基于深度卷积神经网络的数字调制方式识别

针对非协作通信条件下信号调制方式识别问题,提出了一种基于深度神经网络的调制方式自动识别新方法。该方法对接收到的信号进行预处理,生成星座图,并将星座图形状作为深度卷积神经网络的输入,根据训练好的网络模型对调制信号进行分类识别。与以往的识别方法相比,该方法利用卷积神经网络自动学习各种数字调制信号的星座图特征,克服了特征提取困难,通用性不强,抗噪声性能差等缺点,处理流程简单,并对星座图的形变具有不敏感性。针对4QAM、16QAM和64QAM三种典型的数字调制方式,进行了仿真实验,当信噪比大于4时,调制方式的识别正确率大于95％,实验结果表明,基于深度卷积神经网络的信号调制方式识别方法是有效的。     

改进的DBSCAN算法在调制识别中的应用

提出了一种基于星座聚类的通信信号调制识别新方法。将基于密度思想的M-DBSCAN聚类算法运用于信号星座聚类,通过自适应更新聚类参数,利用其良好的抗噪声性能实现了较低信噪比高斯白噪环境下信号星座图的重构。将该方法应用到对PSK/QAM信号的调制识别,实验结果表明该方法是实际有效的。     

基于高效自适应聚类算法的调制识别研究

提出了一种基于星座聚类的通信信号调制识别新方法.该方法将星座图形状作为调制识别的特征,运用聚类算法EAFCM(efficient adaptive fuzzy C-means)重建接受信号的星座图.基于模糊C-均值(FCM)聚类算法的自适应高效聚类算法EAFCM不仅克服了模糊C-均值聚类算法需要预先确定聚类参数c、对初始中心敏感等不足,而且具有良好的抗噪声性能.将该方法应用到对PSK/QAM信号的调制识别,实验结果表明该方法是实际有效的.     

基于卷积神经网络的通信信号调制识别研究

针对传统人工提取专家特征来进行通信信号识别的方法存在局限性大、低信噪比下准确率低的问题,提出一种复基带信号与卷积神经网络自动调制识别相结合的新方法。该方法将接收到的信号进行预处理,得到包含同相分量和正交分量的复基带信号,该信号作为输入卷积神经网络模型的数据集,通过多次训练调整模型结构以及卷积核、步长、特征图和激活函数等超参数,利用训练好的模型对通信信号进行特征提取和识别。实现了对2FSK、4FSK、BPSK、8PSK、QPSK、QAM16和QAM64 七种数字通信信号类型的识别分类。实验结果表明,当信噪比为0dB时,七种信号的平均识别准确率已达94.61%,验证了算法是有效的且在低信噪比条件下有较高的准确率。     

一种基于盲均衡的多径环境下调制识别算法

针对频率选择性多径衰落信道下MPSK和MQAM信号的调制分类问题,提出了一种基于盲均衡算法的自动识别算法.将接收到的码元星座图通过一组并行的自适应盲均衡器,当盲均衡器与星座图匹配时其代价函数收敛到最小.所以直接利用盲均衡的代价函数作为调制识别特征,当代价函数收敛后,将具有最小代价函数值的均衡器所对应的信号判为识别结果.仿真结果表明,该算法可以有效识别频率选择性多径衰落信道下的BPSK,QPSK,8PSK,16QAM,32QAM,64QAM信号.     

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。     

基于高阶统计量和星座图的通信制式识别研究

针对实际工程中基于高阶累计量的调制方式识别方法对信噪比要求较高且对部分调制方式识别率低的问题, 本文提出了基于双谱分析和星座图相结合的一种新的调制方式识别方法。基于高阶累积量提取特征值,进一步对取得的累积 量特征值求傅里叶变换得到接收信号的双谱分析,对QPSK、OFDM和QAM调制信号进行分类识别,对于QAM调制中的 16QAM、32QAM和64QAM调制方式再依据星座图结果进行识别。通过实验数据表明,此调制方式识别方法识别率较高,高 阶谱分析对信噪比要求低。     

一种基于盲均衡的多径环境下调制识别算法

针对频率选择性多径衰落信道下MPSK和MQAM信号的调制分类问题,提出了一种基于盲均衡算法的自动识别算法。将接收到的码元星座图通过一组并行的自适应盲均衡器,当盲均衡器与星座图匹配时其代价函数收敛到最小。所以直接利用盲均衡的代价函数作为调制识别特征,当代价函数收敛后,将具有最小代价函数值的均衡器所对应的信号判为识别结果。仿真结果表明,该算法可以有效识别频率选择性多径衰落信道下的BPSK,QPSK,8PSK,16QAM,32QAM,64QAM信号。     

