基于改进神经网络的自动调制识别研究

自动调制识别技术可以用于排除通信系统中的非法用户及其干扰,是保证合法通信的关键措施之一。选取了几种典型的调制方式MFSK,MASK,BPSK,QPSK,OFDM,通过分析其时域特征,提取了反映调制类型显著差异的5个特征参数的新组合。为了克服标准BP算法收敛速度慢且存在多个局部最小点等缺陷,采用改进的弹性BP算法,从提高收敛速度和网络识别性能出发,构建了有效识别调制信号的弹性BP神经网络分类器。仿真结果表明,与基于决策理论的逐级判决调制识别方法相比,所设计的弹性BP神经网络分类器在SNR=0~20 dB时对以上的调制方式均具有较高的识别率,即使在SNR=0 dB时也达到了95%以上的识别率。     

基于改进神经网络的自动调制识别研究

自动调制识别技术可以用于排除通信系统中的非法用户及其干扰,是保证合法通信的关键措施之一.选取了几种典型的调制方式MFSK,MASK,BPSK,QPSK,OFDM,通过分析其时域特征,提取了反映调制类型显著差异的5个特征参数的新组合.为了克服标准BP算法收敛速度慢且存在多个局部最小点等缺陷,采用改进的弹性BP算法,从提高收敛速度和网络识别性能出发,构建了有效识别调制信号的弹性BP神经网络分类器.仿真结果表明,与基于决策理论的逐级判决调制识别方法相比,所设计的弹性BP神经网络分类器在SNR=0～20dB时对以上的调制方式均具有较高的识别率,即使在SNR=0 dB时也达到了95%以上的识别率.     

混合调制信号调制识别方法

研究基于决策理论算法的混合调制信号特征参数提取与自动识别技术,提出适合混合调制信号调制识别的树型分类器及相应识别步骤。在外调制、内调制识别时首次分别采用副载波信号个数构成的特征矢量、均值归一化包络方差、副载波信号瞬时幅度分布区域统计值等算法,抑制噪声干扰,提高特征参数的准确性,仿真结果表明,在信噪比为6 dB情况下,调制识别率接近90%,和现有混合调制识别方法相比取得较好的识别效果,在混合信号调制识别管理中具有广泛的应用前景。     

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。     

基于聚类与神经网络的无线通信联合调制识别新方法

针对现有基于聚类算法的信号调制识别在低信噪比时识别率低的缺点,文中采用聚类算法提取信号特征参数,通过变梯度Polak-Ribiere BP修正算法对神经网络进行训练,以提高收敛速度,改善在低信噪比条件下网络识别性能,实现对基于星座图调制方式信号的调制识别,仿真结果表明,在低信噪比条件下,调制识别率和单独采用聚类算法或基于BP算法的神经网络识别时比较提高30%以上,在信噪比为4d B条件下识别率可达到90%,且系统易于实现,在信号调制识别中具有广泛的应用前景。     

数字通信信号调制方式识别算法的改进研究

为克服数字通信信号调制方式识别算法识别类型少,步骤复杂,识别率低等问题,在已有识别算法的基础上,通过对信号特征参数的分析和提取,提出一种基于决策理论的数字通信信号调制样式识别的改进算法。该算法通过比较不同信噪比下特征参数的取值概率直方图,选择判决门限值。同时,应用最大似然法则,并采用了可变的判决门限值,以得到最佳判决门限。研究结果表明,在信噪比（SNR：Signal to Noise Ratio）为10 dB时,算法的正确识别率达到96%以上,可识别包括噪声在内的7种信号,且信噪比为6～15 dB时,该算法的正确识别率不低于92%。     

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.     

软件无线电中数字调制信号的自动识别

针对软件无线电系统中数字信号调制方式的自动识别提出一种改进算法．使用从调制信号中提取的的特征参数，对多个MLP分类器进行独立训练，使用输出向量的加权投票表决法来融合多个MLP分类器的方法，得到了在信噪比大于等于10dB时良好的效果，验证了方法的可行性．     

基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。     

基于支持向量机的分级调制识别方法

目前大部分调制识别方法存在计算量过大和分类器训练困难等问题.针对这一现状,提出了一种基于支持向量机(SVM)的分级调制识别新方法.将接收信号的累积量和瞬时频率统计量作为分类特征参数,并利用支持向量机作为分类器对其进行分级调制分类.该方法相比其他非分级调制识别方法具有较低的计算复杂度和较快的分类器训练速度,并且对于载波频率偏移、相位抖动以及Gauss噪声均具有良好的鲁棒性.计算机仿真表明,针对ASK、FSK、PSK、QAM等11种数字调制信号,当噪声采用Gauss白噪声,并且信噪比≥5 dB时,正确识别率高于95%.     

