基于TCNN-BiLSTM网络的调制识别算法

针对传统调制识别算法在低信噪比下识别率不高的情况,提出双路卷积神经网络级联双向长短时记忆(two-way convolutional neural network cascaded bidirectional long short-term memory, TCNN-BiLSTM)网络的调制识别算法。首先,该算法并联不同尺度卷积核的卷积层,提取调制信号不同维度的特征。然后,级联BiLSTM层,对多维特征构建LSTM时间模型。最后,使用softmax分类器完成识别。仿真实验表明,所提算法结构在加性高斯白噪声和特定信道参数的瑞利衰落信道下，性能要优于基于传统特征和其他网络结构的识别算法。在特定信道参数的瑞利衰落信道下信噪比低至6 dB时,该算法对6种数字调制信号的识别率仍可达到92%以上。     

基于奇异值熵和分形维数的雷达信号识别

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,提出了基于奇异值熵和分形维数的雷达信号识别算法。该方法首先通过Choi Williams分布得到信号的时频图像,提取时频图像的奇异值熵;然后再提取信号频谱的盒维数与信息维数,组成三维特征向量;最后使用基于支持向量机的分类器实现雷达信号的分类识别。对8种典型雷达信号的仿真试验结果表明该方法抗噪性强、识别率高,在信噪比大于1 dB时,平均识别率能达到95%以上。     

基于深层卷积神经网络和双谱特征的雷达信号识别方法

针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强、特征冗余的问题,提出了一种基于深层卷积神经网络的识别方法。该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同调制样式雷达信号的识别,最后对不同结构网络模型的识别结果进行对比。仿真实验结果表明,相比传统雷达信号识别方法,该方法对于不同调制类型信号的识别效果优异,并且在识别率、抗噪性上都有所提升。     

基于卷积神经网络的OFDM频谱感知方法

在认知无线电网络中,高效且准确的频谱感知是必不可少的一个环节。针对传统机器学习算法在频谱感知训练慢的难题,提出一种基于卷积神经网络的正交频分复用(orthogonal frequency division multiplexing,OFDM)频谱感知方法,将深度学习在图像处理上的优势应用到OFDM信号频谱感知中。该方法首先分析OFDM信号的循环自相关和频谱感知模型,对循环自相关进行归一化灰度处理,形成循环自相关灰度图;然后以LeNet-5网络为基础设计卷积神经网络分层地对训练数据进行学习,提取出更加抽象的特征;最后将测试数据输入到训练好的卷积神经网络模型,完成频谱感知。仿真实验表明,该方法能够完成OFDM信号的频谱感知,在低信噪比条件下具有较高的检测概率。     

基于高阶累积量和小波变换的调制识别算法

针对当前调制识别算法在低信噪比下识别率不高的问题,提出结合高阶累积量和小波变换的混合调制识别算法。该算法利用了小波变换提取的两个特征参数,以及基于四阶和六阶累积量构造出一个新的特征参数,并应用反向传播神经网络分类器对调制信号进行识别。仿真结果证明,该算法能够在信噪比低至2 dB时,识别率仍可达到98%以上,由此证明了该方法的有效性和稳健性。     

基于互相关特征图和扩张稠密卷积网络的SFBC-OFDM识别方法

针对传统的空频分组码(space-frequency block code, SFBC)识别方法存在人工提取特征困难、低信噪比(signal to noise ratio, SNR)下识别准确率低和不适用于非协作通信的问题, 提出一种基于互相关特征图和扩张稠密卷积网络的SFBC自动识别方法。首先，计算接收端频域上的互相关函数并进行维度变换, 得到二维互相关特征图。然后, 对得到的特征图进行预处理以扩大卷积核感受的有效区域, 去除图像冗余信息。最后，构建扩张稠密卷积网络以自动提取预处理图像特征, 实现SFBC分类识别。仿真结果表明, SNR为-8 dB时, 该方法对SFBC信号的识别准确率达到了96.1%。相比于传统算法, 该方法具有更好的抗低SNR和特征自提取能力, 验证了深度学习方法在SFBC识别领域的有效性, 为该领域的后续研究奠定了基础。     

利用联合特征参数的卫星单混信号调制识别

针对卫星通信中常见的单-混二进制相移键控(binary phase shift keying, BPSK)、正交相移键控(quadrature phase shift keying, QPSK)、8进制相移键控(8 phase shift keying, 8PSK)、16进制正交幅度调制(16 quadrature amplitude modulation, 16QAM)信号调制识别问题,本文基于不同信号的累积量差异和方谱特性,充分利用累积量和谱线特征并构造合理的特征参数,最终构建决策树分类器,实现了这些信号的调制识别,并有效实现了混合QPSK和混合8PSK信号的识别。实验表明,该算法能够实现高斯白噪声条件下的单-混BPSK、QPSK、8PSK、16QAM信号的分类。当信噪比大于6 dB时,除混合QPSK和混合8PSK信号外,其他信号的调制识别率能达到98%,当信噪比大于10 dB时,混合QPSK和混合8PSK信号的调制识别率能达到92%。与现有算法相比,识别率更高,由此证明所提算法的有效性。     

