基于多端CNN的通信信号自动调制识别研究

为有效解决通信信号自动调制识别的调制类型识别率低和调制强度识别误差高的问题,研究了基于多端CNN的通信信号自动调制识别方法。根据不同类型调制方法的作用原理,设置通信信号调制识别标准。考虑通信信号的传输过程,构建通信信号模型,利用带通采样工具采集初始通信信号,通过小波消噪、归一化等步骤,完成初始信号的预处理。利用多端CNN算法构建通信信号识别器,提取幅值、相位、频率等通信信号特征参数,通过特征匹配得出信号调制类型与强度的识别结果,实现通信信号自动调制识别。通过与传统识别方法的对比得出结论：综合考虑有、无干扰两种类型的通信信号,优化设计识别方法的调制类型识别率提高了49.6%,调制强度识别误差降低了约0.0285。     

基于LSTM的调制干扰信号识别算法研究

针对常用机器学习算法对各种调制干扰信号的特征提取困难和识别率低的问题,提出了一种基于长短时记忆神经网络的通信信号调制识别方法.该算法构造了两级级联LSTM神经网络,并采用两层全连接层与LSTM层交替连接的方法,逐层提取干扰信号特征;并采用相关模型优化策略对算法所训练模型进行优化,最后相对较高地识别出各种调制干扰信号.此外,为对多方式干扰进行信号鉴别,也加入了CDMA信号的识别.结果表明,在信噪比大于5dB时,模型对各种调制信号的平均识别准确率在95％以上.     

窄带干扰下北斗卫星导航信号性能分析

在介绍近期公布的北斗卫星导航系统空间信号接口控制文件(interface control document)中B1频点QPSK(quadrature phase shift keying, 正交相移键控)调制信号及测距码构成的基础上, 针对窄带干扰对卫星导航信号性能影响问题, 通过建立卫星导航直接序列扩频通信系统模型, 对窄带干扰下的北斗卫星导航系统解扩处理增益、相关解扩处理变化规律、误码性能以及对导航信号等效载噪比的影响进行了分析和数字仿真。仿真结果表明, 窄带干扰下, 导航信号性能降低程度与干扰实施位置、扩频码特性、调制样式等有关, 导航信号的性能改善需综合考虑干扰特性、扩频特性及调制样式等方面的影响。     

基于卷积长短时记忆网络的人体行为识别研究

人体行为识别利用深度学习网络模型自动提取数据的深层特征,但传统机器学习算法存在依赖手工特征提取、模型泛化能力差等问题。提出基于空时特征融合的深度学习模型（CLT-net）用于人体行为识别。采用卷积神经网络（CNN）自动提取人体行为数据的深层次隐含特征,利用长短时记忆（LSTM）网络构建时间序列模型,学习人体行为特征在时间序列上的长期依赖关系。在此基础上,通过softmax分类器实现对不同人体行为分类。在DaLiAc数据集的实验结果表明,相比CNN、LSTM、BP模型,CLT-net模型对13种人体行为的总体识别率达到了97.6%,具有较优的人体行为识别分类性能。     

基于卷积神经网络的多进制相位调制信号识别算法

由于多进制相位调制子类信号相似度高,传统的信号识别方法和机器学习算法难以实现特征的自动提取和准确的分类。针对此问题,提出一种基于时频图和深度卷积神经网络的识别算法。将实测信号通过短时傅里叶变换转换成时频图作为实验数据,并设计一个33层的卷积神经网络ReSENet对特征进行自动提取和调制识别。该网络融合了经典模型ResNext和SENet的优点,能通过深度学习和特征重定向学习到数据中复杂抽象的特征。为进一步提高ReSENet的性能,分别从梯度下降算法、激活函数等方面对模型进行优化。与现有方法相比,该算法在对多进制相位调制信号识别上有更优的分类表现。实验结果显示,最终的识别准确率达到99.9%,验证了该算法的有效性。     

基于深度级联孪生网络的小样本调制识别算法

为解决传统基于深度学习的调制识别算法在小样本条件下识别准确率较低的问题,提出一种基于深度级联孪生网络的通信信号小样本调制识别算法。根据通信信号时序图的时空特性,设计由卷积神经网络和长短时记忆网络级联的特征提取模块将原始信号特征映射至特征空间,同时在孪生网络架构下对提取的特征进行距离度量并以相似性约束训练网络,避免特征提取模块在训练过程中出现过拟合现象,最终通过最近邻分类器识别待测样本的调制类别。在DeepSig公开调制数据集上的实验结果表明,与传统基于深度学习的调制识别算法相比,该算法能有效降低训练过程中所需的样本量,且在小样本条件下的识别准确率更高。     

基于KBANN的调制识别仿真研究

BP网络广泛应用于多信号调制样式识别,但普通BP网络存在隐层数目难以确定、收敛速度慢、容易陷入局部最小等缺点.为了克服上述缺点,仿真研究了一种基于知识人工神经网络(KBANN)的信号调制样式识别算法.首先将C4.5算法引入信号特征参数的阈值分割,根据输出的决策树构造出具有决策树特征的拓扑结构,然后使用共轭梯度学习算法提高BP网络的收敛性能.仿真结果表明,与普通BP网络相比,基于知识神经网络的识别算法网络的结构易于实现、能有效改善网络收敛,并提高低信噪比下的正确识别率,为利用神经网络进行调制识别提供了新的思路.     

