基于RBF神经网络的跳频信号频率预测的研究

提出了一种跳频信号频率预测的解决方案——RBF神经网络．比较了BP神经网络和RBF神经网络在跳频信号频率预测中的性能差异．应用MATLAB针对一伴有随机噪声的信号进行了仿真实验，证明了该理论的可行性与优越性。     

基于熵测度优化的跳频信号参数估计

详细讨论了采用三阶Flandrin体积归一化熵测度随时频分布核参数的变化规律,给出了典型时频表示进行参数优化的方法,提出了一种基于熵测度的信号相关平滑伪魏格纳分布,对其在跳频信号参数估计中的应用进行了比较和性能分析.仿真结果表明了该量化测度在时频核函数性能评价时的可行性和有效性,基于熵测度优化的跳频信号参数估计有较好的抗噪声能力,可以取得比其他方法更精确的效果.     

基于组合时频分布的跳频信号分析

针对常用的非线性时频分析方法不能较好地抑制交叉项干扰的问题,文中提出一种新的跳频信号时频分析方法。将组合时频分布TF方法用于跳频信号分析,提出了跳频信号持续时间、跳变时刻和跳频频率盲提取的改进算法,通过计算机仿真验证了该方法的有效性。     

快速跳频多址信号的检测

对码分多址(CDMA)信号的检测常会遇到使用相同载波频率的系统用户的干扰(信道内干扰),或是遇到使用相近频率的用户的干扰(信道间干扰),提出了采用两阶段检测器,这个检测器并不复杂,但能消除大部分的信道内干扰和部分的信道间干扰。     

超短波跳频信号的侦察方案探讨

随着跳频通信的使用日益广泛，外军装备跳频电台的数量日益增多，对宽带范围内跳频信号的侦察已迫在眉睫。针对现代超短波跳频信号的侦察，本文提出了跳频信号侦察的一种方案——软件无线电台，接着简要地介绍了压缩接收机、信道化接收机、声光接收机、FFT数字接收机的优缺点，最后提出了两种新的组合侦察方案，并对最后一种侦察方案进行了实验研究。     

快速跳频多址信号的检测

对码分多址（ＣＤＭＡ）信号的检测常会遇到使用相同载波频率的系统用户的干扰（信道内干扰），或是遇到使用相近频率的用户的干扰（信道间干扰）。提出了采用两阶段检测器，这个检测器并不复杂，但能消除大部分的信道内干扰和部分的信道间干扰。     

基于WVD改进算法的跳频信号参数估计

针对平滑伪维格纳分布(SPWVD：Smoothed Pseudo Wigner Ville Distribution)在跳频信号参数估计中存在的分辨率下降和运算量过大等问题,提出基于STFT(Short-Time Fourier Transform)与WVD(Wigner-Ville Distribution)的联合算法(STFT-WVD),实现了跳频周期、跳变时刻和跳频频率等参数的盲估计。在参数估计的过程中,STFT WVD算法有效地抑制了WVD的交叉干扰项,保持了WVD较高的时频分辨率,在运算量上和WVD相近,没有增加运算的复杂程度。仿真实验证明,STFT-WVD比SPWVD具有更好的整体性能,在信噪比优于－1 dB时,能得到更为精准的估计值。     

基于频率微分属性的跳频信号参数估计

提出了一种基于跳频频率变化微分属性,能够估计跳周期、跳变时刻和跳频频率的特征参数方法.与传统平滑伪维格纳分布最大值序列算法相比,该方法增强了跳变时刻信号检测的可靠性,提高了参数估计的精度.仿真结果和性能分析表明了算法的有效性和实用性.     

基于S方法熵测度优化的跳频信号参数估计

提出一种S方法结合熵测度优化进行跳频信号参数估计的新方法.该方法在获取信号优化时频分布的基础上,基于时频平面设计参数估计算法,可以在不需要任何先验知识的情况下,估计出跳频周期、跳变时刻和跳频频率等参数.另外,在高斯噪声环境下对分析结果进行了仿真.结果表明,该方法对跳频信号的参数估计优于其他时频分析方法,减小了参数估计的偏差和估计方差,而且优化过程的复杂性也有所降低.     

