基于熵特征的雷达辐射源信号识别

针对现有方法识别率低和没有考虑噪声影响的问题, 提出一种新的雷达辐射源信号识别方法. 将近似熵(ApEn)和范数熵(NoEn)构成特征向量, 用神经网络分类器实现自动分类识别. ApEn是定量描述信号复杂性和不规则性的有效测度, NoEn是定量表征信号能量分布的有效参数. 理论分析和实验结果表明, 熵特征类内聚集性强、类间分离度大, 在较大信噪比范围内均能获得非常满意的正确识别率, 证实了所提出方法的有效性.     

快速TFAD在雷达辐射源信号中的应用

计算复杂度高是制约时频原子分解算法在信号处理中应用的主要问题,文中提出了一种基于粒子群算法(PSO)的时频原子分解快速算法,该方法在过完备Chirp原子库的基础上,采用时频原子分解算法分解信号,并通过PSO算法降低时频原子分解算法搜索过程的计算复杂度,提高信号处理效率.对雷达辐射源信号的仿真实验结果表明,该方法与传统的时频原子分解算法相比计算速度大幅提高,且用在数量上比Gabor少的Chirp原子刻画出信号的主要时频特征.     

满意特征选择及其应用

实际应用中的特征选择是一个满意优化问题.针对已有特征选择方法较少考虑特征获取代价和特征集维数的自动确定问题,提出一种满意特征选择方法(SFSM),将样本分类性能、特征集维数和特征提取复杂性等多种因素综合考虑.给出特征满意度和特征集满意度定义,设计出满意度函数,导出满意特征集评价准则,详细描述了特征选择算法.雷达辐射源信号特征选择与识别的实验结果显示,SFSM在计算效率和选出特征的质量方面明显优于顺序前进法、新特征选择法和多目标遗传算法.证实了SFSM的有效性和实用性.     

一种新量子遗传算法及其应用

提出一种新量子遗传算法(NQGA),其核心是采用量子比特相位比较法更新量子门和自适应调整搜索网格的策略,NQGA具有收敛速度快、全局寻优能力强和计算时间短的特点.文中通过典型复杂函数测试和应用实例表明,NQGA的优化质量和效率都优于传统遗传算法.     

深度神经网络的小样本学习综述

随着最近深度学习技术的蓬勃发展,深度神经网络（DNN）在大规模的图像分类与识别任务中取得了突破性的进展,但其在解决小样本学习问题时仍面临巨大挑战。小样本学习（FSL）是指在少量有监督样本的情况下学习一个能解决实际问题的模型,在深度学习领域具有重要意义。这促使该系统梳理了已有的DNN下的小样本学习工作,根据它们在解决小样本学习问题时所采用的技术,将DNN下的小样本学习解决方案分为四种策略：数据增强、度量学习、外部记忆、参数优化。根据这些策略,对现有的DNN下的小样本学习方法进行了全面的综述,同时总结了每一种策略在相关基准上的表现。强调了现有技术存在的局限性并对其未来的发展方向进行了展望,为今后的研究工作提供参考。     

快速时频原子方法在辐射源信号中的应用

计算复杂度高是制约时频原子分解算法在信号处理中应用的主要问题,由此,本文提出一种基于混沌粒子群算法的时频原子分解快速算法。在过完备Chirp原子库的基础上,采用时频原子分解算法分解信号,并利用混沌初始化粒子的初始位置,采用粒子群算法降低时频原子分解算法搜索过程的计算复杂度,提高信号处理效率。对雷达辐射源信号的仿真实验结果表明,该方法与传统的时频原子分解算法相比计算速度大幅提高,且用在数量上比Gabor少的Chirp原子刻画出信号的主要时频特征。     

基于EMD分解的BPSK信号编码序列识别算法

经验模式分解原理的基础上提出了一种识别二相编码信号码元序列的新算法.谈方法首先使用经验模式分解提取反映信号相位跳变规律的逐步波动特征,在此基础上,对波动特征进行相位(π)归一化并提出相位段个数搜索算法估计二相编码信号的编码序列.理论分析和仿真表明,该方法能有效地估计二相编码信号的脉内编码序列,当信噪比不低于8 dB时,可获得91%以上的正确码元识别率.     

快速TFAD在雷达辐射源信号分析中的应用

计算量过大是制约时频原子分解算法在信号处理中应用的主要原因.针对这一问题,提出了一种基于改进量子遗传算法的快速时频原子分解算法.该方法在自适应匹配能力强的Chirp原子库的基础上,利用改进量子遗传算法快速寻找能够表示雷达辐射源信号特征信息的最佳时频原子,从而降低时频原子分解算法的计算复杂度.对雷达辐射源信号的仿真实验结果表明,该方法比传统的时频原子分解算法计算速度大幅度提高,计算量减小,而且重构信号时频图时频聚集性好,并有一定的抗噪性能.     

一种改进的遗传量子算法及其应用

针对遗传量子算法(0QA)在优化连续多蜂函数时易出现早熟现象，本文提出一种改进的遗传量子算法(IGQA)，其核心是在量子门更新过程进行改进的基础上，引入群体灾变和自适应搜索网格的策略。通过典型函数测试和FIR数字滤波器设计实例表明，IGQA的性能优于GQA和其它几种遗传算法，具有比GQA更快的收敛速度和更好的全局寻优能力，能有效地克服早熟现象。     

基于优化最小二乘支持向量机的负荷预测

针对交叉验证法确定LS-SVM参数存在盲目性的问题,提出了一种自动选择正规化参数和核参数,建立负荷预测模型的方法。该方法把参数选择问题转化为优化问题,采用全局寻优能力强、收敛速度快的量子遗传算法,自动寻找最小二乘支持向量机的最优参数并建立负荷预测模型。