基于遗传算法-BP神经网络的径向式导叶多级泵水力性能优化

针对径向式导叶多级泵内部流动状态复杂多变而导致其水力性能曲线难以精确测量的技术难题,采用遗传算法(ge-netic algorithm,GA)迭代优化反向传播(back propagation,BP)神经网络的权值与阈值,构建了基于GA-BP神经网络的径向式导叶多级泵水力性能预测模型,以MD500-57型径向式导叶多级泵为研究对象,建立了输入层为13个神经元、隐含层为10个神经元、输出层为2个神经元的GA-BP神经网络,采用正交试验方法设计了试验参数的正交试验方案,运用数值模拟计算方法对正交试验方案进行求解,获得了试验参数的训练样本,并对神经网络进行训练与测试,计算了过流部件关键几何参数的最优组合方案.试验结果表明:优化后该多级泵在设计工况下扬程增加了2.4 m,效率提高了3.34％,且高效区范围变宽.     

基于遗传自适应RBFN的歼击机故障分类方法

在模式识别领域中,如何实现更高精度地分类一直是个核心问题.提出了将自适应RBF神经网络与遗传算法相结合的方法,其中自适应RBF神经网络通过对样本判断,自动实现对RBF网络添加新的隐层节点,或者将样本归于已存在的隐层节点所属的类.遗传算法用于寻找最优的网络宽度值.两者相结合最后确定一个隐层节点数与类别数相同的简省的网络.用歼击机故障数据进行仿真,比较结果表明此方法能实现更高精度的分类.     

一种新型前向神经网络用于汉语四声识别

提出了一种新型的前向神经网络，并研究了其在语音识别中的应用。该神经网络为只含一层非线性隐层的前向神经网络，以线性的输出层代替一般ＢＰ网络的非线性输出层，可以更准确地，范围更大地完成非线性函数估值功能。该神经网络采用了包括反向传播算法及最小均方算法的混合算法进行训练，可以减少落入局部最小点的概率以及提高收敛速度。     

基于BP神经网络的行人和自行车交通识别方法

研究了基于BP神经网络的行人和自行车识别方法.首先对图像提取4个特征,形成特征向量作为BP神经网络的输入;然后设计BP神经网络的结构,网络输出为对行人和自行车的识别;为了确定BP神经网络合理的隐层神经元数目,分别对不同隐层神经元数目的神经网络进行了实验分析.最后利用实测的数据对BP神经网络进行训练、仿真实验,并对实验结果进行分析;结果表明:最佳网络的正确识别率为84%,行人和自行车的正确识别率分别为89%和71%.     

过热汽温的模拟柔性神经网络直接自适应控制系统

提出一种模拟复合正交柔性神经网络,并应用于电厂过热汽温的直接自适应控制方法。模拟柔性神经网络被用作为过热汽温控制系统中的主、副调节器,以改善控制系统的动态性能。神经网络采用5层网络结构,网络隐层节点采用带参数的Sigmoid函数构成的Laguerre（拉盖尔）复合正交多项式。网络在学习过程中,输入层与隐层之间不用调整权值,仅连续调整输出层与隐层之间的权值和隐层中Sigmoid函数的参数,以提高网络的学习适应性。网络隐层节点（处理元）是复合正交多项式的展开项,展开项的多少决定着网络的学习速度和精度。通过对具有严重参数不确定性、扰动以及大迟延的电厂过热汽温被控对象进行仿真研究,结果表明控制系统的干扰和超调明显减小,在控制系统的动态性能上,所提控制方法优于常规控制方法。电厂过热汽温控制取得了令人满意的效果。     

基于Zernike矩特征的FCM-RBF神经网络图像分类器

针对交通监控图像识别精度较差的问题,设计一种基于径向基(radial-basis)函数神经网络的图像分类器.该分类器利用Zernike矩噪声敏感度较小、形状特征稳定性好的特点,构建四阶矩的特征向量,用于特征提取;利用自适应模糊聚类方法,解决径向基函数神经网络隐层节点数不确定的问题.仿真分析表明,该分类器与基于改进的快速模糊C均值聚类算法的Back Propagation网络分类器和径向基函数神经网络分类器相比具有更高的识别率,与改进的粒子群优化模糊C均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率,但其计算复杂度较低.仿真实验结果表明,该方法具有较好的分类能力及较高的计算效率.     

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。     

BP神经网络用于函数逼近的最佳隐层结构

研究采用反向传播算法的人工神经网络用于函数逼近时的支结构。方法,以典型的ｎ输入、单输出的多层ＢＰ网为例,在几种不同的网络隐层结构下对典的连续函数进行逼近训练。,分析各网络输出的全局误差。     

基于BP神经网络的轨道基桩识别

运用BP神经网络对用CCD拍到的基桩图片进行识别,包括BP神经网络的输入、输出层的设计,隐层节点的选取等。实验结果表明,经大量基桩样本的训练后,BP神经网络能将拍到图片中的基桩有效地识别出来,且达到较高的正确率。