基于卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征耗时长、特征不明显等问题,提出一种基于深度学习卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别方法.该方法通过快速离散分数傅里叶变换提取信号的模糊函数主脊,并将模糊函数主脊极坐标域的二维时频图作为卷积神经网络的输入,实现对不同雷达信号的分选识别.仿真实验结果表明:新方法不仅在信噪比为...     

基于卷积神经网络的无线电信号搜索

针对军事侦察或干扰查找环节解决方案较少、已有方案算法速度慢、准确度低的问题,提出一种采用卷积神经网络的无线电信号快速查找方法.该方法将卷积神经网络应用于无线电监测领域,通过数据预处理、参数训练、信号匹配3个步骤实现信号的快速搜索.实验结果表明:该方法查找速度快,精度达到98%,并且有效减少对信号复杂参数的依赖,在无线电信号快速搜索方面的良好性能.     

MPSK信号调制识别方法

确定MPSK信号的具体调制方式,成为通信对抗所面临的难题之一。阐述了现有的关于MPSK信号调制识别的方法及其优缺点,并分析了国内外MPSK信号的调制识别研究的现状及其发展趋势。     

基于卷积网络和对抗式学习的雷达信号识别算法

针对雷达信号识别中因新信号数据与训练数据的样本差异,导致卷积网络模型识别率下降的问题,提出一种基于卷积网络和对抗学习的雷达信号识别算法,提升模型对新样本的识别率.首先,依据时频变换理论,变换得到雷达信号时域-频域能量分布图像,以表征信号脉内调制特征;然后,结合深度可分离卷积的结构,构建卷积网络模型,并利用样本数据对模型...     

卷积神经网络在飞机类型识别中的应用

为提高现代战争过程中对敌军飞机的识别能力,针对军用飞机样本量少、不同视角条件下形变明显的特点,提出一种融入center loss的卷积神经网络与ANN分类器结合的飞机类型识别方法.首先利用3Dmax软件制作的6000张5类飞机图片对构建的多层CNN模型进行训练,并利用这些图片的CNN特征训练ANN分类器,然后用训练好的网络模型和分类器对真实飞机样本进行预测分类.实验结果表明:在样本量少且目标形状复杂的情况下,该方法对5类军事飞机的识别精度可达到97.17％,是一种切实可行的飞机类型识别算法.     

基于卷积神经网络的路面识别及半主动悬架控制

路面对车辆的平顺性、操纵稳定性有直接影响,实时获取路面信息对提升车辆性能具有重要意义。针对传统路面识别方法中难以精确识别多种路面类型的问题,采用卷积神经网络对路面类型进行识别,并根据不同路面输入下悬架系统的输出响应来调整控制器参数,使可控悬架在不同路面下均保持最优性能。建立车辆1/4半主动悬架模型;搭建卷积神经网络基本结构并通过所采集的4种典型城市和非城市路面图像对网络进行训练以及测试;采用遗传算法求取沥青路、弹石路、砂石路、水泥路4种不同路面激励下悬架的最优控制参数;根据路面识别结果及优化结果实现悬架控制参数的自适应调整。仿真结果表明:基于卷积神经网络的路面识别方法能够对多种路面进行准确识别;基于路面识别和遗传算法的半主动悬架控制系统可根据不同路面类型自适应调整悬架参数,有效提升车辆性能。     

基于卷积神经网络的人脸检测综述

为更好地了解和研究基于卷积神经网络(ccnvolutional neural networks,CNN)的人脸检测,从低图像质量人脸检测和人脸检测系统的性能优化2方面,分析人脸检测所面临的困难并给出其解决方案,总结2015年以来基于卷积神经网络的人脸检测技术的发展进程和方向,对人脸检测任务中的遮挡、尺度、小面部集群、速度、精度以及多任务RPN(multi-task region proposal network)人脸检测等方面进行总结陈述,对未来基于卷积神经网络人脸检测的发展趋势进行预测.     

