基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法.该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知.实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率.     

利用卷积神经网络和协方差的协作频谱感知算法

针对基于信号协方差矩阵的频谱感知算法门限难于准确得到及没有充分利用原始信号信息等问题,提出了基于卷积神经网络和协方差矩阵的协作频谱感知算法。首先将接收的I、Q两路正交信号的归一化协方差矩阵组成双通道输入矩阵,然后使用卷积神经网络直接提取协方差矩阵的特征信息,并进行训练得到分类器,最后使用训练好的模型进行频谱感知。仿真结果表明,本文所提出的频谱感知算法优于对比算法,在信噪比为-13 dB、40个次用户协作感知时,本文算法虚警概率低于0.1,检测概率达到0.9以上。      

基于深度卷积神经网络的频谱感知算法

随着无线通信的快速发展,频率资源日益紧张,认知无线电技术在未来无线通信中将发挥越来越重要的作用.频谱感知是认知无线电的关键部分.现有的频谱感知技术主要有能量检测法、频谱周期检测法、最大最小特征值检测法等,但这些方法都是模型驱动的方法,需要事先了解信号或噪声信息.然而,在实际环境下,信号往往未知,且噪声情况动态变化,传统...     

基于深度学习的频谱感知研究综述

频谱感知可以提高认知无线电网络的频谱利用率,但传统的频谱感知方法不能在复杂的通信环境中进行快速的频谱感知.因此,借助计算机计算能力的提升,将深度学习应用于频谱感知,以快速、智能地获得感知结果.首先,介绍在频谱感知中应用较为广泛的深度学习模型,包括卷积神经网络、长短期记忆网络和深度强化学习;其次,对近几年基于深度学习频谱...     

基于残差神经网络和注意力机制的频谱感知方法

随着通信技术的发展,频谱感知技术已经成为解决频谱资源稀缺的重要解决手段之一。针对传统的频谱感知方法在低信噪比(Signal to Noise Ratio, SNR)下准确率较低的问题,提出一种基于残差神经网络和注意力机制相结合的正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)频谱感知方法。将频谱感知问题转化为图像二分类任务。通过分析OFDM信号的循环自相关特征,将其灰度处理以生成循环自相关灰度图像。利用改进后的残差神经网络进行训练,提取这些灰度图像的深层特征,使用测试数据验证所得到的频谱感知模型。仿真实验结果表明,在低SNR条件下,所提方法表现出更出色的频谱感知性能,优于传统频谱感知技术。     

基于深度卷积神经网络算法改进

深度卷积神经网络在近年发展迅速,特别是在深度学习被提出来后。但在真实的人脸检测中,大的视觉变化,如背景,照明等,需要一种精确的判别模型来区分人脸和背景。于是,本文给出基于深度卷积网络算法的改进。     

基于随机矩阵理论的协作频谱感知

认知无线电频谱共享技术在新一代无线通信网络中具有广泛的应用前景,频谱感知是其中最重要的环节。该文提出了一种新的在多认知用户环境中,基于大维随机矩阵理论的协作频谱感知算法。充分利用随机矩阵的渐近谱分布特性及小样本下最大特征值收敛特性来提高感知性能。理论分析和仿真结果均表明,新算法性能明显优于同类算法和典型的能量检测算法。     

基于卷积神经网络与注意力机制的频谱感知方案

频谱感知的关键问题之一是检验统计量的设计,传统的频谱感知算法的检验统计量往往是通过建模得到的,然而这些模型有时并不能对实际环境准确建模,没有利用历史感知时隙的信息并且受噪声功率不确定度(Noise Power Uncertainty,NU)影响大.为解决这些问题,本文提出了一种基于深度学习(Deep Learning,...     

基于改进深度卷积神经网络的纸币识别研究

针对如何提高纸币识别率的问题,该文提出一种改进深度卷积神经网络(DCNN)的纸币识别算法。该算法首先通过融合迁移学习、带泄露整流(Leaky ReLU)函数、批量归一化(BN)和多层次残差单元构造深度卷积层,对输入的不同尺寸纸币进行稳定而快速的特征提取与学习;然后采用改进的多层次空间金字塔池化算法对提取的纸币特征实现固定大小的输出表示;最后通过网络全连接层和softmax层实现纸币图像分类。实验结果表明,该算法在分类性能、泛化能力与稳定性上明显优于常用的纸币分类算法;同时该算法也能够满足纸币清分系统的实时性要求。     

基于两通道深度卷积神经网络的图像隐藏方法

现有的基于深度卷积神经网络(DCNN)实现的图像信息隐藏方法存在图像视觉质量差和隐藏容量低的问题。针对此类问题,该文提出一种基于两通道深度卷积神经网络的图像隐藏方法。首先,与以往的隐藏框架不同,该文提出的隐藏方法中包含1个隐藏网络和2个结构相同的提取网络,实现了在1幅载体图像上同时对2幅全尺寸秘密图像进行有效的隐藏和提取;其次,为了提高图像的视觉质量,在隐藏网络和提取网络中加入了改进的金字塔池化模块和预处理模块。在多个数据集上的测试结果表明,所提方法较现有的图像信息隐藏方法在视觉质量上有显著提升,载体图像PSNR和SSIM分别提高了3.75 dB和3.61%,实现的相对容量为2,同时具有良好的泛化能力。     

