通信电台个体识别技术研究

本文研究了基于通信电台短时频率稳定度特征的通信电台个体识别技术.在论证通信电台短时频率波动可以作为电台个体细微特征的基础上,提出了一种利用该特征进行电台识别的有效方法.首先通过采样抽取的方法将频率波动信息转变到伪调制的包络波形中,并对极大值点之间用三次样条插值拟合的方法精确提取包络特征,然后计算包络信号分形的盒维和信息维特征,最后采用最近邻的分类方法达到对通信电台的个体识别.仿真和实际电台实验结果都验证了方法的有效性.     

干扰条件下正弦类Haar小波MPSK信号识别分析

为提高MPSK信号的类内识别率,分析了MPSK信号正弦类Haar小波变换信号的相位信息,通过提取脊线拟合函数相位的方法对MPSK信号进行类内识别。对提出的方法进行了数值分析和仿真实验,得到8PSK信号的相位提取图,并对不同MPSK信号在无噪和有噪两种情况下进行识别分析,最后得到调制方式识别率曲线。分析和实验结果表明,提出的识别方法正确识别率在90%以上,并且具有一定的抵抗通信干扰能力。     

应用深度神经网络和集成学习的电台个体识别

提出了一种基于深度神经网络的个体智能识别方法,可用于电台个体分类识别.该方法构建集成多子网络的一维深度卷积模型,以电台时序信号作为模型输入,进行电台个体分类.利用深度神经网络自动特征化的能力,该方法从时序信号中自动获取个体特征,从而以端到端的形式实现从电台信号识别电台个体.该方法能够免去基于专家知识的特征提取工作,自动提取的个体深度特征还有助于区分传统特征无法区分的高度相似电台个体.实验证明,该方法能有效降低模型调参设计难度,能减轻单一网络带来的特征提取识别过拟合问题,能提高电台个体识别算法的泛化能力与鲁棒性.在信噪比12 dB的条件下,对10类电台8PSK调制信号进行特征提取与识别,整体正确率91.83％,平均正确率为89.12％;对MSK调制信号进行特征提取与识别,平均分类精度为89.1％.     

短时频率稳定度特征分析的FSK信号个体识别

针对通信电台个体识别问题,提出一种利用码元持续时间内短时频率稳定度的指纹特征识别FSK信号电台的方法。采用改进的多周期“过零点”法提取瞬时频率,然后计算瞬时频率的信息维数特征,最后利用最近邻分类器实现电台个体识别。在高斯信道和短波信道下进行的仿真实验证明了该方法的有效性。     

载频稳定度在射频指纹识别中的应用研究

射频指纹识别是利用辐射源射频特征唯一性对其个体身份进行识别的技术,具有广阔的军民用应用前景。针对传统射频指纹特征稳定度不高、难以工程实现的问题,提出了一种基于辐射源频率偏移和相位噪声等多维频域特性的射频指纹识别方法。该方法以ADS-B信号为例,利用统计原理对频率偏移和相位噪声特征进行量化处理,并利用贝叶斯分类方法对信号进行分类以实现辐射源个体身份的识别。通过半实物生成和实采ADS-B信号数据两种方式对提出的算法进行实验验证。实验结果表明,该方法能够对同型号的辐射源进行有效区分,对真实环境下4个目标的识别正确率达到93.5%。     

基于循环谱的MPSK信号识别

多进制数字相位调制信号（MPSK）是一类载波受抑制的相位调制信号,它们具有相位连续,幅度恒定以及抗干扰性强的特性,在军用和民用通信的很多领域都有广泛的应用,研究分类该类信号具有重要的实际价值。在研究分析MPSK信号谱相关特性的基础上提出一种MPSK信号的子类识别算法,利用MPSK（M≥4）平方降阶的性质,提取出MPSK信号的循环谱在循环频率f=0截面的特征,并根据该特征分类完成调制识别。计算机仿真实验证明了该算法在信噪比高于5dB时调制识别率高于95%。     

利用信号围线积分双谱分形特征实现电台识别

信号的双谱能反映信号的细微特征,可用于电台识别中,但将它直接应用于电台识别需要计算复杂的匹配模板,增加分类器的复杂度,影响识别效率。针对此问题,提出了一种将信号围线积分双谱的分形特征作为电台特征参数的识别方法。首先由信号双谱估计值求出围线积分双谱,然后利用盒维数和信息维数定量描述围线积分双谱波形的复杂度,并将这两种分形维数作为特征向量,最后利用支持向量机(SVM)实现电台分类识别。对两部实际电台所发射的2FSK信号利用所提方法进行分析,结果表明在信噪比为7 dB及以上时,电台正确识别率能达到94.29%以上,验证了所提方法的可行性。     

