神经网络在车辆目标识别中的应用

提出了利用神经网络技术对战场侦察雷达目标回波的时域或频域信号进行处理,以实现对车辆目标进行分类识别的一种新算法.首先对目标的回波信号作时域或频域分析,从中提取信号的特征向量,然后利用所建立的神经网络模型对目标信号作训练识别,最后与经典谱分析的方法作比较,并采用实际数据验证这种识别算法是有效的.     

FSK/PSK复合调制雷达信号的识别

针对具有低截获概率特性的FSK/PSK复合调制雷达信号的特点,研究了FSK/PSK信号的识别,采用二叉树方法提取了基于信号幅度和相位的特征参数,研究并实现了PSK、FSK和FSK/PSK复合调制雷达信号的识别. 理论和仿真结果表明,所提出的算法在信噪比不小于5 dB时,FSK/PSK复合调制雷达信号的正确识别率达到了99%以上.     

基于特征提取的调制识别方法研究

基于特征提取的调制识别是通过分析信号在时域、频域或其他变换域的差异来提取信号的特征并对信号进行识别分类.针对调制信号载有信息的特点,从信号的瞬变信息、缓变信息以及提取方式等方面对特征提取方法进行研究,并对一些经典的信号特征以及基于时频分析的特征进行了分析,最后研究了两种分类器(神经网络和基于支持向量机)在基于特征提取的调制识别领域的应用.     

基于贝叶斯网络的Peer-to-Peer识别方法

网络业务分类与识别是网络管理、网络规划和安全的必要途径,而Peer-to-Peer (P2P)流量由于采用伪装端口、动态端口以及应用层加密,已成为业务分类与识别的主要难点. 该文提出了P2P业务的精确识别方法,通过对流统计特性的分析,提取相关特征属性,应用遗传算法选取最优特征属性子集,并采用贝叶斯网络机器学习方法识别P2P流量. 实验表明Ｋ2,TAN和BAN能有效快速地识别P2P业务,分类精度高达95%以上,很大程度上优于朴素贝叶斯分类和BP神经网络方法. 同时该系统具有可扩展性,能够识别未知的P2P流量,并适用于实时分类识别环境.     

电流模电路的小波神经网络测试研究

提出一种基于多尺度小波分解及神经网络映射归纳的测试电流模电路故障缺陷的方法.针对CMOS器件典型故障建立了测试所需的故障模型,给电路节点加入故障模型进行故障响应测试.对故障信号进行时域采样,采用小波多尺度分解对故障相应信号进行频域多尺度分解,然后将处理数据作为神经网络训练样本,对各类缺陷响应结果进行分类、识别,最后根据可接受偏差范围确定信号为故障或非故障.给出了6类故障的故障覆盖率测试结果.     

利用循环谱和参数统计的数字调制信号识别

该文利用决策理论识别常用数字信号调制方式. 该识别方法基于接收信号的循环谱和参数统计法,采用谱相关测量的频率平滑法分析数字信号在循环频率轴上的特征谱,运用参数统计法提取统计参数,用于数字调制信号识别. 最后利用决策理论,给出信号识别流程图及判决门限. 实验表明,在信噪比为5 dB的条件下,对预期调制信号2ASK, 4ASK, 2FSK, 4FSK, 4PSK, 8PSK的识别率可达90%, 说明该方法在低信噪比下识别效果良好.     

刚性路面脱空的集成神经网络识别研究

通过有限元法建立了刚性路面脱空的计算模型,提出采用基于集成神经网络技术对刚性路面脱空状况进行识别,通过刚性路面脱空输入特征向量的组合,用各子神经网络对刚性路面脱空进行初步缺陷识别,然后对识别结果进行决策融合,给出了系统的实现策略和子网络的组建原则。数值模拟结果表明,采用本识别方法合理地选取了各种输入特征向量,具有更好的识别效果．     

基于深度神经网络的数字信号调制类型自动识别方法

针对在莱斯衰落信道下传统神经网络数字信号调制识别准确率会有所降低的问题,提出了一种基于深度神经网络技术的数字信号调制类型自动识别方法.该方法从接收信号样本中提取了多组特征参数作为分类器输入,用于识别4ASK,BPSK,QPSK,8PSK,16QAM和32QAM这些数字调制信号.此外,分类器采用了具有三个隐藏层的全连接深度神经网络结构.仿真结果表明,分别在加性高斯白噪声和莱斯衰落信道下,提出的方法与现有分类方法相比具有较好的性能改进,尤其是在具有较高多普勒频率时.     

利用复合特征进行模式识别的探雷研究

根据对探地雷达回波信号的分析,提出了一种利用复合特征训练神经网络并用其进行地雷探测的新方法.整个过程包括有预处理、特征提取及神经网络分类三个步骤.在特征提取的过程中,选取时域、频域、小波域能量及其统计量,以及Welch功率谱密度估计作为地下埋设目标的特征,在此基础上使用WILKS准则采用逐步判别的方法抽取关键特征,从而降低特征维数并将特征送入神经网络训练.使用地雷目标与其相近物体的数据进行对比试验和神经网络测试,结果表明,使用复合特征训练的神经网络可有效地将地雷与其他干扰物分开,提高了地雷的探测率,同时降低了虚警率.     

采用分数低阶循环谱相干系数的调制识别

摘要： Alpha稳定分布噪声导致二阶循环谱相干系数失效,使相应的通信信号调制识别算法退化. 针对这个问题,提出了基于分数低阶循环谱相干系数的识别算法. 文中给出了分数低阶循环谱相干系数的相关理论,分析了通信信号的分数低阶循环谱相干系数,在此基础上提取谱相干系数循环频率域特征作为识别特征参数. 用BP神经网络为分类器,实现了通信信号调制方法识别. 仿真结果表明,在Alpha稳定分布噪声下,该识别算法性能优于基于二阶循环谱相干系数的方法. 在高斯噪声条件下,两种识别算法性能相当.