基于LSTM神经网络的声发射信号识别研究

声发射检测不需要进入被检对象中进行检测,与其他无损检测技术相比具有实时性、整体性和高灵敏度等独特优势.早期参数分析、小波分析等方法在声发射信号特征提取上缺乏理论指导,具有一定主观性,BP神经网络应用于声发射信号识别中时网络训练容易陷入局部极值,LSTM神经网络可以对输入序列数据进行逐层学习并自适应提取特征,避免了特征的人工选择和提取,较好地解决了存在的问题.文中提出一种基于LSTM的声发射信号识别模型,在声发射信号z-score标准化基础上,对比不同学习算法、隐层神经元数、正则化dropout rate下的测试集正确识别率,优化声发射信号识别模型,与BP神经网络的声发射信号识别准确率进行对比,实验结果表明,LSTM神经网络在Adam算法中,当隐层神经元数为250,dropout rate为0.5时,声发射信号识别率最高且为76.51％,优于BP神经网络53.9％的最高识别率.     

基于上采样金字塔结构的卷积神经网络的非侵入负荷辨识算法

非侵入式负荷监测（NILM）技术为需求侧管理提供了技术支撑,而非侵入负荷辨识是负荷监测过程中的关键环节。在负荷数据采样过程中无法实现长期的实时高频采集,得到的负荷数据还存在缺乏时序性的问题;同时,卷积神经网络（CNN）存在对低级信号特征表现不足的缺陷。针对以上两个问题,提出了一种基于上采样金字塔结构的CNN非侵入负荷辨识算法。所提算法直接面向采集到的负荷电流信号,利用上采样网络扩展数据在时间维度上的相关信息弥补数据的时序性,并通过双向金字塔一维卷积提取负荷信号的高级与低级特征,以对负荷特征进行全面利用,从而实现对未知负荷信号进行识别的目的。实验结果表明,基于上采样金字塔结构的CNN非侵入负荷辨识算法的识别准确率能够达到95.21%,且具有良好的泛化能力,可有效实现负荷辨识。     

基于LSTM-Attention与CNN混合模型的文本分类方法

针对传统长短时记忆网络（Long Short-Term Memory,LSTM）和卷积神经网络（Convolution Neural Network,CNN）在提取特征时无法体现每个词语在文本中重要程度的问题,提出一种基于LSTM-Attention与CNN混合模型的文本分类方法。使用CNN提取文本局部信息,进而整合出全文语义;用LSTM提取文本上下文特征,在LSTM之后加入注意力机制（Attention）提取输出信息的注意力分值;将LSTM-Attention的输出与CNN的输出进行融合,实现了有效提取文本特征的基础上将注意力集中在重要的词语上。在三个公开数据集上的实验结果表明,提出的模型相较于LSTM、CNN及其改进模型效果更好,可以有效提高文本分类的效果。     

深度学习的双人交互行为识别与预测算法研究

基于卷积神经网络的双人交互行为识别算法存在提取的深度特征无法有效表征交互行为序列特性的问题,本文将长短期记忆网络与卷积神经网络模型相结合,提出了一种基于深度学习的双人交互行为识别与预测一体化方法。该方法在训练过程中,完成对卷积神经网络和长短期记忆网络模型的参数训练。在识别与预测过程中,将不同时间比例长度的未知动作类别的视频图像分别送入已经训练好的卷积神经网络模型提取深度特征,再将卷积神经网络提取的深度特征送入长短期记忆网络模型完成对双人交互行为的识别与预测。在国际公开的UT-interaction双人交互行为数据库进行测试的结果表明,该方法在保证计算量适当的同时对交互行为的正确识别率达到了92.31%,并且也可完成对未知动作的初步预测。     

数据驱动的ADS-B干扰源信号类型识别

传统干扰源信号类型识别方法在提取干扰信号的细微特征时,存在干扰信号调制类型分类精度低、识别效果差等缺点。对此,本文提出一种基于深度神经网络的ADS-B干扰信号调制类型识别算法。首先将ADS-B信号和干扰波形进行叠加混合,通过控制矢量信号发生器(VSG)进行仿真信号发射,并在接收端进行采集;接着对接收的基带I、Q数据进行人为添加随机噪声,并据此构造各种信噪比场景下的张量训练样本数据集;最后,利用训练样本数据对本文设计的神经网络进行训练,并在样本数据集上将传统分类算法和本文所提出的神经网络算法两者的识别性能进行对比分析。实验结果表明本文所提的神经网络算法相比于现有的传统识别算法,具有更好的识别性能。     

