db3小波神经网络与通信信号调制识别

调制识别在通信侦察和对抗中有重要应用,提出了用db3小波神经网络的组合分类来实现通信信号调制识别一种识别方法,并拟对非稳定、低信噪比的通信信号实现复杂调制类型信号识别,计算机仿真结果证实此方法的可行性.     

小波变换在通信信号调制识别中的应用

空间传播的通信信号采用了不同的调制方式。在许多应用中,需要监视通信信号的活动情况,区分信号的性质,甚至截获其传输的信息内容。调制方式是区分不同性质通信信号的一个重要特征,而要截获通信信号的信息内容,就必须知道信号的调制方式和调制参数。给定一段接收的通信信号,调制识别的目的就是在未知调制信息内容的前提下判断出通信信号的调制方式,并估计出相应的调制参数。随着通信信号体制及调制样式的多样化和复杂化,信号环境越来越密集,识别难度越来越大。小波变换具有良好的时间,频率局域化特征和多分辨率分析的特性,所以小波变换是一种能有效地从不同调制类型的信号中提取瞬时特征的技术,而且不需要已调信号任何的先验知识。不同类型信号的小波变换系数的明显不同非常适合对调制信号的调制类型进行识别。本文在学习MFSK调制信号的基本特征的基础上,分析研究了三种类型的小波变换。     

基于小波神经网络在车牌识别中的研究

小波神经网络是将小波函数和神经网络相结合的一种网络,它结合了小波变换和神经网络的优点,适合于图像处理、系统辨识、数据压缩等领域。本文论述了将小波神经网络应用于车牌自动识别系统的研究。     

基于小波神经网络的抽油杆缺陷识别

为了正确识别深井泵抽油系统中抽油杆杆体的缺陷以减少油杆井下断裂等事故的发生,讨论了应用小波变换和神经网络技术进行缺陷识别的方法.使用小波与神经网络松散型结合的方法,基于小波包原理,将抽油杆的时域检测信号分解到独立的频带内,应用自适应学习速率梯度下降动量法的BP网络,将提取的频带能量作为神经网络输入,抽油杆的裂纹、腐蚀坑、偏磨、损伤及无缺陷作为神经网络待识别输出.经过实验室大量的实验数据训练和验证,结果表明,此种方法既可以正确识别抽油杆的单一缺陷,也可以识别混合缺陷.     

数字信号调制识别的研究

利用幅度归一化、小波变换等方法,在先验信息未知的情况下,通过对2ASK、2PSK、2FSK三种不同调制信号进行特征提取,并选取合适的阈值加以识别,实现了数字通信信号调制方式的分类识别。仿真表明对于信噪比在8dB以上的调制信号具有很高的正确识别率。     

Hilbert变换与小波变换在数字信号调制识别中的应用

利用MATLAB的“M”文件蝙程，采用Hilbert变换与小波变换相结合的方法对2ask，4ask，2fsk，4fsk，2psk，4psk六种数字信号进行瞬时幅度和相位的特征提取，进而进行调制识别。实验结果表明此方法可以在信噪比较低的情况下对信号进行有效的识别。     

小波神经网络的毫米波雷达目标一维距离像识别

将小波变换和反向传播神经网络理论结合，设计一种小波神经网络结构。由于小波变换在时间和频率空间所具有良好的定位特性，使小波神经网络可对输入输出数据进行多分辨的学习训练。介绍神经网络的数学框架和该网络的学习算法。根据毫米法频率步进雷达目标一维距离像所给出的信息，将所提出的小波神经网络用于3种实际雷达目标的识别。实验结果表明，小波神经网络收敛速度快、识别率高。     

低信噪比下数字幅度调制的调制进制快速识别

为了快速自动识别低信噪比下的数字幅度调制进制,提出了一种识别M进制正交幅度调制(M-QAM)和M进制幅度键控(M-A SK)的调制进制的方法。该方法利用优化的缩放尺度对信号进行小波变换,以识别M-QAM和M-A SK信号的调制进制,并进行了仿真。仿真结果表明:仅利用100个观测符号,当信噪比大于或等于-4 dB时,M-QAM信号的正确识别率大于93%;当信噪比大于或等于-10 dB时,M-A SK信号的正确识别率大于90%。这说明该方法在低信噪比下能够快速获得很好的识别性能。     

