深度特征选择网络在雷达信号识别中的应用

在现有的雷达辐射源信号识别研究中,传统人工提取到的特征虽具有较为良好的物理表征,但特征中还存在冗余、噪声特征,而通过深度神经网络虽可以挖掘到对信号更深层次的表达,但其特征存在的“黑箱”难以解释性无法避免.结合人工特征良好的物理表征性和深度学习强大的学习能力,本文提出将一种深度特征选择网络（DFS,Deep Feature Selection）应用到雷达信号识别技术中.DFS通过在深度神经网络的输入层和第一隐藏层之间增添一对一层,获取针对每维特征与分类相关性度量得到的权值,以此权值作为衡量标准,加强敏感特征的输入影响,削弱冗余、噪声特征的输入影响,提高分类准确率.方法先对雷达信号提取复杂度特征、小波脊频级联特征、信息熵特征,合并建立原始特征集,利用DFS进行学习训练,以达到在输入级别实现特征选择的目的.本文已利用上述方法对5类辐射源信号进行仿真实验,识别效果良好,验证了方法有效.     

类内类间距离在CNN识别心拍类中的应用研究

心脏疾病严重威胁人类身体健康，心电图（Electrocardiogram，ECG）心拍分类对心脏疾病的临床诊断和自动诊断具有重要意义。现有基于深度学习生成的ECG心拍特征虽然优于基于传统方法生成的心拍特征，但是因ECG中各类间存在着严重的数据不平衡问题，致使现有基于深度学习方法生成的心拍特征的性能仍不甚理想。针对这一问题，以卷积神经网络（Convolutional Neural Network，CNN）为基础，在各类心拍等量数据基础上构建能有效表达各类心拍共性信息的共性CNN模型，以共性CNN模型和最小化类内距离最大化类间距离模型为基础，分别在各类心拍数据上构建能有效反映相应心拍类别倾向性信息的类别CNN模型，综合各心拍类别CNN模型的输出进行识别与分类。在MIT-BIH数据库上的实验结果显示，该方法识别分类心拍的各项指标均达到100%，解决了MIT-BIH数据库中ECG四类心拍自动识别分类的问题。     

利用分析和外观模型的混合心电图人体识别方法

为提高心电图(ECG)生物识别对噪声和变化信号的敏感度,优化区分心跳特征,提出一种混合的ECG人体识别方法。联合心跳分析和外观属性,使用Fisher线性判别分析方法从这些属性中获取主要属性,在Fisher空间计算心跳特征,使用时域特征计算ECG特征。在一系列心跳推导时域特征后,通过标准化和缩放ECG信号获取形态学特征。采用最大化类间个体散列与类内个体散列的比率选择最具区分性的特征。实验结果表明,该方法在健康个体组成的大型数据库上的识别准确率为99.24%。当人体处于心率失调的情况下等错误率(EER)为0.76%,处于混合状态时EER为1.31%,验证了该方法具有较好的鲁棒性。     

一种改进的DNN算法在雷达信号分选中的应用

针对深度神经网络能自动学习数据深层特征的优点进行了研究，提出一种基于深度信念网络的信号分选方法，来解决传统雷达信号分选中人工提取特征的耗时、特征冗余等问题。通过堆叠多层的深度模型对原算法进行改进，克服单一模型学习力的不足，对不同信号的本质特征进行深入学习，融合各个深度模型的后验概率进行分类决策，从而进一步提高了信号的识别率。采用改进方法对七种不同类型的雷达信号进行分选识别，并与其他信号分选方法进行对比，实验结果表明，该方法取得了更好的分类效果，展现出较强的学习数据本质特征的能力，从而验证了算法的有效性和优越性。     

基于多类SVM和小波变换的ECG检测、分类算法

提出了一种基于多类SVM和小波变换的ECG检测、分类算法,利用小波变换的时频特性,最大限度地避免了原始ECG信号的各种噪声干扰,有效提取ECG的特征量作为多类SVM的输入训练样本。实验结果表明,将小波变换和SVM相结合,可以有效地将不同病患的ECG信号识别出来。     

