工频通信系统下行信号仿真与识别方法的研究

双向工频通信技术（TWACS）是一种基于配电网络的新型通信技术,它利用独特的调制解调技术可以无需外加设备穿越变压器进行跨区域通信。本文针对下行信号（outbound）的传输特点,搭建了下行信号的传输模型,分析了下行信号在配电网中的传输特性,并提出了一种改进的基于数学形态学膨胀运算的下行信号识别方法,该方法算法简单,计算量小,易于在单片机上实现。     

基于支持向量机的通信信号调制识别方法研究

支持向量机(Support Vector Machines简称SVMs)是基于统计学习理论的一种新的模式识别技术,它不仅结构简单,而且技术性能尤其是泛化能力明显提高。介绍了支持向量机为理论基础的通信信号调制识别方法。计算机仿真结果证实此方法的可行性。     

基于神经网络的S模式信号分类识别方法研究

研究了S模式信号的产生机理及其基带信号数据结构的特点,基于高阶累积量方法对二、四、八阶累积量进行分析比较,分别选取了三个区分性好、计算量小的参数作为识别特征,并用构造分层结构神经网络来实现自动识别,利用仿真软件对其进行仿真,此方法识别速度快,识别正确率高。     

基于SOINN的在线物联网设备识别方法

针对传统设备识别方法存在模型动态更新困难、训练数据不足和运算存储开销大等问题,提出了一种基于自组织增量学习神经网络(SOINN)的在线物联网设备识别方法.首先,设计了基于交互页面DOM树的设备品牌特征,具有特征易提取、特征维度小和覆盖设备广等优点.结合SOINN和SVM构建增量式监督学习方法SOINN-SVM,实现设备...     

基于信号奇异性的干扰信号识别方法研究

从信号处理的角度对无线电引信干扰信号的识别理论进行研究，研究表明无线电引信信号在受到干扰后，振荡器的震荡信号和多普勒信号会产生奇异性，根据信号的奇异性首次提出了基于信号的奇异性的干扰信号识别理论，它可以更好地对干扰信号进行检测和识别。     

基于时频分析和神经网络的水声通信信号识别技术

 水声通信信号识别具有重要的现实意义。传统的识别器是每种调制模式分别设计的检测器,因而运算量随调制模式数量的增加而增加。随着通信技术手段日益更新,调制模式不断翻新,传统识别器已经不能满足快速检测和识别信号的要求,设计统一的特征提取方法以减少检测器的数量非常迫切。从侦收信号的时频分布中提取特征向量,利用人工神经网络对特征向量进行分类,基于此提出了一种新的识别方法。对本文提出的识别器,在使用前增加新的调制模式的样本并重新训练神经网络,使用过程中能实现更多调制模式的识别而不增加运算量。对特征向量的提取方法进行了详细描述,并通过计算机仿真实验,得出了低信噪比时的正确识别概率。     

通信信号的分选与识别

本文提出了通信信号分选的识别方法,对分选的方案进行了论证,利用预处理与主处理相结合的方法来分选通信信号,尤其在进行调制分类时,提出特征提取和识模器,为了提高处理速度,采取维数压缩和线性识模器。     

关于通信信号调制识别技术的分析研究

本文首先阐述了通信信号调制识别技术的发展情况,然后对常见的调制识别方法的框架结构进行了介绍,最后对近些年出现的调制识别方法进行了总结,将自己对调制识别技术的观点提了出来,并对其进行了展望。     

基于HTTP响应报文的物联网终端设备识别方法

随着物联网的快速发展,物联网终端设备的识别技术研究已经成为网络空间安全领域的热点之一。针对类型、品牌、型号等不同层面的设备识别需求,传统物联网终端设备识别方法局限于高维特征向量和单一分类算法的固定组合,为了提高算法效率并寻找较优算法组合,本文提出一种基于HTTP协议响应报文的物联网终端设备识别方法,以HTTP协议响应报文的相关协议字段特征作为输入并进行归一化、标准化处理,通过随机森林算法对特征进行筛选排序得到特征序列,最终基于特征序列,结合不同的分类算法和特征组合对物联网设备进行分类识别。实验结果显示,在收集的数据集中,该方法在设备类型、品牌、型号3个层面分别采用5个、3个和7个不同特征组合并结合不同分类算法,平均提升设备识别准确率18.6%并大大节省了特征空间,实现了低维度特征下稳定高效的识别效果。     

基于ResNet和双向LSTM融合的物联网入侵 检测分类模型构建与优化研究

为提高物联网入侵检测模型的综合性能,将残差神经网络(Residual Networks,ResNet)与双向长短时记忆(Long-Short Term Memory,LSTM)网络融合,构建物联网入侵检测分类模型.针对大规模物联网流量快速批量处理问题,在对原始数据进行清洗、转换等预处理基础上,提出将多条流量样本转换为灰度图,并利用基于ResNet和双向LSTM融合的深度学习方法构建物联网入侵检测分类模型.对分类模型的网络结构、可复用性进行综合优化实验,得到最终优化模型,分类准确率达到96.77%,综合优化后的模型构建时间为39.85 s.与其他机器学习算法结果相比,该优化方法在分类准确率和效率两个方面取得了很好的效果,综合性能优于传统的入侵检测分类模型.     