数据驱动的RF信号深度调制识别方法

基于卷积结构的信号调制识别神经网络的识别性能受信号调制类型种类限制。例如,在12 dB信噪比条件下,同时对24种信号调制类型进行识别,其识别准确率仅为80%。若需要进一步提高识别性能,则要求更复杂的网络模型,导致网络训练所需数据集规模和硬件资源成本增大。鉴于此,针对无线电信号特征,设计一种适用于无线电信号调制识别的紧致残差神经网络,将其作为信号调制类型特征学习和特征提取工具,实现从原始I、Q数据到信号调制类型的端到端识别。利用迁移学习降低网络重新训练所需样本数,增强在无线信道响应发生变化时的环境适应能力,降低训练阶段所需的硬件资源和训练数据集规模。研究表明,当信道脉冲响应改变时,所提的信号调制识别神经网络在信噪比为12 dB条件下的识别性能达到95%,多个对比实验验证本文所设计神经网络的识别性能具有优势。     

基于瞬时幅度和相位的深度学习调制识别

针对基于似然和特征工程的调制识别方法存在需要人为提取特定特征和鲁棒性低等缺点,提出一种结合一维卷积神经网络和长短期记忆网络的深度学习模型,并将原始IQ信号转化为瞬时幅度和相位的调制信号数据,有效提高QAM16和QAM64之间区分度,从而提高10类数字和模拟信号的调制识别准确率.实验结果表明,在信噪比0 dB以上的平均准确率达到了93.21％,比现有方法准确率提高约3.4百分点,高信噪比下数字调制信号识别准确率达到了约99％.     

基于高阶残差和注意力机制的轻量型作物害虫识别

精准识别作物害虫对作物进行适时地防护和治理具有重要意义. 在面向自然环境时, 由于作物害虫体积小、与环境颜色的差异性不大, 同时又面临着各种噪声和复杂背景等因素的影响, 目前与深度学习相关的作物害虫识别模型存在难以兼顾识别准确率和鲁棒性的要求, 难以部署在计算资源有限和低性能的移动端等缺陷. 因此选取ShuffleNetV2网络结构中模型参数最少的ShuffleNetV2 0.5×为基准网络, 设计了一个基于高阶残差和注意力机制的轻量型作物害虫识别模型(HOR-Shuffle-CANet). 其中, 前期的高阶残差可以为后面的网络层提供丰富的害虫特征, 有效提高模型的识别准确率; 坐标注意力(coordinate attention, CA)机制能够进一步抑制背景噪声和对作物害虫重点信息的关注, 有效增强模型的鲁棒性; 带标签平滑正则化(label smoothing regularization, LSR)的双稳态逻辑损失函数可以解决训练含噪数据集时逻辑损失函数的两个缺点, 使得模型对噪声的适应能力更强. 试验结果表明, HOR-Shuffle-CANet模型在自然场景中10类常见作物害虫图像的测试数据集上达到了91.22%的识别准确率, 较基准网络提升了3.54个百分点. 在保持轻量化计算的基础上, 其识别准确率也高于现有的经典卷积神经网络AlexNet、VGG-16、GoogLeNet、Xception、ResNet-34和轻量级网络模型MobileNetV3-Small、EfficientNet-B0等. 该模型具有识别准确率高、鲁棒性强和抗干扰性能好等特点, 能够很好地适应作物害虫识别的实际应用需求.     

基于轻量级卷积神经网络的实时缺陷检测方法研究

应用机器视觉实现磁片表面缺陷的自动检测可以提高生产效率、降低生产成本。深度卷积神经网络具有高精度的分类性能,尤其在图像识别方面有显著的优点。但是目前提出的深度神经网络模型,由于参数量和计算量的巨大,在工业生产流水线上不能满足实时检测的需求。针对这个问题,基于深度可分离卷积和通道混洗,提出了一种轻量级高效低延时的卷积神经网络架构MagnetNets。为了评估MagnetNets网络模型的性能,将MagnetNets网络模型与MobileNets、ShuffleNet、Xception、MobileNetV2在公开数据集ImageNet中做了对比实验。然后将MagnetNets网络模型应用在磁片缺陷检测系统中进行缺陷检测。实验结果表明,提出的网络架构显著地减少参数数量,具有良好的性能。同时在磁片缺陷检测系统中减少了延时,提高检测速度,缺陷检测识别率达到了97.3%。     

