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。     

基于循环零中心归一化绝对值方差的数字信号调制识别

提出了将瞬时信息的零均值归一化绝对值方差循环化的方法，用以识别数字调制信号．该方法无需设置判决门限，也无需进行参数训练，且可以识别大于四阶的数字调制类型．仿真实验结果表明，该方法在一定信噪比下对MASK、MPSK和MQAM有较高的识别率．     

基于密集连接机制的无线信号调制识别

为提高复杂信道环境下无线通信系统对调制信号的检测识别能力,以及针对当前调制识别方法存在的模型复杂、计算量大、输入数据特征不完备等问题。提出一种改进的深度学习算法模型,对真实无线环境下的9种常见调制信号进行识别研究。该算法通过对原始的同相正交(in-phase quadrature, IQ)数据进行幅度相位计算,以此增加模型输入数据的特征信息,采用改进的密集神经网络(dense neural network, DenseNet)对常见调制信号进行识别分类。实验结果表明：在相同的训练数据样本中,相比其他深度学习调制识别算法,改进算法性能最优。在信噪比为0时,DenseNet平均识别率达到84.6%。改进的IQ输入数据明显提高了无线信号的检测识别率,在信噪比为-10 dB和-5 dB时,调制信号的识别率提高了10%。     

矩阵码的自组织特征映射识别研究

基于Ｋｏｈｏｎｅｎ自组织特征映射网的自组织性、自适应性及对输入信号的高容错能力，运用无导师动态竞争学习方法对较模糊的矩阵码进行识别，取得了较好的效果．对网络的训练采用了带噪声的矩阵码数据，大大提高了系统的辨识能力．试验表明，该方法为矩阵码的识别提供了一条有效的途径．     

基于随机森林的认知网络主用户信号调制类型识别算法

针对低信噪比情况下主用户信号调制类型识别率低的问题,提出了一种使用信号循环谱中特征参数作为样本参数的基于随机森林的认知网络信号类型识别算法,通过使用训练完成的随机森林对主用户信号类型识别,有效抑制了采用ANN和SVM进行识别所造成的误差影响,提高了低信噪比下信号识别的精确度,实现了不同调制类型信号的有效检测与识别.实验结果表明:所提出的算法有较高的主用户信号调制类型识别精度,进而验证了算法的有效性.     

二次调制信号与PSK类信号的自动盲识别算法

研究了卫星通信中常用的二次调制信号和PSK类信号的自动盲识别算法。从信号时域和频域出发,提取了能反映调制方式差异的瞬时特征,并对这些特征进行了理论分析。在区分非恒包络信号时,引入了自相关处理,改进后瞬时幅度包络特征差异更加明显,在对二次调制信号进行识别时,引入了FM盲解调用于恢复内调制信号,内调制PSK信号的识别采用基于谱线特征的识别算法。最后通过计算机仿真验证了其识别性能,在信噪比不低于4 dB时,对信号集内的信号识别率达到90%以上。     

辅助式小波神经网络的调制识别技术

将小波特征提取和反向传播神经网络理论相结合，设计一种辅助式小波神经网络结构，根据接收到的调制信号进行抽样后，将所提出的辅助式小波神经网络用于几种调制信号的识别，实验结果表明，辅助式小波神经网络的鲁棒性能好，对调制识别技术的正确识别率高．     

基于MSB和CNN的弧齿锥齿轮损伤故障识别

针对弧齿锥齿轮损伤程度识别率低的问题,提出一种基于调制信号双谱和卷积神经网络的弧齿锥齿轮损伤程度识别方法.采集弧齿锥齿轮在正常、轻度损伤及中度损伤3种状态下的振动加速度信号,分别计算其调制信号双谱特征图,构建卷积神经网络,并将调制信号双谱特征图作为输入样本训练卷积神经网络.试验结果表明:本文方法可以有效地提高弧齿锥齿轮损伤程度的识别率,平均识别准确率达99.91%.     

基于循环谱和距离判别的雷达信号调制类型识别

循环谱对雷达调制信号具有良好的可分性,文中提取雷达信号的循环谱对信号的调制类型进行分类识别。为了减小循环谱作为分类特征的计算量,采用距离判别的方法寻找最利于分类的一行循环谱信号作为样本信号的分类特征,并结合支持向量机对雷达信号的调制类型做了分类识别的计算机仿真。仿真结果表明,在0 d B时该方法对多种单个雷达信号的识别率高达92.7%,对混合雷达信号的识别率为89.7%,说明该方法在较低信噪比下对于常见的5种雷达调制信号及其相应混合而成的信号具有较高的识别率。     

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．     

神经网络TSP问题仿真分析

描述了Hopfield神经网络和自组织特征映射神经网络解决TSP问题时的求解过程和仿真算法.通过对两种算法的仿真比较,得出以下结论:对于较大规模的TSP问题,SOFM模型的寻优结果要优于HNN模型寻优结果;HNN对网络模型参数和初始条件具有很强的依赖性且调整参数组合非常困难,而SOFM的参数设置和调整相对要简单得多;SOFM算法对待解决问题的拓扑分布不敏感,而HNN算法的收敛性对待求解问题的自身分布有很强的依赖性;当待求解问题的数目增大时,SOFM算法的运算时间增加缓慢,而HNN算法的运算时间增加较快.因此,在解决TSP问题时,自组织特征映射神经网络比Hopfield神经网络的效率高,随着问题规模的增大,其优势更为明显.     