基于改进EASI算法的多跳频信号盲源分离

为了有效地解决多跳频信号的盲源分离问题,提出了一种变步长的EASI(Equivariant Adaptive Separation via Independence)盲源分离算法。该算法在传统EASI算法的等变化性基础上,用性能指标(串音误差)作为准则,通过改变函数的取值范围及形状,自适应更新步长,使其在一个固定小的范围内,达到算法收敛速度和稳定性能的一个较理想的平衡点,改善了当步长固定时存在的缺陷。经过实验仿真,证明该算法对步长有很好的调整能力,性能稳定且收敛速度较快,能很好地将多个跳频信号进行分离,较传统的EASI算法有更高的适用性。     

一种基于独立分量分析的变速跳频信号盲分离方法

针对当前跳频信号盲分离算法计算量大,精确度不高的问题,结合变速跳频信号采用不断加快的跳速和“跳速多变”的策略,提出了一种利用信源间的独立性解决变速跳频信号盲分离问题的方法。同时,采用负熵最大化寻优算法加快了传统独立分量分离算法运算速度。通过仿真实验与处理实际数据结果表明：与其他方法相比,该方法在不需要任何先验信息的条件下,可以在低信噪比的情况下较好地分离出各个变速跳频信号,同时能够精确恢复出变速跳频信号的跳频图案,在20 dB信噪比的情况下,分离后相似系数可以达到99%。该研究为变速跳频信号盲分离问题提供一个新的解决途径。     

基于CNN的粒子滤波目标跟踪算法研究

针对复杂场景下目标跟踪算法存在的跟踪目标丢失漂移等问题,提出一种粒子滤波框架下基于卷积神经网络（convolutional neural network,CNN）的目标跟踪算法.该算法采用CNN提取跟踪目标的高层语义特征,并引入离线训练方式,提高训练效率以及特征提取的泛化能力;利用粒子滤波算法框架,实现目标运动状态的有效估计;同时采用长时与短时两种更新策略,并引入困难样本挖掘的在线训练方式,以适应目标外观变化与背景干扰等复杂情况.仿真实验结果表明本文算法能有效适应遮挡、光照、剧烈运动等场景.与多个当前的跟踪算法在公开测试样本下进行了结果比较和分析,验证了本算法在解决跟踪目标丢失漂移等问题上的有效性.      

基于卷积神经网络的钳剪工具痕迹识别

钳剪工具痕迹识别对法庭审判和侦查破案有着重要的参考价值,是物证分析识别的重要组成部分。针对该类工具种类繁多,现场痕迹复杂多样的特点,本文提出了一种基于卷积神经网络识别的钳剪痕迹分析方法。使用断线钳、线缆钳等10类常用钳剪工具,采集制作了300枚钳剪样本,在此基础上对特征区域进行录制,共200余段视频,提取钳剪痕迹特征图像共120 000张。提出TpsNet,以钳剪断头的侧面图片为识别分类对象,通过图片的分类实现对钳剪痕迹的分析识别。结果表明,TpsNet模型在钳剪痕迹数据集上的分类精度达到97.56 %,可作为钳剪痕迹分析与识别的重要依据。     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

基于信号重构的伪随机跳频引信信号处理技术

针对多普勒失配引起的伪随机跳频引信定距精度差及工程实现难度大的问题,提出了一种基于信号重构的伪随机跳频引信信号处理方法.首先利用发射信号重构一组用于匹配滤波的本地参考信号,然后将这组信号分别与目标回波信号进行相干积累,当其中任一通道相关值超过预设门限时,即可判为定距成功.仿真实验结果表明,该算法能够对目标区域进行精确探测,有效地解决了伪随机跳频引信多普勒失配引起的定距精度差、虚警概率高等问题.     

基于卷积神经网络的脑电信号分类

针对现有卷积神经网络脑电信号(electroencephalogram,EEG)分类模型分类精度低、方法复杂且耗时的问题,对卷积神经网络的卷积层进行了改进,提出了多尺度卷积核卷积神经网络(convolutional neural networks,CNN)脑电分类模型,并在输入数据前加了系数矩阵,该系数矩阵可以随网络的训练逐步更新,代替了手工提特征再送入网络的步骤,有助于提高分类精度。最终本文的脑电分类模型在高原脑电信号的分类实验中,二分类准确率比改进前提高8%,三分类、四分类准确率分别达到92.87%、81.15%,分类准确率较高,对脑电信号的分类具有较高的参考价值。     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

一种样点缺失条件下的跳频信号参数估计方法

在样点随机缺失条件下研究跳频信号参数估计问题具有现实意义。 针对样点缺失条件下线性时频分析方法失效的问题, 提出了一种基于正交匹配追踪(orthogonal matching pursuit, OMP) 和卡尔曼滤波(Kalmanfilter,KF) 的跳频信号参数实时估计方法。 该方法对信号加滑动窗, 将窗内样点随机缺失建模为一个信号稀疏表示问题, 傅里叶正交基作为过完备字典, 利用 OMP 直接估计窗内信号频率而不需要恢复信号。 KF 针对估计得到的信号频率进行平滑, 当频率跳变时, KF 的频率预测值将严重偏离历史值和频率估计值, 偏离程度作为跳变时刻估计的依据。 仿真结果和对比实验表明, 在样点没有缺失时, 该方法具有更优的跳频信号参数估计性能, 在滑动窗长足够并满足信号稀疏度要求时, 即使在样点缺失的条件下, 依然可以获得有效的跳频信号参数估计结果。