基于通信信号分选与识别的分布式处理机研究

针对通信信号分选与识别,提出了建立分布式处理机的方案,利用预处理与主处理相结合的方法来分选通信信号,尤其在进行调制分类时,提出特征提取和识模器,为了提高处理速度,采用维数压缩和线性识模器。     

基于振动与声音信号深度学习的岩性识别方法

岩性识别对地质勘查和储层评价具有重要意义,科学有效地开展岩性自动识别的相关研究能够有效地为勘查过程提供指导,减少工作的盲目性和冗杂性。针对常见的砂岩地层,选择三类砂岩,基于室内微钻试验台,设计钻杆转速、钻孔深度和钻孔位置三个变量,检测钻进过程中产生的振动和声音特征信号。将采集的振动和声音信号预处理,提高信噪比,生成数据集。将振动和声音的数据集按6∶2∶2的比例划分为训练集、验证集和测试集,之后分别构建二维卷积神经网络和一维卷积神经网络并使用训练集和验证集训练岩性识别模型,最后运用未经训练的测试集验证模型准确率。模型训练完成后,以频谱图为数据集的振动信号识别模型准确率达到95.19%,以梅尔频率倒谱系数为数据集的声音信号识别模型准确率达到73.58%。研究结果表明,不同岩性在钻进过程中产生的振动和声音信号具有不同信号特征,基于振动和声音信号的岩性自动识别方法可以较好地实现几类砂岩的自动识别,这为地质勘查时的岩性自动识别提供了参考与依据。     

基于生理信号的实时情感识别系统设计与实现

设计并实现基于生理信号的实时情感识别系统.以视频为刺激材料诱发受试者高兴、惊奇、悲伤、愤怒、恐惧、平静6种情感,通过MP160生理信号记录仪采集受试者相应情感下的心电、呼吸、脉搏波、皮肤温度、肌电、皮肤电导6种生理信号,采用PCA和SVM结合的算法实现情感的实时分类.最后,系统对4名在校学生进行了实验,6种情感的平均识别率为70%.     

基于一维倒残差轻量级网络的无人机个体识别方法

在无人机的个体识别问题中,针对传统的识别方法存在网络模型参数量大和算法时效性差等问题,提出基于一维倒残差轻量级神经网络(1D-IRLNN)的无人机个体识别方法。首先提取反映无人机个体间差异的I/Q包络一维特征作为无人机的浅层特征;其次将深度可分离卷积与倒残差结构等设计思想和一维神经网络模型相结合,设计出跳跃级联的一维倒残差轻量级神经网络;最后利用网络模型提取一维I/Q包络数据中的深层特征,从而实现对无人机个体的快速准确识别。实验结果表明,1D-IRLNN模型的计算量分别是同等体量的深度模型1D-CNN与1D-ResNet的305%和238%,网络模型规模分别是深度模型1D-CNN与1D-ResNet的387%和297%,所提方法相较于其他方法,在保持较高识别准确率的同时具有更快的识别速度且占内存更小。     

浅论通信信号调制识别方法

通信信号调制类型的分类识别是一种典型的模式识别问题,它涉及到很多复杂的特殊因素。随着通信技术的飞速发展,通信信号的体制和调制样式变得更加复杂多样,信号环境日趋密集,使得常规的识别方法很难适应实际需要,无法有效地对通信信号进行识别,这也给通信信号的识别研究提出了更高的要求。本文首先详细介绍了判决理论识别方法和统计模式识别方法这两种数字信号调制方法,然后对它们的优缺点进行了分析比较。     

基于惯性信号与肌电信号的手势识别方法

为解决人体表面肌电信号(EMG)误差较大导致手势识别准确率低的问题,提出了一种将手指尖与关节相对于腰部尾椎位置的惯性运动信号与手臂的EMG进行融合,提取新的手势特征集并利用改进禁忌搜索优化后的反向传播(BP)神经网络分类识别。实验结果表明,该特征集相比于传统的肌电特征集准确率提高了8.5%,优化后的BP神经网络相比于优化前准确率提高了12.33%,手势识别综合准确率可达99.75%。     

通信网络中的信号处理技术应用探析

在过去的半个多世纪时间，信号处理为通信技术的进步和发展取了关键的作用，并在现在和将来还将取重大的作用。通信领域的信号处理技术大致可分十一个方面，从其中一个方面——通信网络中的信号处理技术入手，介绍了信号处理技术在无线ATM网中的关键应用，并详细地论述了两种与信号处理有关的无线ATM网薪技术。     

基于物联网的网络案例实验教学平台研究

物联网是最近几年计算机网络快速发展的产物,本文以物联网技术为基础,结合计算机网络实验教学改革的需求,构建了基于物联网的网络案例实验教学平台,分析了该平台的优势和特点,最后以智能交通灯为实验案例,介绍了基于该平台实验教学过程。     

物联网下交通信息分类编码研究

物联网的发展信息数量和种类不断增加,然而信息的分类编码缺乏总体规划,致使资源规范化程度低,导致信息系统无法实现信息共享和交换。本文以交通信息为研究对象,研究信息分类和编码的原则,规范信息的表述,并对交通信息进行统一的分类编码设计,为后续的交通信息研究提供信息共享基础。     

基于应变信号时频分析与 CNN网络的车辆荷载识别方法

针对现有神经网络车辆荷载识别方法的识别精度不足且训练样本采集困难的问题,提出了一种基于应变信号时频分析与CNN网络的车辆荷载识别方法,对移动车辆总重进行荷载识别.首先,利用连续小波时频变换方法处理桥梁跨中应变信号,得到应变信号的时频特征,并利用双线性插值算法将时频信号矩阵变为大小为64×64的数值矩阵,作为CNN网络的输入数据;其次,利用CNN网络的回归学习算法,在训练少量数值矩阵后直接建立应变响应与车辆荷载的映射关系,从而实现对未知车辆荷载的识别;最后,通过模拟试验发现虽然在不同路面粗糙度和噪声影响下,CNN网络的荷载识别结果会受到不同程度的影响,但在一定范围内的路面粗糙度和噪声影响下仍然能较精确地识别车辆荷载.