一种轻量化中文指路标志的文本识别算法

针对中文交通指路标志中多方向、多角度的文本提取与识别困难的问题,提出了一种融合了卷积神经网络与传统机器学习方法的轻量化中文交通指路标志文本提取与识别算法。首先,对YOLOv5l目标检测网络进行轻量改进,提出了YOLOv5t网络用以提取指路标志牌中的文本区域;然后,结合投影直方图法与多项式拟合法的M-split算法,对提取到的文本区域进行字符分割;最后,使用MobileNetV3轻量化网络对文本进行识别。提出的算法在自制数据集TS-Detect上进行近景文本识别,精度达到了901%,检测速度达到了40 fps,且权重文件大小仅有24.45 MB。实验结果表明,提出的算法具有轻量化、高精度的特性,能够完成复杂拍摄条件下的实时中文指路标志文本提取与识别任务。     

基于深度学习和特征融合的人脸活体检测算法

针对目前基于深度学习的活体检测算法大都基于大型卷积神经网络的问题,提出一种基于轻量级网络MobileNetV2和特征融合的活体检测算法。首先,以改进的MobileNetV2为基础网络分别从RGB、HSV、LBP图中提取特征;然后,将得到的特征图堆叠在一起以进行特征层的融合;最后,从融合后的特征图中继续提取特征,并利用Softmax层作出真假人脸的判断。仿真结果显示,所提算法在NUAA数据集上的等错误率（EER）为0.02%,在Siw数据集上的ACER（Average Classification Error Rate）为0.75%,而且测试单张图像仅用时6 ms。实验结果表明：融合不同的信息可以获得更低的错误率,改进的轻量化网络保证了算法的高效性并满足实时性需求。     

基于ToF红外图像的手部轻量化检测算法设计与优化

嵌入式设备上实现快速精准的手部检测主要面临两个挑战：一是复杂的深度学习网络很难实现实时的手部检测;二是场景复杂性导致基于RGB彩色图像的手部检测算法准确率下降。与主流基于RGB图像的检测技术不同,基于ToF红外图像的轻量化手部检测算法实现了红外图像中手部的精准快速检测。首先,通过自主研发设备采集了22 419张静态红外图片,构建了用于手部检测的红外数据集;其次,通过对通用目标检测算法进行轻量化改进,设计了RetinaHand轻量化手部检测网络,其中采用了MobileNetV1和ShuffleNetV2两种不同的轻量化网络作为模型骨干网络,并提出了一种融合注意力机制的特征金字塔结构Attention-FPN;最后,在红外数据集上与常规方法进行了对比实验,验证了该方法的有效性。     

以双目图像互为监督的相容解迭代优选算法

在计算机视觉领域的双目立体匹配方向, 基于神经网络的深度学习算法需要场景数据集进行训练, 泛化能力差. 针对这两个问题, 根据神经网络能够模拟函数的特点, 提出一种无需在数据集上训练, 以双目图像互为监督的深度场景相容解迭代优选算法. 该算法使用场景位置猜测网络模拟关于当前双目图像的深度场景相容位置空间, 用与该网络匹配的互监督损失函数通过梯度下降法指导该网络在输入双目图像上迭代学习, 搜索深度场景相容位置空间中的可行解, 整个算法过程无需在数据集上训练. 与CREStereo、PCW-Net、CFNet等算法在Middlebury标准数据集图像上的对比实验表明, 该算法在非遮挡区域的平均误匹配率为2.52%, 在所有区域的平均误匹配率为7.26%, 比对比实验中的其他算法有更低的平均误匹配率.     

面向复杂验证码识别任务的轻量神经网络设计

深层神经网络拥有更强特征表达能力的同时,也带来了优化难、训练成本高及梯度弥散等问题;参数数量的激增则导致模型过于臃肿,不利于其在移动端及工业控制设备等算力弱、存储小的平台上的部署.针对这些问题,构建了一种融合空洞卷积和多尺度稀疏结构的轻量神经网络对图像进行特征提取,实现对带有彩色图形噪声且字符扭曲粘连严重的验证码图像的端到端识别.将包含100万张验证码图像的数据集按98:1:1的比例划分为训练集、验证集和测试集,逐批参与训练.实验结果表明,该网络在大大减少参数数量的同时,具有测试集上98.9%的识别成功率.