通信信号的调制识别技术综述

通信信号的识别一直是人们重点研究的课题之一,特别是对通信信号调制体制的识别,是通信信号识别的基础。本文对目前的调制识别的一些基本方法进行了介绍,并对调制识别技术以后的发展提出了自己的设想。     

基于小波矩特征的小波神经网络目标识别

提出一种具有尺度、平移与旋转不变性的目标识别方法.该方法首先提取目标图像的小波矩特征,然后与小波神经网相结合,构成一套目标识别系统.小波矩不变量不仅可以表示图像的全局特征,而且还能表示局部特征;而小波神经网络结合了小波分析和传统神经网络的优点,具有很强的学习能力和推广能力.因此基于小波矩的小波神经网络目标识别系统在进行目标识别时具有很大的优势.实验中使用该方法对4类飞机目标进行识别,实验结果证明其识别率高于其它的目标识别方法.     

基于小波分析的已调信号制式的神经网络自动识别

自动调制识别是非合作通信系统接收机设计中的重要研究课题，讨论了基于小波分析的基本调制制式(DSB、FM、PM、2ASK、2FSK、2PSK)的神经网络识别问题，对高斯白噪声中的通信信号的自动识别进行了计算机仿真．实验结果表明，此种识别算法具有较为理想的识别效果．     

一种基于优化小波神经网络的语音识别

在以往的BP小波神经网络中,最常用的学习算法是BP算法,BP算法实质上就是梯度下降法,是一种局部搜索算法,梯度下降法使得网络极易陷入局部最小值,从而使得网络训练结果不尽人意,搜索成功概率低.取代传统的梯度下降法,利用粒子群算法对小波神经网络中的参数进行优化.然后利用基于粒子群优化(PSO)的小波神经网络进行抗噪声语音识别实验,仿真结果表明,与BP网络相比,PSO算法在迭代次数、函数逼近误差、网络性能方面均优于BP网络,系统的识别率也得到较大的提高.     

基于离散搜索神经网络的数字调制类型识别

采用组合神经网络的离散搜索算法对通信信号的调制类型进行分类 ,在保证足够识别率的前提下 ,减少训练时间方面取得了较好效果 .仿真实验结果证明了此方法的有效性 .     

基于小波神经网络的股票预测

通过将Morlet母小波基函数作为神经网络隐含层神经元的激励函数,构建了Morlet小波神经网络,对网络结构进行了隐含层节点的优化,对股票收盘价的变化进行仿真和预测,实验结果表明,Morlet小波神经网络具有较好的逼近非线性映射的能力,其泛化性能和预测能力较优.     

小波神经网络在人脸识别中的应用

人脸识别是一个涉及生理学、心理学、图像处理、计算机视觉、模式识别和数学等多个学科的前沿课题。小波神经网络是在小波分析研究获得突破的基础上提出的一种前馈性网络,避免了BP网络等结构设计上的盲目性,网络训练过程从根本上避免了局部最优等非线性优化问题,有较强的函数学习能力和推广能力。基于小波神经网络,文中提出了一种新的人脸识别算法。该算法利用小波多分辨特性和神经网络的鲁棒性和记忆性,同时结合了加速网络收敛速度的小波神经网络步长调整算法。实验证明该算法有高的检测率和有效性。     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

基于小波和神经网络的图像压缩方法

针对图像压缩中压缩率与图像质量的折衷问题。综合利用小波变换和神经网络各自的优点,采用小波和神经网络的方法进行图像压缩．该算法先对图像进行小波分解,保留低频系数,然后将高频系数输入训练的网络进行矢量量化编码达到压缩的目的．最后根据保留的低频系数和还原的高频系数重构图像．     

基于ART2A-E神经网络的数字调制识别

在分析经典的ART2／2A网络基础上,提出了一种基于ART2A—E神经网络的自动数字调制识别分类器,并测试了分类器对2PSK、4PSK、OQPSK、GMSK、π/4OQPSK、4ASK6种数字调制信号的识别能力．仿真结果表明,该分类器对这6种数字调制信号在信噪比为8dB条件下识别率达到90％以上,而且在不影响网络已记忆模式情况下能自动对未学习模式进行新的聚类,提高了自动调制分类器的自适应性和可扩展性．减少了错判概率．