后的信号进行无监督学习从而提取抽象特征，并将特征依次送入支持向量机、K最近邻、随机森林这3种基分类器中进行建模；最后，用软、硬投票的集成策略来提高模型对脑力负荷识别的准确性。实验结果表明，混合自编码器具有良好的通道降维和提取抽象特征的能力，该模型在脑力负荷三分类任务中的准确率可以达到95.12%，相对于同类研究准确率有明显提升。     

基于高阶累积量构造特征参数的调制识别方法

针对传统基于高阶累积量的无线通信信号调制识别方法存在不含频率信息、低信噪比(signal to noise ratio, SNR)下识别率低及识别种类较少等问题，设计了一种新的基于高阶累积量构造特征参数的调制识别方法.该方法引入一阶微分和中值滤波预处理等技术，有效解决了多进制频移键控(M-ary frequency-shift keying, MFSK)信号的组内识别问题.进一步地，改进特征参数设置，设计识别流程，提升低信噪比下多达10种常用调制信号的识别率.蒙特卡洛仿真实验验证了所设计方法具有识别信号种类多和识别率高等优点，有望应用于实际场景.     

基于SIB/PCA的通信辐射源个体识别

提出了一种新的同类通信辐射源个体识别方法.该方法选择矩形积分双谱(SIB)作为个体识别的主体特征参数.然后采用主元分析(PCA)方法从大量训练样本特征参数集中挑选低维、低复杂度的特征矢量,并在识别特征矢量中融合对分类具有显著贡献的辐射源调制特征参量,最后采用基于核函数的支撑矢量机(SVM)实现对辐射源个体识别.实验表明该方法在较低信噪比条件下具有较高的正确识别率(90%),并能够较好地解决同型号、同批次通信辐射源的个体识别问题.     

基于加权型三次相位函数和FRFT的LPI信号识别研究

针对低截获概率雷达信号难以识别和分类的问题,提出了基于加权型三次相位函数和分数阶傅里叶变换的低截获概率雷达信号识别算法。用短时傅里叶变换剖析了应用较广的八种低截获概率雷达信号的时频特性,然后依据调频率将其分为两类。先用加权型三次相位函数估计信号的调频率,然后再用分数阶傅里叶变换获得信号的各分量峰值,根据峰值能量比进行细分类。通过大量的实验仿真验证,本算法在信噪比为0 d B的条件下,正确识别率能够达到95%以上。     

用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

矩形积分双谱和半监督鉴别分析下的通信辐射源识别

针对传统同类通信辐射源识别方法中存在的指纹特征难以提取,以及在先验标签信息较少时识别精度不高的问题,以指纹特征差异微小的同厂、同批、同型号的通信辐射源为对象,提出了一种基于矩形积分双谱和半监督鉴别分析的通信辐射源识别方法.该方法采用矩形积分双谱算法提取通信辐射源双谱特征,并将其作为指纹特征,以表征所属通信辐射源;同时,采用半监督鉴别分析算法,根据双谱特征数据的部分标签信息和非线性流形信息,将高维双谱特征数据映射到低维子空间后进行分类识别,来提升通信辐射源识别性能.为验证该方法的有效性,采用同厂、同批、同型号的FM电台作为同类通信辐射源的代表进行电台识别实验.实验结果表明,在FM电台训练样本中有先验标签信息的样本较少时,该方法对电台测试样本的识别率最高达87.6%,证明该方法在同类通信辐射源识别中指纹特征提取和识别精度方面具有优势.