基于多分类器投票组合的语音情感识别

为了提高语音情感的正确识别率,提出一种基于多分类器投票组合的语音情感识别新方法.在提取情感语音的韵律特征和音质特征基础上,利用投票方法将支持向量机、K近邻法和人工神经网络三种分类器构成组合分类器,实现对汉语生气、高兴、悲伤和惊奇4种主要情感类型的识别.实验结果表明,与使用单一分类器相比,组合分类器对语音情感的识别取得了87.4%的平均正确识别率,识别效果优于单一分类器.     

基于支持向量机的雷达欺骗性干扰类型识别

本文把雷达目标回波信号和欺骗干扰信号纳入到统一框架下进行分析,提取了基于原子分解理论的特征及时延和频偏匹配度特征。最后利用支持向量机（Support Vector Machine,SVM）分类器,对雷达接收信号进行了分类识别。仿真结果验证了该方法不仅可以有效检测欺骗干扰信号的存在,还可以识别欺骗干扰信号的类型。     

卫星通信干扰信号的识别研究

文章就几种常见的卫星干扰信号,对其进行MATLAB仿真实验,依据不同干扰信号的特点,从其时域、频域等方面分析各种干扰类型的分类依据,提取、构造各种干扰类型的有效识别参数,采用基于统计判决的模糊模式识别算法,进行仿真分析。实验表明,本文提取构造的参数得到了较高的识别率,为干扰信号的识别提供理论基础,具有重要意义。     

低信噪比下的数字调制信号自动识别

提出了一种基于神经网络的数字调制信号识别。首先利用升余弦滤波器滤波,然后提取了5个用于识别的特征参数,利用神经网络分类器进行数字凋制识别。神经网络分类器采用了多层组合的神经网络分类器,不需要设定判决门限,而且在收敛速度、训练时间以及识别率方商都有很大改进。仿真结果表明,在信噪比大于4dB时,系统的正确识别率可达95％以上。这种低信噪比下快速有效的调制识别方法易于实时应用和工程实现。     

一种实验型雷达干扰信号自动识别系统

描述了一种软、硬件结合的实验型雷达干扰信号自动识别系统。该系统由高速大容量数据采集器在非相干雷达视频端实时录取数据，由微处理器完成干扰信号特征抽取、模式库建立以及分类识别。用实地录取的海杂波及三种常见有源压制式噪声对干扰数据调频。针对这四类干扰信号在系统中进行了分类识别。识别结果表明：该系统具有较高的正确识别率。     

直扩系统中基于SVM的干扰自动分类识别方法

针对实际直接序列扩频系统中的干扰类型总是未知的,难以采用相应的干扰抑制措施有效提高系统性能的问题,提出了直接序列扩频系统中基于支持向量机的干扰自动分类识别方法。首先对直扩系统中八种主要干扰情况进行干扰信号建模;然后分别从时域、频域和时频域提取待识别干扰信号的特征参数;最后使用决策树支持向量机构造了一个5级干扰自动分类识别系统,实现了干扰信号的自动分类识别。仿真结果表明,干信比大于等于9dB时,分类器可以准确识别干扰类型。      

结合音质特征和韵律特征的语音情感识别

为了提高语音情感的正确识别率,在情感语音韵律特征的基础上,提出情感语音音质特征的提取.结合音质特征参数和韵律特征参数,采用支持向量机分类器实现汉语普通话生气、高兴、悲伤和惊奇四种主要情感类型语音的情感识别.实验结果表明,语音音质特征参数和韵律特征参数相结合取得的情感平均正确识别率为88.1%,比单独使用韵律特征参数高出6%.可见,语音音质特征是一种较有效的情感特征参数.     