一种基于云模型的PSK/QAM信号调制识别方法

通信信号调制识别技术在军事和民用领域都具有重要的应用前景，本对现有的通信信号自动调制识别技术进行了介绍，并提出了一种新的PSK/QAM信号调制识别方法，该方法将重建的接收信号星座图的形状作为调制识别的特征，首先通过聚类方法重建接收信号的星座图，并利用定性定量转换模型——云模型对重建的星座图进行建模，最后利用基于云模型的不确定性推理得到接收信号的调制方式。实验证明该方法是可行的。     

基于深度学习的计算机显示器电磁信息泄漏识别

本文以计算机显示设备泄漏电磁信号为研究对象,对于人工提取特征识别电磁泄漏信号存在的主观性强、特征冗余的问题,区别于传统基于经验的人工特征提取模式,利用人工智能深度学习方法,使用处理图像的深度学习技术应用于电磁信息泄漏特征识别,提出了一种基于卷积神经网络的识别方法.该方法首先提取电磁泄漏信号的时频谱信息作为卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同分辨率来源电磁泄漏信号的识别,识别准确率达到98％,单信号检测时间仅需40 ms,验证了卷积神经网络应用于电磁泄漏信号识别的有效性,为电磁泄漏预警与防护提供了重要依据,为电磁泄漏视频信号还原复现提供有力支撑.     

一种深度小波过程神经网络及在时变信号分类中的应用

针对多通道非线性时变信号分类问题,提出一种基于稀疏自编码器的深度小波过程神经网络(SAE-DWPNN)。通过构建一种多输入/多输出的小波过程神经网络(WPNN),实现对时变信号的多尺度分解和对过程分布特征的初步提取;通过在WPNN隐层之后叠加一个SAE深度网络,对所提取的信号特征进行高层次的综合和表示,并基于softmax分类器实现对时变信号的分类。SAE-DWPNN将现有过程神经网络扩展为深度结构,同时将深度SAE网络在信息处理机制上扩展到时间域,扩展了两类模型的信息处理能力。该网络可提取多通道时序信号的分布特征及其结构特征,并保持样本特征的多样性,提高了对信号时频特性和结构特征的分析能力。文中分析了SAE-DWPNN的性质,给出了综合训练算法。以基于12导联ECG信号的7种心血管疾病分类诊断为例,实验结果验证了模型和算法的有效性。     

深度稀疏自编码器在ECG特征提取中的应用

针对心电（ECG）信号智能分析模型中,复杂波形的特征提取困难,人工设计特征造成源信号特征丢失,标签样本不足等问题,提出了一种基于深度稀疏自编码器（Deep Sparse Auto-Encoders,DSAEs）的ECG特征提取方法。该方法在DSAEs进行贪婪逐层训练时,采用适应性矩阵估计（Adaptive moment estimation,Adam）对网络权重进行寻优,以此获得最优参数组合,同时提取出高层隐含层的输出,并作为ECG高度抽象的低维特征。最后利用支持向量机（Support Vector Machines,SVM）构建分类模型,完成对ECG的特征分类。使用MIT-BIH心律失常数据库的ECG数据进行仿真实验,结果表明,提出的ECG特征提取方法能有效地分层抽取特征,提高分类识别准确率。     

小波变换和支持向量机相融合的ECG身份识别

为了提高心电图（ECG）信号的身份识别正确率,提出一种小波变换和支持向量机相融合的ECG身份识别方法（IWT-ABC-SVM）。采用一种小波阈值函数对ECG进行去噪处理,提取ECG特征,将ECG特征输入到支持向量机中进行学习,采用人工蜂群算法优化支持向量机参数,建立ECG的身份识别模型,采用MIT-BIH心电图数据进行仿真测试。仿真结果表明,相对于其他识别方法,IWT-ABC-SVM提高了ECG身份识别的正确率和可靠性。     

融合多模态数据的人体动作识别方法研究

基于多模态融合的人体动作识别技术被广泛研究与应用,其中基于特征级或决策级的融合是在单一级别阶段下进行的,无法将真正的语义信息从数据映射到分类器。提出一种多级多模态融合的人体动作识别方法,使其更适应实际的应用场景。在输入端将深度数据转换为深度运动投影图,并将惯性数据转换成信号图像,通过局部三值模式分别对深度运动图和信号图像进行处理,使每个输入模态进一步转化为多模态。将所有的模态通过卷积神经网络训练进行提取特征,并把提取到的特征通过判别相关分析进行特征级融合。利用判别相关分析最大限度地提高两个特征集中对应特征的相关性,同时消除每个特征集中不同类之间的特征相关性,将融合后的特征作为多类支持向量机的输入进行人体动作识别。在UTD-MHAD和UTD Kinect V2 MHAD两个多模态数据集上的实验结果表明,多级多模态融合框架在两个数据集上的识别精度分别达到99.8%和99.9%,具有较高的识别准确率。     

