基于核密度估计密度峰聚类的通信辐射源个体识别

通信辐射源个体识别是通过发射机反映在信号上的差异来判别信号与辐射源个体之间的关联。传统的通信辐射源个体识别方法以及新兴的利用神经网络进行辐射源个体识别的方法都依赖带类别信息的信号样本,然而在实际中带类别信息的信号样本获取难度很大。为了解决这个问题,引入了无监督学习中的密度峰值聚类算法,在无类别信息信号样本的前提下进行通信辐射源个体识别。由于密度峰值聚类算法的性能受人工输入参数dc的影响较大,文中利用核密度估计(KDE)及热扩散方程改进算法,在不需要人工输入参数的条件下实现对数据的分类。文中所提算法在实际电台信号数据集上进行了实验,具有较好的效果,验证了该算法的可靠性和有效性。     

基于EMD和SVD特征提取的通信辐射源个体识别方法

为改善通信辐射源指纹特征提取算法抗噪声及干扰能力差导致的对通信辐射源个体分类识别率低和稳定性差的问题,提出了一种基于经验模态分解和奇异值分解特征提取的方法.通过对信号进行经验模态分解,来克服噪声对指纹特征提取的影响,经希尔伯特-黄变换和奇异值分解实现对通信辐射源信号的指纹特征提取,结合支持向量机算法完成对通信辐射源的个...     

基于DBN特征提取的雷达辐射源个体识别

针对传统特征参数难以表征复杂体制雷达信号个体特征的问题,基于深度置信网络DBN的深层特征提取和高维数据处理能力,提出一种基于DBN特征提取的雷达辐射源个体识别算法。首先建立基于多层受限玻耳兹曼机的DBN模型,然后通过DBN无监督提取脉冲包络前沿特征,再利用标签数据对模型参数进行有监督微调完成训练,最后输入未知辐射源信号脉冲包络前沿特征实现辐射源个体识别。与传统算法相比,该方法能够自适应地提取脉冲深层次细微差异,提取过程减少了对人为经验的依赖。实验结果表明,该算法对脉冲包络特征提取效果明显,有较高的识别精度。     

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.     

雷达辐射源信号双谱估计的物理意义及其辐射源个体识别

针对目前研究中雷达辐射源信号双谱物理意义不明确的问题,给出偏态这一物理概念,并给出雷达辐射源信号偏态的具体表现形式.针对雷达辐射源个体识别,提出应用围线积分双谱估计波形熵和围线积分双谱估计能量熵组成的二维特征向量用于后续的分类识别.在分类识别中,应用分析性能良好的模糊C-均值(FCM)聚类方法,对提取出的二维特征向量加以聚类分析,从而完成在一定信噪比下对雷达辐射源个体的识别.最后,通过仿真实验和实测实验验证本文所述方法的正确性和可行性.     

一种基于深度学习的辐射源信号调制识别新算法

针对传统的辐射源信号调制识别方法需要大量特征提取的问题,提出一种基于深度学习的辐射源信号自动调制识别算法,该算法通过对辐射源信号进行幅-相域二维图像表征,基于卷积神经网络实现层次化地理解和识别电磁信号。仿真结果表明:相比基于时域的传统信号调制识别算法,所提算法在中、高信噪下识别率分别提升了2.5%和2.3%,单信号的识别时间不大于0.1 ms。     

基于聚类的建筑物直线特征提取算法

建筑物图像中提取直线是视觉导航、特征识别等很多应用中的关键步骤。针对建筑物图像。提出了一种新的基于聚类的直线提取算法。该算法在Canny边缘的基础上,使用一个聚类算法将边缘分类,减少了因噪声形成的小短线对直线检测的误检或漏检现象;对于每一个分类使用直线识别准则,进一步剔除图像聚类中的伪直线;最后使用改进的Hough变换（standardHoughtransform）将直线提取出来。克服了传统Hough变换执行速度慢的缺陷。实验结果表明,文章提出的算法具有较快的运算速度,较高的直线提取准确性．较低的漏检和误检情况。其性能优于传统的Hough．变换和相位编组法。     

