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式分类。仿真结果表明, 通过对8种数字信号进行调制识别, 在信噪比为20 dB时, 所提算法可将信号最高识别率提升至96%, 同时该算法设计简单, 具有较大应用价值。     

基于截断迁移与并行残差网络的调制识别算法

针对卷积神经网络提取的信号时序特征受限问题,提出一种截断迁移的数据预处理算法,将采样矩阵一端的距离单位截断,迁移到另一端,依次合并成新的矩阵,使卷积神经网络提取到更多的采样点,比较更多的符号信息。同时提出一种改进的并行残差神经网络,通过两路并行的支路同时关注水平和垂直2个方向的特征。结果表明,该算法比普通卷积网络提高约10%的准确率,改进的网络在信噪比为14 dB时,准确率为93.78%,信噪比大于0 dB时,准确率均在91%以上。     

基于残差原型网络的辐射源个体识别

利用深度学习进行通信辐射源识别分类时，现有算法在较低信噪比下的识别能力还不足，且均着重关注各类辐射源个体的类间距离，忽视了类内紧密性。针对此问题，结合残差网络和原型学习基本思想，提出残差原型网络，对输入信号的差分星座轨迹图进行识别。此外，在基于距离的交叉熵损失函数基础上加入原型损失，通过提高类内紧密度的方式进一步扩增了类间距离。通过对5种ZigBee设备的实验，结果表明所提算法在相同信噪比条件下相较于其他算法具有更好的识别性能，在信噪比高于8 dB时，可达到99%以上的准确率。     

基于循环谱截面智能分析的混合信号调制识别方法

针对已有混合信号识别方法存在智能化程度低、适应性差等问题，提出了一种基于循环谱截面和深度学习相结合的智能识别方法。理论推导分析了常见混合通信信号的循环谱零谱频率截面特征；利用提出的非线性分段映射和指向性伪聚类新方法对上述截面图进行预处理特征增强，提高了截面特征的适应性和一致性；并将预处理后的特征图与经典残差网络相结合，利用深度学习网络对特征图中调制信息的深层次细节挖掘分析能力，实现了混合信号的有效识别。仿真结果表明，该方法对噪声不敏感，当信噪比不低于-2 dB时，平均识别率大于90%；且该方法对信号参数及信号间能量比变化有较好的适应能力。     

利用概率估计和支持矢量机的信号调制分类

提出了一种常用数字通信信号调制分类算法。针对MASK、MFSK和MPSK调制,选取截获接收机输出信号的瞬时幅度、时频脊线和差分基带信号作为分类特征,利用概率密度估计算法求取分类特征的分布函数,通过构造支持矢量机分类器确定分布函数的峰值个数,从而在多种噪声背景下实现了信号调制类型的自动分类。仿真实验表明,当信噪比大于5 dB时识别率可达80%以上。     

基于通信域和雷达域融合特征的无人机集群类型识别算法

目前已有无人机类型识别算法仅通过通信域或雷达域的信号特征实现单个无人机类型的识别，存在识别准确率低等问题。提出了一种基于通信信号和雷达信号融合特征的无人机集群类型识别算法。首先，提取集群通信信号的高阶累积量和瞬时特征统计量，并融合雷达航迹特征构建无人机集群特征矩阵。其次，提出一种改进的特征选择算法—二次筛选的近邻成分分析，对融合特征矩阵进行降维。最后，利用稀疏自编码器网络进行集群类型的识别。仿真结果表明，该算法显著降低了集群特征矩阵的维度(仅为原始矩阵维度的27%),同时在信噪比为0 dB时，对5种集群类型识别的正确率可达88%。     

基于信号特征空间的TDCS干扰分类识别

针对变换域通信系统中干扰信号的分类识别问题,提出了一种基于信号特征空间的支持向量机(signal feature space-support vector machine, SF-SVM)干扰分类算法。首先,基于干扰信号模型和信号空间理论对干扰信号进行特征提取,并建立信号特征空间,进而针对二分类和多分类问题提出了SF-SVM分类算法,设计了干扰信号的多分类识别器。仿真结果表明,与干扰信号的传统分类算法相比,SF-SVM不仅提高了分类精度,而且缩短了训练时间;设计的多分类识别器在信噪比达到8dB时,对6种干扰信号识别性能及对变换域通信系统性能都有所提升。     

一种改进的数字信号自动识别方法

现有数字信号自动调制识别方法大多只适用于无记忆信号,如PSK、ASK、FSK信号等。将有记忆信号(MSK信号)和无记忆信号一起考虑,提出了一种改进的数字信号自动识别方法。该方法采用信号的瞬时统计量作为特征参数,采用多层神经网络作为分类器。计算机仿真表明:当噪声采用高斯白噪声,并且信噪比大于15dB时,识别率高于96%;当信噪比不低于10dB时,识别率不低于90%。     