基于改进遗传模拟退火 K-means的心电波形的分类研究

针对心电图自动诊断困难这一问题,提出了一种新的聚类算法：基于均方差属性加权的遗传模拟退火K-means改进聚类算法,用于改进心电图（ECG）信号的自动识别技术。利用小波变换的多分辨率和抗干扰能力好的特点,检测QRS波、P波、T波,提高了特征检测的准确性;利用聚类分析具有较好的鲁棒性和适合于大数据量分析的特点,对心电信号进行波形分类。采用MIT-BIH标准心电数据库中的部分数据对识别结果进行判断,改进后的K-means聚类算法的准确率高于传统的K-means聚类算法,实验表明该算法对心电信号可以进行有效分类。     

新型雷达辐射源识别

目的 雷达辐射源识别是指先提取雷达辐射源信号特征,再将特征输入分类器进行识别。随着电子科技水平的提高,各种干扰技术应用于雷达辐射源信号中,使得信号个体特征差异越来越不明显,仅靠传统的模板匹配、分类器设计、决策匹配等辐射源识别技术难以提取信号可辨性特征。针对这一问题,利用深度学习良好的数据解析能力,提出了一种基于卷积神经网络的辐射源识别方法。方法 根据雷达辐射源信号的特点,对未知辐射源信号提取频域、功率谱、信号包络、模糊函数代表性切片等传统域特征,从中获得有效的训练样本特征集合,利用卷积神经网络自动获取训练样本深层个体特征得到辐射源识别模型,将其用于所有测试样本中,获得辐射源识别结果。结果 在不同域特征下对卷积神经网络的识别性能进行测试实验,并将本文方法与基于机器学习和基于深度强化学习的深度Q网络模型（depth Q network,DQN）识别算法进行对比,结果表明,当卷积神经网络的输入为频域特征时,本文方法的识别准确率达100%,相比支持向量机（support vector machine,SVM）提高了0.9%,当输入为模糊函数切片特征和频域时,本文方法的平均识别准确率与SVM模型、极限学习机（extreme learning machine,ELM）分类器和DQN算法相比,分别提高了16.13%、1.87%和0.15%。结论 实验结果表明本文方法能有效提高雷达辐射源信号的识别准确率。     

基于深度残差网络的实时无线电信号监测研究

针对无线电信号监测中传统信号识别与监测方法精度低、可拓展性差、依赖专家特征、难于应用到真实环境中等问题,设计了一种利用深度残差网络结合软件无线电技术进行信号监测的系统。软件无线电技术的可重配置特点使研究人员可以在同一平台部署不同的应用;深度残差网络在调制识别领域的应用展现了出色的性能。但是,很少有研究人员将训练好的调制识别模型直接部署到真实环境中。创新地将深度残差网络与硬件平台结合起来,利用GNU Radio的自定义模块功能,将残差网络嵌入到软件无线电设备中,克服了传统信号部署困难的缺点,证实了残差网络与软件无线电结合的可行性,设计了一种实时信号监测系统,在认知电子战、通信对抗、非协作通信等领域具有重要的应用价值。实验表明,该系统具有实时性强、识别准确率高、易拓展的特点。     

基于深度学习的场景识别方法综述

随着深度学习的快速发展,基于深度学习的场景识别方法逐渐取代传统的基于手工特征的场景识别方法,成为未来研究的主要方向。针对基于深度学习的场景识别方法,对基本思想进行了总结,将其大体分为以下四类：深度学习与视觉词袋结合场景识别法、基于显著部分的场景识别法、多层特征融合场景识别法、融合知识表示的场景识别法,分析了各个方法的特点及局限性,并对识别效果进行了比较,最后对未来研究方向进行展望。     