基于分形和测度理论的信号调制识别

为提高信号调制识别的能力 ,提出了一种以最直接、最直观的信号波形的复杂度 -分形维数为特征 ,并运用测度理论来组合多个在小信噪比范围内对通信信号调制类型有较高识别率的分类器 ,从而实现大信噪比范围内识别率明显改善的新方法 ,同时 ,应用该方法也可简化单个分类器的设计 ,提高分类识别效率。计算机模拟结果证实了此方法的有效性     

基于分形和测试理论的信号调制识别

为提高信号调制识别的能力,提出了一种以最直接、最直观的信号波形的复杂度-分形维数为特征,并运用测试理论来组合多个在小信噪比范围内对通信信号调制类型有较高识别率的分类器,从而实现大信噪比范围内识别率明显改善的新方法,同时,应用该方法也可简化单个分类器的设计,提高分类识别效率。计算机模拟结果证实了此方法的有效性。     

一种基于随机森林的LOS/NLOS基站识别方法

蜂窝移动通信环境复杂多变,在基站和移动台之间不可避免会出现电波的非视距（Non-Line-of-Sight,NLOS）传播,使基站和移动台之间的距离测量误差显著增大,导致定位性能急剧下降。为了准确识别出视距（Line-of-Sight,LOS）与非视距传播的基站信号,提出了一种基于随机森林的LOS/NLOS基站识别方法,通过分析移动台与各基站接收机测量距离与定位误差之间的相关性,选择LOS/NLOS测量距离作为特征进行分类器训练,再将分类器用于LOS/NLOS基站的识别。仿真结果表明,该方法对NLOS基站的正确识别率达到90%以上,能取得较好的定位性能。     

GPS接收机空时抗干扰降维处理方法研究

在GPS接收机空时抗干扰的研究过程中,计算量大是目前主要的瓶颈,因此研究降维简化处理算法成为空时处理最关键的问题之一。在已给空时二维自适应滤波模型的基础上,通过对降维处理思想的分析,提出了一种基于多级维纳滤波(MWF)模型的改进方法——简化多级维纳滤波方法,并与一般的降维方法进行了均方误差(MSE)性能分析,仿真试验验证了该方法的有效性。     

TD—SCDMA系统中GPS失步对网络性能的影响

时分一同步码分多址（TD—SCDMA）系统中经常会出现全球定位系统（GPS）信号被干扰或者遮挡，导致搜索不到GPS卫星后同步失效的现象。长期同步失效会导致基站间出现定时偏差，定时偏差过大将影响手机搜索邻区、小区切换、DwPTS对上行导引肘隙（UpPTS）的干扰等。这些将进一步影响网络质量，造成切换失败、切换掉话、呼通率下降，严重影响用户在网络中的感受。研究发现GPS失步4码片（chip）以上时，网络质量出现显著下降；GPS失步10chip以上时，出现手机搜不到邻区；在GPS失步16chip以下时，DwPTS对UpPTS的干扰在GPS失步小区的第一、第二圈小区表现不明显。研究结果表明：为了不影响网络性能，TD—SCDMA系统允许的GPS失步最大定时偏差为4chip。     

基于一维匹配滤波的SAR目标识别

为克服合成孔径雷达(SAR)目标位置和姿态不确定性对识别性能的影响,提出了一种基于一维匹配滤波的SAR目标识别方法。基于姿态估计对目标图像进行预处理,基于一维匹配滤波定义两样本图像间的相似度或距离,并采用最近邻分类器。在MSTAR公开数据集上进行了实验,已知和未知目标姿态情况下的识别率分别达到98.8%和98.2%。实验结果表明,所提出的方法性能优于支持向量机(SVM)方法。     

基于CS-C-SVM的多参数GNSS欺骗干扰检测

欺骗通过传输虚假的全球导航卫星系统（global navigation satellite system, GNSS）信号使接收机解算出错误的位置、速度和时间,具有很大的危害性,因此检测到欺骗干扰是十分必要的。传统的利用单一参数检测欺骗干扰的方法存在一定的局限性,然而欺骗过程会引起一系列参数的变化,本文提出综合利用多个参数的检测方法,即将多个参数作为C-支持向量机（C-support vector machine, C-SVM）的特征输入并构建用于检测欺骗干扰的分类器。考虑到使用传统网格搜索（grid search, GS）优化后的C-SVM算法（GS-C-SVM）容易陷入局部最优继而降低分类器的性能,文中提出利用布谷鸟搜索（cuckoo search, CS）算法优化C-SVM（CS-C-SVM）,仿真实验结果表明该方法可以进一步提高分类准确率并降低虚警率。      