基于深度特征表示的Softmax聚类算法

图像和语音已成为日常生活和科研的常见数据类型,图像的聚类分析是数据挖掘和图像处理领域的重要任务之一.基于自编码器的深度聚类方法具有表征能力有限的缺点,并且特征的生成与聚类指派是分步进行的.为此,提出一种基于新颖卷积自编码器的深度Softmax聚类算法(Asymmetric Convolutional Auto-encoder Based Softmax Clustering,ASCAE-Softmax).首先设计一种非对称的卷积自编码器网络结构(ASCAE),通过优化卷积和添加全连接层,使整个网络呈非对称;接着使用Softmax聚类器把特征映射成聚类概率分布,构造辅助目标概率分布,将特征学习与聚类判别联合在一起.通过迭代最小化KL(Kullback-Leibler)散度损失达到清晰的聚类划分.实验结果表明,该方法能够学习出使同类更加紧凑、异类更加稀疏的特征表示,且聚类结果优于经典的深度聚类算法.     

面向开集场景的辐射源个体识别

为解决现有开集场景下辐射源个体识别算法鲁棒性不强、识别性能较低的问题,结合原型网络提出了一种开集场景下适用于一维信号的辐射源个体识别模型。对采集的辐射源I/Q信号进行功率归一化、切片和加噪等预处理操作;设计用于识别I/Q信号的一维卷积神经网络,并在网络中加入具有注意力机制的压缩激励模块,以此提高网络中有效特征通道的权重;将该网络结构和原型学习思想相结合,利用预处理的数据集进行训练和测试。在训练过程中,利用距离交叉熵损失函数为每个类别学习一个原型,并将信号特征到原型的距离作为分类依据,同时利用原型损失函数以提高信号类内紧密度的方式增大类间距离,进一步增强分类能力;在测试过程中,利用自适应距离分类规则为每个类别学习一个自适应的距离阈值,并通过距离阈值完成对已知目标的分类和未知目标的检测。对5种ZigBee设备采集的信号进行实验,结果表明：在信噪比为-10～10 dB之间,所提模型的识别准确率比通常所用的基于极值理论的模型高8%左右。     

辐射源个体识别中分类器应用

随着电磁辐射源个体之间差异的减小,传统的模板比对法已经难以完成对辐射源的个体识别任务。为了更好的识别个体之间的微小差异,提高复杂电磁环境中辐射源个体识别的成功率,从工程应用角度出发,提出先使用Fisher判别率进行特征预选,再使用主成份分析进行降维,最后使用支持向量机进行训练识别的辐射源个体识别方法,构建了可以识别辐射源威胁差异的分类器。仿真结果表明:该方法可以兼顾工程应用中识别正确率和识别速度的要求,对辐射源个体识别具有较好的应用价值。     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.     

基于自动编码器的短文本特征提取及聚类研究

针对短文本的特点, 提出一种基于深层噪音自动编码器的特征提取及聚类算法。该算法利用深度学习网络, 将高维、稀疏的短文本空间向量变换到新的低维、本质特征空间。首先在自动编码器的基础上, 引入L1范式惩罚项来避免模型过分拟合, 然后添加噪音项以提高算法的鲁棒性。实验结果表明, 将提取的文本特征应用于短文本聚类, 显著提高了聚类的效果, 有效地解决了短文本空间向量的高维、稀疏问题。     

基于K均值聚类分析的车辆横向稳定性判定方法

针对既有车辆失稳判定方法存在的不足,开展了车辆横向稳定性关于模式识别的研究,提出了一种基于K均值聚类分析的车辆横向稳定性判别方法.利用CarSim建立整车动力学模型,采用K均值聚类算法对车辆行驶状态数据进行离线聚类分析,得到离线聚类质心及其危险等级.搭建CarSim与Simulink联合仿真平台,计算车辆实时行驶数据点与离线聚类质心之间的欧氏距离,设计了车辆横向稳定性判定指标,对车辆行驶稳定性进行了在线识别.该判定方法充分利用车辆离线数据和实时数据,对车辆行驶状态数据进行数据挖掘.仿真结果表明,该判定方法能够准确实时量化车辆的行驶稳定性,为控制系统的介入时机与程度提供判据.     