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。     

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%。     

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。     

基于时频域特征和分层决策的通信信号调制识别

针对实际通信信号具有时变、非平稳的特性,将时频分布引入通信信号调制类型识别,提出了新的品质优良的时频域识别特征和使用时频域特征的分层决策分类器。即以基于Wigner Ville分布(WVD)的一阶时间矩特征和基于Margenau Hill分布(MHD)的局部时频域特征作为分类特征向量,通过特征向量与判决阈值的逐层比较以实现通信信号调制分类。仿真结果表明,该方法在低信噪比下的识别性能明显优于基于单纯的时域特征或频域特征的传统方法。     

基于卷积神经网络的超短波特定信号谱图识别

针对超短波通信中特定信号的识别问题,提出一种将时频谱图和卷积神经网络相结合的超短波特定信号识别方法。该方法首先对特定信号进行短时傅里叶变换得到时频谱图,然后使用时频谱图对改进的卷积神经网络模型进行训练,最后测试网络模型,实现超短波特定信号识别。实验结果表明,该方法对特定信号的识别率能达到98%,在信噪比为0 dB时仍能达到97%的识别率,并且在混叠50%时识别率达到了90%。相比传统算法,该方法具有更好的抗低信噪比和抗混叠干扰能力,验证了卷积神经网络在特定信号识别领域的有效性,为该领域的后续研究奠定了基础。     

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IMU与sEMG混合信号的实时手势分类算法研究

为了提高表面肌电信号(surface electromyography,sEMG)的手势分类准确率,通过惯性测量单元(inertial measurement unit,IMU)与采集姿态信号与sEMG的混合信号,提出了GRUBiLSTM双层网络的实时手势分类算法。第1层门控循环单元(gated recurrent unit,GRU)利用能量组合算子特征对混合信号进行突变点检测,定位运动态数据起始点;第2层双向长短时记忆循环神经网络(Bi-directional long short term memory,BiLSTM)使用能量核相图特征对运动态混合信号进行2个方向10种手势的分类。通过离线模型优化,分类算法识别时间低于40 ms,突变点检测精度88.7%以上,手势分类准确率为85%,信息传输率(informationtranslaterate, ITR)达到89.9 bits/min,与基于机器学习的分类算法相比,在准确率与计算效率上具有优势。     

基于深度残差收缩注意力网络的雷达信号识别方法

针对低信噪比条件下雷达信号识别率低，以及分类网络不具备识别样本库新添加信号类型的局限，提出了一种基于深度残差收缩注意力网络的雷达信号识别方法。通过网络将一维雷达信号映射到32维向量空间。网络中的残差连接能有效强化特征的传播能力，解决网络过深无法训练的问题；注意力机制的引入，不仅构建掩码支路充当主干支路的特征选择器，还能够帮助网络自适应地选择合适的阈值进行软阈值化，从而减少网络中噪声或者冗余信息的影响，提高网络对噪声的鲁棒性。训练过程中排序表损失(ranked list loss, RLL)和分类损失函数共同指导网络训练。RLL能够有效克服传统度量学习损失函数忽略类内特征的问题，分类损失函数能够弥补度量损失优化下对样本整体分布不敏感的问题。实验表明，该方法在提高低信噪比雷达信号识别准确率的同时仍具有识别样本库新添加信号类型的能力。     

基于稀疏表示分类的雷达欺骗干扰识别方法

为了应对基于数字射频存储的各种欺骗干扰信号, 提出了一种基于稀疏表示分类的欺骗干扰识别算法。通过小波包分解重构把信号划分为不同频段, 然后对信号提取三阶累积量切片特征构造特征矩阵, 并利用奇异值分解对特征进行降维, 提取主要分量。最后利用稀疏表示分类在不同频段上对信号进行分类识别, 利用决策融合的方法对分类结果进行整合。经验证, 该方法具有很好的抗噪性能, 能够有效识别几种常见的欺骗干扰信号, 在信噪比为0 dB时, 欺骗干扰平均识别率达到90%以上, 并与其他欺骗干扰识别方法进行了对比, 显示了所提方法的优越性。     

岸基GPS海面反射信号提取方法及特性分析

岸基全球定位系统(global positioning system, GPS)海面反射信号特性对GPS反射信号遥感反演具有重要意义,可为系统设计提供重要参数支持。在实验数据的基础上对微弱GPS海面反射信号特征提取方法进行验证和分析,结果显示所采用的提取方法能够有效提取海面反射信号;分析不同积分时间相干积分和非相干积分的性能,结果显示,积分时间在100 ms以上时,相干积分和非相干积分都能有效提取反射信号特征,且两者得到的信噪比基本一致;海面反射的GPS信号符合高斯分布特征,这与已发表文献的结论是不同的;两次连续测量反射信号的功率变化有90%的概率超过6 dB。