短时三谱分析在通信电台个体识别中的应用

提出一种利用短时Fourier变换理论构造三谱的新方法,用类似于普通三谱的短时Fourier三谱来分析信号的局部频谱特征,推导了短时三谱的数学形式,并用短时三谱系数提取信号频率相位特征。通过仿真实验分析了窗函数及其参数的选择,并运用支撑向量机（SVM）完成信号的识别。实验结果表明,此方法与普通双谱特征相比能够更好地反应通信电台个体的细微差异,具有更强的分类能力。     

基于包络拟合的Chirplet分解算法

针对信号自适应Chirplet分解未知参数多、分解算法运算量大的问题,提出了一种基于包络拟合的Chirplet自适应分解算法。该方法利用二次相位函数在时间上的积分估计调频率,通过对包络主瓣峰值的幅度拟合估计标准差和时间中心,并利用包络主瓣峰值的相位信息对调频率与初始频率估计值进行修正,提高参数估计精度。给出了单分量和多分量情况下的Chirplet参数估计流程。推导了一般高斯环境下Chirplet信号参数估计的CRB界。仿真及实测数据处理结果验证了算法的有效性。      

深度特征融合与重构的微纤维识别算法

针对传统卷积神经网络分类识别微纤维存在特征判别不明显的问题,构建了一种深度特征融合与重构的网络对其进行分类与识别。将卷积与深度可分离卷积特征进行融合,加强层间信息交流,提高特征判断指向能力,并在上采样之前分配通道和空间的权重进行特征重构,利用通道注意力与空间注意力相结合的策略使网络在学习的过程中将注意力集中在关键的特征信息处,同时,跳跃连接增加原始特征图,缓解拟合现象,强化微纤维区域关键特征信息,提升微纤维图像识别网络模型的表达能力和学习能力,从而改善微纤维识别效果。实验结果表明,微纤维识别率达到98.77%,通过特征图可视化进一步分析了特征融合与重构的作用。所构建的方法准确率高、泛化能力好,为微纤维分类识别提供了一种新的方案。     

雷达信号有意调制的粗分类和细分类识别方法

针对雷达信号脉内有意调制中2类典型调制信号,即相位编码(PSK)信号和调频(FM)信号,提出了一种由粗到细的方法进行脉内识别。首先,对接收到的雷达信号利用其3 dB带宽明显不同的特点,进行类间粗分类,识别出PSK信号和FM信号;然后,针对PSK信号和FM信号类内特征的不同,提出了利用信号的小波脊频特征,来对雷达信号进行类内细分类识别的方法,使PSK信号被细分类为BPSK信号和QPSK信号、FM信号被细分类为LFM信号和NLFM信号,从而完成了典型雷达信号的有意调制的识别。仿真结果表明,在一定信噪比下,此识别方法真实有效。     

基于Transformer的道路场景点云分类与分割方法

针对多目标识别过程中点云分类和分割精度不高的问题,提出了一种基于改进Transformer模型的点云分类与分割方法DRPT(Double randomness Point Transformer),该方法在Transformer模型卷积投影层创建新的点嵌入,利用局部邻域的动态处理在数据特征向量中持续增加全局特征属性,从而提高多目标识别中点云分类和分割的精度。实验中采用了标准基准数据集(ModelNet40、ShapeNet部分分割和SemanticKITTI场景语义分割数据集)以验证模型的性能,实验结果表明:DRPT模型的pIoU值为859,比其他模型平均高出35,有效提高了多目标识别检测时点云分类与分割精度,是对智能网联技术发展的有效支撑。     

A novel method for the detection of apnea and hypopnea events in respiration signals

The monitoring of breathing dynamics is an essential diagnostic tool in various clinical environments, such as sleep diagnostics, intensive care and neonatal monitoring. This paper introduces an innovative signal classification method that is capable of on-line detection of the presence or absence of normal breathing. Four different artificial neural networks are presented for the recognition of three different patterns in the respiration signals (normal breathing, hypopnea, and apnea). Two networks process the normalized respiration signals directly, while another two use sophisticatedly preprocessed signals. The development of the networks was based on training sets from the polysomnographic records of nine different patients. The detection performance of the networks was tested and compared by using up to 8000 untrained breathing patterns from 16 different patients. The networks which classified the preprocessed respiration signals produced an average detection performance of over 90%. In the light of the moderate computational power used, the presented method is not only viable in clinical polysomnographs and respiration monitors, but also in portable devices.     