基于STFT的雷达脉内调制信号类型识别

针对雷达脉内调制信号特征分析中的信号特征提取和自动识别问题,文中提出了一种基于短时傅立叶变换(STFT)的雷达脉内调制信号类型自动识别算法.该算法是在获取信号时频变换规律的基础上,通过频率序列的均方差、序列的自相关,序列的直方图等信息提取了信号的相关特征参数,并利用这些参数的组合作为识别特征对信号类型进行了识别.然后对不同的信号利用该算法做了大量的仿真试验,结果表明该算法简单,运算量小,且对雷达脉内调制信号类型的正确识别率较高.此算法具有一定的实际应用价值.     

融合卷积特征与判别字典学习的低截获概率雷达信号识别

针对低截获雷达信号通常采用人工特征选择,且在低信噪比、样本数量少情况下识别率低的问题,提出一种融合雷达信号时频图像的卷积特征与字典学习识别算法。该算法以表征信号调制方式的时频图像为基础,通过时频变换获得信号的二维时频数据,输入到LeNet-5卷积神经网络中。网络通过美国MNIST数据库手写数据集进行预训练,将预训练后网络中的2～6层网络参数迁移到新的LeNet-5中,取出第6卷积层的数据作为提取的卷积特征。使用判别字典学习方法进行识别。仿真结果表明：通过预训练处理能够加快网络的收敛与优化,有效提取到每类信号的卷积特征;与文献［4］、文献［24］、文献［25］、文献［26］中4种算法相比,利用判别字典学习能够在样本少、低信噪比情况下取得较高的识别率。     

基于卷积神经网络与长短期记忆神经网络的弹丸轨迹预测

针对弹丸非线性轨迹预测问题,提出一种基于卷积神经网络(CNN)与长短期记忆(LSTM)神经网络的混合轨迹预测模型。通过建立6自由度弹丸运动模型,并使用4阶龙格库塔法外弹道仿真,得到大量轨迹数据样本;提出CNN-LSTM神经网络的混合轨迹预测模型,并利用滑动窗口法和差分法构造输入输出的轨迹数据对,将预测问题转化为有监督的学习问题;将所提模型与LSTM神经网络模型、门控循环单元(GRU)神经网络模型和反向传播(BP)神经网络模型在同一数据集下进行仿真实验。研究结果表明,CNN-LSTM神经网络模型预测3 s后的平均累积预测误差在x轴方向约为14.83 m,y轴方向约为20.77 m,z轴方向约为0.75 m,且轨迹预测精度优于单一模型,为弹丸轨迹预测研究提供了一定的参考。     

基于改进卷积神经网络的工频水下磁目标探测

针对工频水下磁目标信号特征提取难、目标数据样本少、识别精度低等问题,提出一种基于深度卷积生成对抗网络(DCGAN)与优化卷积神经网络(CNN)相结合的水下工频磁目标识别方法。该方法通过滑动时间窗将信号由一维时序空间映射到二维灰度值图像,将实测水下磁异常信号利用DCGAN进行数据增强,之后构建卷积神经网络并引入DY-ReLU动态激活函数对CNN网络结构进行优化,以达到对目标信号的分类识别的目的。实验结果表明,经由数据增强的网络模型识别率提高了10%;相较于其他常用的静态激活函数,优化的CNN识别率分别提高了4.5%、4%、3%和2.5%,识别精度达到92.5%。验证了该方法的有效性,为水下磁异常检测提供一种新思路。     

基于小波神经网络的信号识别

信号的分选和识别技术在当今信号处理的系统中占有相当重要的地位.小波分析和神经网络是近年来兴起的一种分析信号方法.文中对二者的结合问题进行了研究.小波空间可以作为信号分类的特征空间,进而可以通过神经网络对信号进行特征识别.小波神经网络是基于小波分析而构造的神经网络模型.在信号调制类型识别中,利用小波伸缩平移把信号分解到不同频道上进行特征提取;把提取的特征信息输入神经网络进行分类.仿真结果表明,利用此方法可以较好的对信号进行分选和识别.     