基于类间损失和多视图融合的深度嵌入聚类

针对深度嵌入聚类方法仅考虑类内关系及多视图聚类存在特征表示不足等问题,提出一种基于类间损失和多视图特征融合的深度嵌入聚类方法,该方法在深度嵌入聚类的损失函数中引进一个新的正则项提高类判别性.先通过自动编码器提取多视图数据的特征表示,对不同视图的特征表示进行融合得到公共表示,基于此得到数据的软分配分布和辅助目标分布;再对公共表示和聚类分配进行联合优化得到最终的聚类结果.在多视图数据集上的实验结果表明,该方法能有效提高聚类性能.     

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。     

基于探测查询的Deep Web实体识别

目前,Web上存在很多Deep Web网站,而各个网站的数据表现形式有很大的差别.因此要集成这些网站就需要正确抽取其中的数据,并将其中表示同一实体的数据合并.该文提出了一种基于探测查询的方法来自动完成页面的数据抽取及实体识别工作,该方法通过提交查询可以在提取数据的同时确定实体的各个属性,根据实体的各个属性进行实体识别.实验表明,该方法具有较高的实体识别准确率.     

一种基于边界识别的聚类算法

针对基于密度的聚类算法由高密度区到低密度区的处理顺序所带来的不能识别低密度对象类别的缺陷,通过对聚类过程中可能存在的边界识别进行讨论,提出了一种基于边界识别的聚类算法.该算法的思想是：同簇优先权高于密度优先权,即在选择下一个对象进行聚类时,在已聚类的对象中优先选择同一簇的对象,当对象沿某一方向扩展到达簇边界时停止扩展,转而向其他方向扩展,这种处理顺序能使得类别最大化.通过分析簇边界的密度变化特征,建立了边界识别准则,并根据该准则对数据进行聚类.通过在合成数据和美国加州大学提供的知识挖掘数据库数据集上的实验结果表明,所提算法能有效地处理低密度区域的数据,与识别聚类结构的对象排序算法相比,聚类效果可提高4%左右,而时间性能相当.     

非监督特征学习方法在脑电身份识别中的应用

设计并实现了采用非监督特征学习方法对模拟阅读事件相关电位实验中多名受试者脑电信号的特征提取,并对提取的特征向量进行了模式分类.实验中共采集5名受试者脑电信号,每名受试者的特征样本集由其接受模拟阅读靶视觉刺激后100⁴00ms在通道PO3、O1、Oz、O2、PO4、P4、P8、CP6的脑电信号样本组成,各受试者样本集均含400个试次样本.非监督特征学习过程由含6个神经节的BP神经网络完成,后选用支持向量机作为分类器.对比了1试次,2试次、5试次、10试次样本叠加等几种不同情况下采用非监督特征学习方法提取特征的分类正确率.实验结果表明:采用多神经节人工神经网络对5名使用者5试次叠加信号样本提取的特征向量的分类正确率高于90%,显著优于对各单通道时域特征向量的分类正确率,该方法可为以脑电信号为特征的身份识别系统提供一种可行的特征提取方式.     

一种基于层次聚类的流数据挖掘方法

流数据的特点在于数据流快速、有序地到达,并且数据海量,许多应用领域中生成的数据都可以归结为此类型．数据挖掘技术可以从海量的数据中发现有意义的知识模型,传统的数据挖掘算法通常是针对静态数据集,对流数据却无法有效地处理．文章试图从层次聚类角度处理流数据,并探讨了一种基于最小代价函数的层次聚类算法．