融合强阈值三角网与总体最小二乘曲面拟合滤波

机载LiDAR点云数据滤波是LiDAR数据后处理过程中的关键步骤。在分析三角网滤波与曲面拟合滤波特点的基础上,提出了一种由粗到精的处理思想用于LiDAR点云数据滤波。该方法通过强阈值三角网算法进行II类误差优先的粗分类,获取可靠性较高的初始地面点,以粗分类结果作为先验信息进行种子点选取,引入总体最小二乘算法完成曲面拟合,设置自适应阈值实现不同区域灵活处理,最终得到较为精细的地面模型。使用ISPRS测区数据及Niagara数据进行实验,与经典滤波算法及传统曲面拟合方法进行对比,实验结果证明,该方法较传统算法能够得到更加可靠的滤波结果,对各种地形的适应性较强,具备较高的实用价值。     

基于判别式受限玻尔兹曼机的数字调制识别

为了提高大动态信噪比下数字调制识别性能,提出一种基于高阶累积量和判别式受限玻尔兹曼机的联合调制识别方法.该方法提取数字信号的高阶累积量作为信号特征,综合利用判别式受限玻尔兹曼机的生成能力和分类能力,分析了含有高斯噪声、时变相位偏移或瑞利衰落环境下的数字信号识别率.实验结果表明,与传统识别方法相比,所提方法的识别性能有明...     

基于A-Clenet5的荒漠化草原草种识别与分类

草原退化已经成为人类面临的主要生态问题,其标 志之一是草原植被群落结构的改变,而草原草种的高光谱识别与分类是利用遥感进行大面积 高精度草原退化监测与治理的基础与前提。由于天然草原草种分布的随机性和遥感图像云系 情况的复杂性,草种识别精度低的问题未能得到满意的解决。本研究基于深度学习首次提出 A-Clenet5法,在天然草原自然光下采集典型牧草高光谱数据,对数据进行预处理,利用A -Clenet5法进行特征挖掘和数据分类。研究结果表明,该方法对草种识别精度可达到92.18%,满足基于高光谱的草原草种的识别要求,为草原退化高精度遥感 监测提供了可能。     

Non-cooperative signal modulation recognition algorithm based on joint feature parameter extraction

Aiming at the problem that in the current electromagnetic environment,the modulation method is complicated,the frequency-consuming equipment increases,the spectrum is congested,and the electromagnetic environment interference increases,the algorithm of OFDM signal detection and subcarrier identification in the background of non-cooperative communication were deeply studied.Using the different distribution states of OFDM signals and single carrier signals in the time domain,a joint characteristic parameter was proposed to solve the existence problem of OFDM in the received signal.For the phase shift and frequency offset problems caused by the channel transmission to the signal,by using the periodic stability the blind parameter estimation was performed to obtain the signal prior information.On the basis of the obtained signal prior information,a multi-level classification and recognition method for non-cooperative OFDM signal sub-carrier signals was proposed.Therefore,a model based on non-cooperative communication system OFDM signal detection and subcarrier modulation identification was designed,and finally modulation identification of unknown signals was completed.Simulation experiments show that in non-cooperative communication systems,OFDM signals and single-carrier signals can be accurately identified,and ideal modulation recognition effects can be achieved on empty subcarriers,QPSK,and 16QAM in the receiver OFDM signal subcarriers,overcoming the channel transmission band The problems of phase shift and frequency offset have improved the accuracy of modulation mode identification.     

一种改进的数字信号自动调制识别算法

在非协作通信中,要对截获的信号进行解调以获取其信息,必须首先识别出信号的调制样式。在对六种数字信号的自动调制识别中,由于对瞬时相位求差分直接获得的瞬时频率存在很大的误差,使用了一种频率估计方法对其进行平滑处理;由于噪声对信号幅度的干扰很大,严重影响ASK2和ASK4的区分,对识别算法进行了改进。仿真实验证明,当信噪比为10dB时,对六种信号的平均正确识别率达到99.71%。     

基于深度学习的云参量反演方法研究

有效的云检测与云相态判识对于农业、气候及人类生活具有重要意义, 而这些数据的获取离不开卫星遥感。 卫星遥感数据在当今社会的生产和生活中都扮演着至关重要的角色, 众多领域的发展都离不开卫星遥感数据的支持。 随着高精度传感器的发展, 传统研究方法无法满足大规模、高维度数据的高效挖掘与处理, 因此深度学习技术在遥感 领域得到了快速的发展。基于深度学习技术提出了一种结合多波段遥感影像的云检测及云相态判识的方法。该方法 采用 MODIS 云产品影像作为样本, 将不同波段信息作为特征值, 分别建立针对云检测与云相态判识研究任务的多个 数据库, 并采用 DeepLab V3+ 模型进行训练并预测, 从而完成高精度的云检测及云相态判识任务。与传统方法相比, 该方法高效便捷、特征提取能力较强, 将多波段作为特征值输入模型进行预测时, 该方法展现了良好的结果。