密集三维散乱点数据的拓扑矩形网格自组织压缩重建

探讨了曲面密集三维散乱点数据的拓扑矩形网格自组织压缩重建方法。建立了基于自组织特征映射神经网络的三维散乱点数据的拓扑矩形网格自组织压缩重建模型。该模型利用神经元对曲面散乱点的学习和训练来模拟曲面上的点与点之间的内在关系,结点连接权矢量集作为对散乱点集的工程近似化并重构曲面样本点的内在拓扑关系,实现曲面密集三维散乱点数据的自组织压缩。按矩形阵列侧抑制邻区训练调整网络神经元权重矢量,使网络输出层结点呈矩形阵列分布,可生成测量点集压缩后的拓扑矩形网格,可用于NURBS曲面重构。计算机仿真实验表明,所建模型可以实现三维密集散乱点数据自组织压缩,生成期望疏密程度和精度的双有序点列,重建矩形拓扑网格。     

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.     

基于CCA和SOFM的轴承故障特征提取

提出曲元分析(CCA)和自组织特征映射(SOFM)相结合的方法用于轴承的故障诊断特征提取.首先通过传感器测得轴承在正常和非正常状态下的信号;然后对所得数据进行归一化;考虑到数据比较庞大,利用CCA进行降维;再利用SOFM进行训练,网络对不同状态下的输入具有明显不同的输出.利用Matlab神经网络工具箱来实现上述算法.实例仿真表明,这个算法可以快速正确地提取出轴承故障特征值,并通过聚类算法完成轴承的故障诊断.     

一种改进的SOFM聚类算法研究

针对常规SOFM(self-organizing feature map)无监督的神经网络,提出了一种改进的自组织特征映射SOFM神经网络算法。在常规SOFM网络数据聚类算法基础上,分析了其在实际应用中存在的不足,对初始权值设定以及邻域范围选择等方面进行了算法的优化和改进,进而提高了SOFM神经网络聚类算法的正确率、收敛速度和实时性,并利用仿真实验进一步对提出的改进算法进行了验证。     

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上．从提高算法收敛速度和性能出发．提出了一种改进算法：随机选择样本输入次序；根据实际应用并结合专家经验确定初始连接权值；采用高斯函数作为拓扑邻域函数；将算法分成排序和收敛两个阶段。并分别采用不同的学习率和邻域函数．采用改进后的SOFM算法对输入样本进行自组织聚类，再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题。提高了分类精度．仿真实验结果表明．该网络能够识别常用的数字(0～9)和英字母．特别是在有噪声污染的情况下．可以获得较好的效果。     

神经网络在图象压缩编码中的应用

讨论神经网络在图象压缩编码领域中的应用.针对图象矢量量化存在的分块效应问题,对Kohonen自适应模型进行了研究.应用了两个DCT的余弦变换域的特征值,结合Kohonen的自组织特征映射(SOFM)算法对图象元素分类压缩编码.计算机模拟实验表明,和单纯用神经网络直接进行矢量量化相比,应用这种技术的图象编码压缩比和译码图象质量都有明显的提高.     

基于粗集理论的雷达辐射源信号识别

将粗集理论（RST）引入到雷达辐射源信号（RES）识别中，提出一种区间连续属性离散化新方法及相应的特征选择算法，将RST与神经网络（NN）结合，设计粗集神经网络（RNN）分类器．实验结果表明，该方法解决了已有方法难以处理的区间连续属性离散化问题，获得的正确识别率比其他3种方法分别高出7．29％、4．34％和4．00％．RNN的平均训练代数比NN少97．54，RNN的平均识别率比NN高2．84％，这表明RNN具有比NN更好的分类能力和泛化能力，从而证实了该方法的有效性和可行性．     

基于改进的自组织神经网络的基因剪切位点的识别

为提高基因序列中剪切位点的识别率,将无先导卡尔曼滤波器(UKF)和自组织神经网络(SOFM)相结合,给出一种非线性高维数据的聚类算法.利用无先导变换(UT)参数化SOFM邻域宽度函数的均值和方差,并采用UKF进行预测,完成SOFM参数的自适应过程.该算法用于基因剪切位点的识别结果表明:较SOFM与EKF参数自适应方法,该算法识别精度较高,验证了其有效性和可行性.     

个性化产品推荐中的SOFM神经网络模型

从个性化推荐的应用特点出发，提出了一种基于SOFM神经网络的个性化推荐模型，对高维稀疏的样本进行动态聚类．它具有下列特点：（1）在SOFM学习中，引入抑制函数（Restraining Function），使其能够适应顾客评分数据的极端稀疏；（2）设置神经元的分裂和合并过程，使其能够满足顾客聚类的频繁变动．通过实验分析表明，该模型能够明显提高推荐质量。