基于希尔伯特黄变换和深度卷积神经网络的房颤检测

房颤是一种常见的心律失常,其发病率会随着年龄增长而升高。因此,从心电(ECG)信号中尽早识别出房颤,有助于降低中风风险和心源性死亡率。为有效提高其检测准确率,该文提出一种基于希尔伯特黄变换(HHT)和深度卷积神经网络的房颤检测方法。1维的时域心电信号通过希尔伯特黄变换,转换为时频域信号,旨在通过时频分析,丰富原始信号的特征。进而,采用DenseNet深度卷积神经网络来处理精细的时频图,并在迭代过程中选出最佳检测模型。该方法获得的最佳检测模型在麻省理工学院-贝斯以色列医院(MIT-BIH)和2017年生理信号竞赛(2017 PhysioNet Challenge)的房颤数据集上分别取得了99.11%和97.25%的检测准确率。此外,该文将希尔伯特黄变换与其他时频分析方法以及稠密网络(DenseNet)与其他卷积神经网络进行了对比。相比于其他检测方法,实验结果表明希尔伯特黄变换和深度卷积神经网络(DCNN)为房颤检测提供了更加准确的识别方式。     

基于深度卷积神经网络的场景自适应道路分割算法

现有基于机器学习的道路分割方法存在当训练样本和目标场景样本分布不匹配时检测效果下降显著的缺陷。针对该问题,该文提出一种基于深度卷积网络和自编码器的场景自适应道路分割算法。首先,采用较为经典的基于慢特征分析(SFA)和GentleBoost的方法,实现了带标签置信度样本的在线选取;其次,利用深度卷积神经网络(DCNN)深度结构的特征自动抽取能力,辅以特征自编码器对源-目标场景下特征相似度度量,提出了一种采用复合深度结构的场景自适应分类器模型并设计了训练方法。在KITTI测试库的测试结果表明,所提算法较现有非场景自适应道路分割算法具有较大的优越性,在检测率上平均提升约4.5%。     

基于深度卷积神经网络的气象雷达噪声图像语义分割方法

针对新一代多普勒气象雷达的散射回波图像受非降雨等噪声回波干扰导致精细化短时气象预报准确度降低的问题,该文提出一种基于深度卷积神经网络(DCNN)的气象雷达噪声图像语义分割方法。首先,设计一种深度卷积神经网络模型(DCNNM),利用MJDATA数据集的训练集数据进行训练,通过前向传播过程提取特征,将图像高维全局语义信息与局部特征细节融合;然后,利用训练误差值反向传播迭代更新网络参数,实现模型的收敛效果最优化;最后,通过该模型对气象雷达图像数据进行分割处理。实验结果表明,该文方法对气象雷达图像的去噪效果较好,与光流法、全卷积网络(FCN)等方法相比,该文方法对气象雷达图像中真实回波和噪声回波的识别准确率高,图像的像素精度较高。     

基于多特征图金字塔融合深度网络的遥感图像语义分割

在遥感图像语义分割中,利用多元数据(如高程信息)进行辅助是一个研究重点。现有的基于多元数据的分割方法通常直接将多元数据作为模型的多特征输入,未能充分利用多元数据的多层次特征,此外,遥感图像中目标尺寸大小不一,对于一些中小型目标,如车辆、房屋等,难以做到精细化分割。针对以上问题,提出一种多特征图金字塔融合深度网络(MFPNet),该模型利用光学遥感图像和高程数据作为输入,提取图像的多层次特征,然后针对不同层次的特征,分别引入金字塔池化结构,提取图像的多尺度特征,最后,设计了一种多层次、多尺度特征融合策略,综合利用多元数据的特征信息,实现遥感图像的精细化分割。基于Vaihingen数据集设计了相应的对比实验,实验结果证明了所提方法的有效性。     

基于深度卷积神经网络的无参考低照度图像增强

针对低照度图像增强算法在实现细节增强的同时对噪声抑制考虑的不足问题,该文提出一种基于深度卷积神经网络的无参考低照度图像增强方法。首先,基于Retinex理论从输入的低照度图像中提取照射分量和反射分量,并分别对二者进行优化,随后将优化后的照射分量和反射分量相乘得到增强后的图像;同时,将3D块匹配(BM3D)的去噪效果融合进反射分量的优化过程中;最后,采用无参考图像训练的方式,并配合改进后的趋势一致性损失对网络参数进行更新。实验结果表明,该文算法相较于现有的主流算法,可有效地提升低照度图像的对比度和亮度,同时保持图像的自然性。     

基于卷积神经网络的SAR图像目标检测算法

该文研究了训练样本不足的情况下利用卷积神经网络(Convolutional Neural Network, CNN)对合成孔径雷达(SAR)图像实现目标检测的问题。利用已有的完备数据集来辅助场景复杂且训练样本不足的数据集进行检测。首先用已有的完备数据集训练得到CNN分类模型,用于对候选区域提取网络和目标检测网络做参数初始化;然后利用完备数据集对训练数据集做扩充;最后通过四步训练法得到候选区域提取模型和目标检测模型。实测数据的实验结果证明,所提方法在SAR图像目标检测中可以获得较好的检测效果。     

三维卷积神经网络及其在视频理解领域中的应用研究

3维卷积神经网络(3D CNN)是近几年来深度学习研究中的热点,在计算机视觉领域取得了诸多成就。虽然研究多年且成果丰富,但目前仍缺少关于此内容全面、细致的综述。基于此,该文从以下几个方面对其进行综述：首先阐述3维卷积神经网络的基本原理和模型结构,接着从网络结构、网络内部和优化方法总结3维卷积神经网络的相关改进工作,然后对3维卷积神经网络在视频理解领域中的应用进行总结,最后总结全文内容并对未来发展方向进行展望。该文针对3维卷积神经网络的最新研究进展以及在视频理解领域中的应用进行了系统的综述,对3维卷积神经网络的研究发展具有一定的积极意义。