舒尔特方格与LSTM的注意力分级建模

在基于脑电信号的注意力分级研究中,存在两个亟待解决的技术难点。第一不同注意类型的脑电数据采集及标注困难;第二脑电特征提取算法忽视原始脑电信号时序特征。针对以上问题,设计了基于视觉搜索和反应时技术的舒尔特方格范式,实现对不同注意类型脑电数据的采集以及自动标注;设计长短期记忆深度学习网络（LSTM）实现对注意力分级,保存原始脑电信号的时序特征。实验结果表明,注意力分级模型可以很好区分高中低三种注意力水平;对比现有的五种基于EEG信号的注意力分级算法,小波变换（DWT）、近似熵、共空间模式（CSP）、基于相干系数的脑网络和卷积神经网络（CNN）,在相同的EEG数据集上,该注意力分级模型识别准确率最高,高出DWT算法21.49个百分点;高出近似熵算法25.82个百分点;高出CSP算法20.53个百分点;高出基于相干系数的脑网络算法13.32个百分点;高出CNN9.05个百分点。     

北斗接收机在干扰下的性能研究

通过分析北斗接收机在复杂干扰环境下的性能问题,为抗干扰研究提供了更为专业的理论依据,在卫星导航直接序列扩频通信系统模型的基础上对导航系统在干扰下的误码率、等效载噪比及捕获能力等性能方面进行对比分析,并采用Matlab进行数字仿真。仿真结果表明,窄带干扰比均匀频带干扰对接收机的影响更大,导航信号的性能降低程度与干扰信号带宽及干扰实施的频率等因素有关,导航信号性能改善需要考虑以上多种因素的影响。     

基于LMD-PE与神经网络的刀具故障诊断方法

针对刀具故障诊断信号信噪比低、诊断结果不准确等问题,采用局域均值分解(LMD)结合排列熵(PE)来处理采集到的刀具加工时的振动信号,然后将提取到的特征向量输入到训练好的长短期记忆神经网络(LSTM)中得到诊断结果,为了提高LSTM的诊断效率,结合卷积神经网络(CNN)对LSTM进行了改造;试验表明,文章提出的方法诊断准确率比BP神经网络提高了将近12%,改进LSTM网络比传统LSTM的诊断时间缩短了50%。     

基于CNN和LSTM混合模型的人体跌倒行为研究

目前深度学习模型不能较好地把监控视频中跌倒行为的空间和时序特征有效结合起来。为此,提出基于CNN（convolutional neural network）和LSTM（long-short term memory）混合模型的人体跌倒行为识别方法。该模型采用两层结构,将视频以每5帧为一组输入到网络中,CNN提取视频序列的空间特征,LSTM提取视频时间维度上的特征,最后使用softmax分类器进行识别。实验表明,该方法可以有效提高跌倒识别的准确率。     

基于CBLSTM算法的脑电信号特征分类

由于传统的脑电信号分类方法识别率较低,且识别率随着脑电信号类别的增加逐渐下降,针对脑电信号时空特征结合的特点,设计了一个多层的卷积双向LSTM型递归神经网络（CBLSTM）分类模型。此分类模型利用多层的卷积神经网络有效提取脑电序列的频域特征,采用双向LSTM提取脑电信号的时域特征,并将脑电信号序列逐帧输入到此分类模型中进行标记,最后输出分类结果。对比研究验证了所提出方法的可行性,实验表明此分类模型平均分类识别率得到了提高,且鲁棒性较好。     

面向智能监控的行为识别

目的 为了进一步提高智能监控场景下行为识别的准确率和时间效率,提出了一种基于YOLO（you only look once：unified,real-time object detection）并结合LSTM（long short-term memory）和CNN（convolutional neural network）的人体行为识别算法LC-YOLO（LSTM and CNN based on YOLO）。方法 利用YOLO目标检测的实时性,首先对监控视频中的特定行为进行即时检测,获取目标大小、位置等信息后进行深度特征提取;然后,去除图像中无关区域的噪声数据;最后,结合LSTM建模处理时间序列,对监控视频中的行为动作序列做出最终的行为判别。结果 在公开行为识别数据集KTH和MSR中的实验表明,各行为平均识别率达到了96.6%,平均识别速度达到215 ms,本文方法在智能监控的行为识别上具有较好效果。结论 提出了一种行为识别算法,实验结果表明算法有效提高了行为识别的实时性和准确率,在实时性要求较高和场景复杂的智能监控中有较好的适应性和广泛的应用前景。