基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。     

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。     

基于生成对抗与卷积神经网络的调制识别方法

自动调制识别在频谱监测和认知无线电中占有重要地位.针对现有调制识别算法在低信噪比条件下识别率低的问题,提出一种基于生成对抗网络(generative adversarial network,GAN)和卷积神经网络(convolu-tional neural network,CNN)的数字信号调制识别方法.在利用平滑伪W...     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

基于信息熵和GA-ELM的调制识别算法

针对当前通信信号调制识别算法在低信噪比（signal-to-noise ratio,SNR）下识别率低、训练速度慢、识别调制类型少的问题,提出了基于信息熵特征和遗传算法-超限学习机（genetic algorithm-extreme learning machine,GA-ELM）的调制识别算法。首先,提取信号的4种熵特征：奇异谱香农熵、奇异谱指数熵、功率谱香农熵和功率谱指数熵作为调制识别的特征参数;其次,采用GA-ELM作为分类器。仿真实验表明,对11种模拟、数字调制信号进行分类识别,在SNR大于4 dB时算法的总体识别率均超过98%,同时该算法训练速度快,识别系统设计简单,具有较大的应用价值。     

基于近似熵的Multi-h CPM调制识别算法

Multi-h连续相位调制(continuous phase modulation, CPM)信号与其调制指数均值相等的Single-h CPM信号的特征具有极大相似性,难以区分。针对该问题,提出了一种基于近似熵的Multi-h CPM调制识别算法。该算法将信号按照相同调制指数为一组的方式拆分为多个子序列,通过舍弃符号间拼接产生的多余模式向量对近似熵进行修正,然后利用Multi-h CPM信号各子序列近似熵的差异性,完成Multi-h CPM信号和Single-h CPM信号的类间识别,最后利用概率神经网络完成类内识别。实验结果表明,该算法在信噪比低至11 dB时,仍可以达到90%的识别率。     

基于生成式对抗网络的发票图像超分辨率研究

发票自动识别可有效提高财务工作效率.为避免低分辨率的发票图像影响自动识别的准确性,提出了一种用于对发票图像进行超分辨率处理的ESRGAN (Encoder Super-resolution Generative Adversarial Network)网络.ESRGAN网络是基于带条件的生成式对抗网络,设计了辅助编码器...     

基于集成学习与特征降维的小样本调制识别方法

针对有标签样本较少条件下的通信信号调制识别问题,提出一种基于集成学习与特征降维的小样本调制方式分类模型.首先,通过集成人工特征与深度学习自动提取特征构成特征集合.然后,设计特征选择算法对特征合集进行优选生成高效特征子集.最后,利用可快速收敛的高性能分类器对信号进行区分,实现在少量有标签样本和大量无标签样本条件下的调制方...     

一种改进的SRGAN红外图像超分辨率重建算法

针对红外图像分辨率偏低的问题,设计了一种改进的超分辨率生成对抗网络(Super-Resolution Using a Generative Adversarial Network,SRGAN)算法.在生成网络中,提出应用残差密集网络获取各网络层提取的图像特征以保留图像更多的高频信息,并采用渐进式上采样方式以提升大缩放因...     

卫星通信中调制识别算法研究

针对卫星通信这一应用场合,提出了一种数字调制信号自动识别算法。该算法利用调制信号的高阶累积量,并结合星座图特征,对信号进行分类。它对信号的幅度、相位偏差具有不变性,同时可抑制加性高斯噪声;与其它识别算法比较,它具有稳健、应用广泛的特性。通过计算机仿真表明,在给定的数据长度和中等信噪比条件下,可得到很高的识别率(>95%)。     

基于改进型生成对抗网络的指挥信息系统模拟数据生成算法

针对指挥信息系统模拟训练数据缺乏的问题,提出一种基于改进型生成对抗网络的模拟数据生成算法,构建指挥信息系统履行使命任务支撑能力指标体系,同时提出指挥信息系统非结构化信息处理的映射方式和拟合度因子,修正损失函数,从而提高优化水平。仿真结果表明,所提算法能够生成与原始数据分布相似度较高的数据集,为指挥信息系统全元素的模拟训练提供数据支撑。     

基于生成对抗网络的防空体系态势辅助分析

针对当前从体系视角对防空体系进行态势分析的模型较为缺乏, 且模型结果不易于指挥员分析理解的问题, 提出了基于生成对抗网络的防空体系态势辅助分析模型。首先, 通过图形化的方法对防空体系态势信息以及作战能力进行描述, 便于人类指挥员更好的理解。然后, 利用生成对抗网络模拟人类指挥员态势分析的过程, 从浅层态势特征推理得到防空体系能力图。最后, 利用多个指标对各类模型的结果进行对比。实验结果表明, 所提模型可以从体系视角进行分析, 得到防空体系能力图, 生成图像的准确率较其他模型至少提高34.1%。     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法,通常采用先特征提取、再进行目标分类的两步识别算法,这种算法存在识别率难以提高和方法泛化性不足的问题,对此,提出一种增强条件生成对抗网络（strengthening condition generative adversarial network,SCGAN）+卷积神经网络（convolutional neural network,CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征,无需特征提取,实现对目标的一步识别。为进一步提高小样本条件下的识别效果,基于CGAN理论来提高样本在特征空间的覆盖程度,并对CGAN的判别器进行改进,在损失函数中增加混叠惩戒项,通过SCGAN生成不混叠的生成样本来更好地训练CNN,提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性,以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。     

基于LSTM和残差网络的雷达有源干扰识别

针对目前雷达干扰识别方法存在人工特征提取难、强噪声环境下识别率不高的问题,提出了一种基于长短时记忆(long short-term memory, LSTM)网络和残差网络相结合的雷达有源干扰识别方法。输入有源压制干扰原始时域序列数据,搭建深度学习网络模型对不同干噪比下的干扰信号进行分类识别。仿真结果表明：在干噪比为0 dB的情况下,该方法对4类雷达有源干扰信号的识别准确率均高于98.3%,与单纯的残差网络和卷积神经网络(convolutional neural networks, CNN)等其他深度学习算法相比,具有更佳的网络性能,验证了该算法的有效性。     

Method of neural network modulation recognition based on clustering and Polak-Ribiere algorithm

To improve the recognition rate of signal modulation recognition methods based on the clustering algorithm under the low SNR, a modulation recognition method is proposed. The characteristic parameter of the signal is extracted by using a clustering algorithm, the neural network is trained by using the algorithm of variable gradient correction （Polak-Ribiere） so as to enhance the rate of convergence, improve the performance of recognition under the low SNR and realize modulation recognition of the signal based on the modulation system of the constellation diagram. Simulation results show that the recognition rate based on this algorithm is enhanced over 30% compared with the methods that adopt clustering algorithm or neural network based on the back propagation algorithm alone under the low SNR. The recognition rate can reach 90% when the SNR is 4 dB, and the method is easy to be achieved so that it has a broad application prospect in the modulating recognition.