基于神经网络的声场景数据声谱图提取方法

在复杂环境声场景识别任务中, 梅尔频谱作为输入的深度卷积神经网络有良好的识别能力, 然而梅尔滤波器组依据人耳生理特征设计, 对于声场景识别并非最优滤波器组。针对此问题提出声谱图提取神经网络取代传统梅尔频谱提取过程, 通过训练该网络使声谱图自动适应声场景数据集。声谱图提取神经网络连接ResNet50作为声场景识别架构, 在DCASE2019声场景数据集上进行训练与测试, 实验结果表明该架构比传统模型有更高的识别率, 能够有效调整频率曲线、滤波器幅值以及滤波器形状。     

基于Hilbert-Huang变换与对抗训练的特定辐射源识别

为有效解决特定辐射源的个体识别问题, 提出一种基于Hilbert-Huang变换与对抗训练相结合的方法。首先根据辐射源硬件差异, 建立辐射源信号的数学模型; 其次, 对信号进行Hilbert-Huang变换得到Hilbert谱; 然后, 在预处理过程中, 从信号所有的Hilbert谱时频点对应的能量值中, 确定最具区分度的一组能量值, 并记录其对应的时频点; 最后, 对每一类辐射源信号的Hilbert谱提取上述记录的时频点对应的能量值, 将其送入卷积神经网络进行训练与测试, 并通过对抗训练的方式提升网络的抗噪性能。识别准确率实验表明, 对比不进行对抗训练的方法以及不进行预处理与对抗训练的方法, 所提算法的识别率分别平均提升3.1%与5.45%。识别鲁棒性实验表明, 所提算法训练样本为100时即可达到较好识别效果, 同时随着辐射源个数增多优势更加明显。复杂度分析表明, 所提算法能有效降低神经网络在大量训练与识别过程产生的运算量。     

基于卷积神经网络LeNet-5的车牌字符识别研究

将卷积神经网络LeNet-5引入到车牌字符识别中。为了适应目前中国车牌字符识别的需要,对传统的卷积神经网络LeNet-5的结构进行了改进,主要是改变输出单元的个数与增加卷积层C5特征图的个数。研究结果表明,改进后的LeNet-5比传统的LeNet-5的识别率有所提高,识别率达到98.68%。另外,与BP神经网络进行了比较研究,从实验中可以看出在字符识别的正确率和识别速度上都优于BP神经网络。卷积神经网络在车牌识别中具有很好地应用前景。     

基于SE-ResNeXt网络的低信噪比LPI雷达辐射源信号识别

针对低信噪比(signal to noise ratio, SNR)低截获概率(low probability of intercept, LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation, SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution, CWD)获得雷达时域信号的二维时频图像(time-frequency image, TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。     

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio, SNR)下雷达信号脉内调制类型识别率较低的问题, 提出了基于时频特征提取和残差神经网络的雷达信号识别算法。时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解, 按照Chirp基载频与调频率的不同组合对信号划分类别, 并设置对应的分类特征参数。然后, 计算信号的伪Wigner-Ville时频分布并提取Zernike矩。上述特征参数组成信号特征矢量, 使用残差神经网络分类器实现雷达信号识别。仿真结果表明, 在SNR=-2 dB时识别准确率能达到93%以上, 同时鲁棒性验证良好, 算法复杂度能够满足现实要求。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

基于残差生成对抗网络的调制识别算法

针对小样本条件下通信信号识别准确率不高、网络训练困难的问题, 本文提出一种基于残差生成对抗网络的调制识别算法。首先, 设计一种以Leakyrelu作为隐藏层激活函数的新残差单元, 使得网络对输入为负值的数据也可以进行梯度计算; 然后, 将新残差单元组成的残差网络和卷积神经网络作为本文算法的基本网络结构, 使用卷积步幅为1的非对称小卷积核, 更好地提取信号的边缘特征信息; 最后, 用Dropout代替池化操作, 并选择Adam梯度优化算法以交替迭代方式完成网络训练。仿真实验结果表明, 小样本条件下, 残差生成对抗网络算法复杂度明显降低, 信噪比(signal to noise ratio, SNR)在0 dB以上时, 对10种调制信号的识别准确率可以达到91%, 验证了所提方法的有效性。