基于卷积神经网络联合多域特征提取的干扰识别算法

干扰识别技术是智能抗干扰通信系统中的关键技术,通过对接收信号中干扰类型的准确判别,可为无线通信系统生成最佳的抗干扰方式提供决策依据。针对无线通信系统中典型压制式干扰的识别问题,本文提出了一种基于卷积神经网络联合多域特征提取（Convolutional Neural Network-based Joint Multi-Domain Feature Extraction,CNN-JMDFE）的干扰识别算法,通过CNN同时对两种预处理增强的数据对象:时频图像与频域序列提取干扰特征,有效利用了两种数据对象的优势,提升了干扰识别性能。仿真结果表明,在对于包含动态和参数随机的干扰识别场景下,CNN-JMDFE算法在干噪比（Jamming-to-Noise Ratio,JNR）≥-2 dB时可准确识别14种类型的干扰,识别性能明显优于基于时频图像或频域序列单一数据对象的基于卷积神经网络自动特征提取（Automatic Feature Extraction-based Convolutional Neural Network,AFE-CNN）算法;与传统的人工特征提取的深度神经网络（Manual Feature Extraction-based Deep Neural Network,MFE-DNN）相比,本文算法显著提升了在低JNR下分类准确率,增强了干扰特征的抗噪性能;对于复合干扰,本文算法同样可取得良好的分类效果,当JNR≥0 dB时可准确分类10种复合干扰。      

GPS信号和其干扰的Matlab仿真

文中主要以Matlab为平台,对GPS信号的信号结构(数据信号,C/A码)、GPS的多种干扰方式进行仿真,并分析了不同干扰的干信比与误码率关系。     

跳频通信中阻塞干扰样式的自动识别

对跳频通信系统所处的干扰环境进行分析,可以使通信双方针对不同的干扰选择正确的抗干扰措施,对于跳频通信系统,跟踪干扰和阻塞干扰是非常有效的干扰方法。现有的干扰抑制算法只对某一类型的干扰有效,在干扰抑制之前,需要对干扰类型进行识别。本文以 FH-GMSK （frequency hopping-gaussian filtered minimum shift keying）通信系统为载体,对跳频通信中常见的阻塞干扰样式识别进行了研究,从接收信号中联合提取干扰的时域、频域和时频域特征,得到了一组稳定性好、对识别信噪比不敏感的特征参数,在不需要干扰先验知识的情况下对FH-GMSK通信系统中常用的阻塞干扰样式进行自动识别。仿真结果表明,对于跳频通信中常见的阻塞干扰信号,本方法在不同识别信噪比的情况下能获得很高的正确识别率。     

一种2DDCT与压缩感知结合的人脸识别

针对压缩感知(Compressed Sensing,CS)方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,计算复杂等缺点,提出二维离散余弦变换(2DDCT)和压缩感知(Compressed Sensing,CS)相结合的人脸识别方法。新方法首先利用2DDCT将图像变换到频域,压缩人脸图像以去掉人眼不敏感的中频分量与高频分量,这样有效降低了所需特征的维数,减少了计算量;然后通过感知算法进行特征提取得到人脸识别特征,最后运用最近邻分类器完成人脸的识别。在ORL、Yale及Feret人脸数据库的实验结果证明了该算法的有效性与稳健性,特别是在YaleB人脸数据库运用该方法得到了很好的试验结果。     

基于LS-SVM的辐射源分类

文中主要研究了基于LS-SVM（最小二乘支持向量机）算法的MSK辐射源分类。结合MSK信号特点,利用交叉验证和网格搜索法确定参数,设计了三种编码方案的多类分类器。计算机仿真结果表明：该分类器的识别率达到95％以上,从而验证了该辐射源分类器的有效性和可行性。     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。