基于Bi LSTM-CTC的语音识别系统研究

传统模型较难识别出数量庞大的数据，为了提高对日语语音识别系统的准确率，此次研究综合了语音识别与深度学习的基本理论。在此基础上，提出使用Fbank特征作为声学模型的输入特征，构建了基于双向长短期记忆网络(Bi-directional Long-Short Term Memory, BiLSTM)的日语语音识别系统。结果表明，预加重后的日语语音信号能量变化幅度在-35 dB至0 dB的范围内，频谱分布更加平衡。在经过多轮次训练后，BiLSTM-CTC模型的词错率比其他两种模型分别低了11.03%、3.63%,具有更加优越的性能。在使用Fbank特征时，研究模型的词错率比使用梅尔倒谱系数(Mel-scaleFrequency Cepstral Coefficients, MFCC)特征时低。这表明采用Fbank特征能够提高日语语音识别的精度。此次研究不仅对深度学习技术的发展提供重要的理论，还对以深层神经网络为基础的语音识别具有重要的现实意义。     

基于Darknet网络和YOLOv3算法的船舶跟踪识别

针对我国沿海与内陆水域区域视频监控处理存在实际利用率低、误差率大、无识别能力、需人工参与等问题，提出基于Darknet网络模型结合YOLOv3算法的船舶跟踪识别方法实现船舶的跟踪并实时检测识别船舶类型，解决了重要监测水域船舶跟踪与识别问题。该方法提出的Darknet网络引入了残差网络的思想，采用跨层跳跃连接方式以增加网络深度，构建船舶深度特征矩阵提取高级船舶特征进行组合学习，得到船舶特征图。在此基础上，引入YOLOv3算法实现基于图像的全局信息进行目标预测，将目标区域预测和目标类别预测整合于单个神经网络模型中。加入惩罚机制来提高帧序列间的船舶特征差异。通过逻辑回归层作二分类预测，实现在准确率较高的情况下快速进行目标跟踪与识别。实验结果表明，提出的算法在30 frame/s的情况下，平均识别精度达到89.5%，与传统以及深度学习算法相比，不仅具有更好的实时性、准确性，对各种环境变化具有较好的鲁棒性，而且可以识别多种船舶的类型及其重要部位。     

深度学习及其在目标和行为识别中的新进展

深度学习是机器学习中的一个新的研究领域。通过深度学习的方法构建深度网络来抽取特征是目前目标和行为识别中得到关注的研究方向。为引起更多计算机视觉领域研究者对深度学习进行探索和讨论,并推动目标和行为识别的研究,本文对深度学习及其在目标和行为识别中的新进展给予了概述。本文先介绍深度学习领域研究的基本状况、主要概念和原理;然后介绍近期利用深度学习在目标和行为识别应用中的一些新进展;最后阐述了深度学习与神经网络之间的关系,深度学习的优缺点,以及目前深度学习理论需要解决的主要问题。这对拟将深度学习应用于目标和行为识别的研究人员应有所帮助。     

深度学习在无线电信号调制识别中的应用综述

无线电信号的调制识别在无线电监测及频谱管理中有着至关重要的作用。人工神经网络中的深度学习网络由于具有强大的表征学习能力,可以自动从原始数据中提取出各种复杂的特征,因此,探索基于深度学习的无线电信号调制识别是目前无线电监测领域主要的发展趋势之一。介绍了深度学习在无线电信号调制识别中的一些应用成果及存在的问题。结合工作的实际需求,对深度学习在无线电信号调制识别中提出了一些展望,如进一步提高识别范围和在低信噪比下的识别率;寻求新型深度学习调制识别混合架构。     

基于图神经网络和注意力的双模态情感识别方法

针对生理信号情感识别问题，提出一种基于图神经网络（GNN）和注意力的双模态情感识别方法。首先，使用GNN对脑电（EEG）信号进行分类；然后，使用基于注意力的双向长短期记忆（Bi-LSTM）网络对心电（ECG）信号进行分类；最后，通过Dempster-Shafer证据理论融合EGG和ECG分类结果，从而提高情感识别任务的综合性能。为验证所提方法的有效性，邀请20名受试者参与情感激发实验，并收集了受试者的EGG、ECG信号。实验结果表明，所提方法的二分类准确率在valence维度和arousal维度分别为91.82%和88.24%，相较于单模态EEG方法分别提高2.65%和0.40%，相较于单模态ECG方法分别提高19.79%和24.90%。可见，所提方法能够有效地提高情感识别的准确率，为医疗诊断等领域提供决策支持。