基于双卷积链的双目人体姿态距离定位识别

现有的基于无人机的目标定位与判别方法往往达不到实用性要求,而采用无人机常用单摄像头采集的图像信息往往只能获取二维信息,无法获得摄像头基于目标的相对距离。常用的基于双摄像头的距离采集算法又过于复杂,不够稳定,且要求开发人员具有较高的知识水平,固件开发门槛高,应用困难。因此,提出了通过双摄像头下人体姿态识别图像数据集,训练基于双通道Darknet-53基本结构的特征提取网络,运用其参数初始化YOLO-V2网络,通过在训练用于识别人体姿态图像中的人体位置、相对距离以及所属类别。实验结果表明：利用该方法进行人体姿态的人体位置和类别识别,相比于单卷积链的YOLO-V2在识别准确度提高了3.85%、4.83%,且在基于目标的相对距离上精度高于65%;新算法能有效用于无人机远距离快速识别人体姿态并取得较好的识别效果,满足实时需求。     

一种基于FPGA的卷积神经网络模型设计

武器装备的智能化已经成为一种发展趋势,卷积神经网络(CNN)在图像识别、目标检测和跟踪任务中展现出优异的性能,因此,将卷积神经网络算法应用于相关武器有助于提升其在复杂战场环境下的精确目标识别和抗干扰能力。本文提出了一种基于FPGA的卷积神经网络模型设计方法,并且在Xilinx Virtex-7系列FPGA验证了其功能的正确性。该模型具有可配置、可重构的高灵活性,移植能力强,适用范围广。     

卷积神经网络在炮兵对抗训练系统中的应用

本文针对炮兵对抗训练系统中炸点图像目标捕捉的问题,提出了一种基于YOLACT的炸点区域快速识别及分割方法。对特征提取网络结构和参数进行修改,结合预测分支网络和掩膜生成网络输出炸点位置和区域范围,根据区域信息得到炸点中心坐标。实验结果表明,在构建的炸点数据集上本文方法能准确地识别和分割炸点目标,速度达到21.2fps,整体上优于对比算法,较好地解决了炮兵对抗训练系统中的一个基本环节。     

基于卷积神经网络的滚动轴承故障诊断

针对传统故障诊断方法诊断过程复杂、效果不佳的问题,提出一种基于卷积神经网络的滚动轴承故障诊 断方法。首先选取不同故障的振动信号进行归一化处理,然后把 1 维的振动信号转化成 2 维的灰度图像,利用每个 元素与其相邻元素之间的关系,并且采用重叠采样的方法加强数据集。在卷积神经网方面利用 tensorflow 搭建网络 框架,采用 4 种不同的卷积神经网络结构对样本进行训练。为避免实验的随机性,对每种方案进行多次训练,采其 结果的均值。根据测试集的准确率选取最好的适合轴承故障诊断的模型,同时对网络的结构参数进行优化改进,提 高模型的识别率和运行效率。实验结果表明,该方法可以准确地将滚动轴承的故障进行识别和分类。     

红外成象GIF中的神经网络识别算法

目标识别是红外成象GIF中的关键技术之一,利用神经网络可以完成目标识别的任务.在获得目标红外灰度图象傅立叶描述子特征的基础上,对BP神经网络、径向基函数神经网络和学习矢量量化神经网络在目标类型识别中的应用进行了研究.通过网络的设计及算法的仿真结果,比较了这几种神经网络的在目标识别方面的优缺点.     

一种基于冲击响应的目标识别反卷积算法

在分析目标识别技术的基础上,依据信号检测理论中不同目标的冲击响应产生不同的相关系数原理,提出了一种基于冲击响应的目标识别反卷积算法。通过计算仿真,取得了满意的结果。     

基于神经网络的多种文字识别系统的集成方法

基于神经网络对于写体文字多种特征的良好适应性，提出以现有的多自特征分别作为输入，构成多个神经网络识别子系统，将这些子系统有机地结合，以期集成系统具有较高的识别率和很低的误识率，文中给出串联和并联２种集成系统结构，同时分析了２处识别系统的性能，最后通过实验进行了验证。     

基于BP神经网络的雷达目标识别算法研究

雷达目标特性复杂多样,而且容易受到电磁、地物、天气等因素的干扰和影响,使其在距离、仰角、方位的测量精度降低,制约了雷达对目标的识别,BP(Back propagation)神经网络具有学习功能,能够十分有效的提高雷达识别系统的效率.