美尔谱系数与卷积神经网络相组合的环境声音识别方法

通过对复杂环境下声音识别技术进行研究，本文提出了美尔谱系数（MFSC）与卷积神经网络（CNN）相组合的环境声音识别方法。对声音事件提取其MFSC特征，将特征参数作为输入送入设计好的CNN模型中对声音事件进行分类。实验数据集采用ESC-10，将构建的卷积神经网络模型与随机森林、支持向量机（SVM）、深度神经网络（DNN）及DCASE比赛中常用的三种识别模型进行对比实验。实验结果表明，在相同数据集下，本文所设计的美尔谱系数与卷积神经网络相组合的环境声音识别方法相较传统的声音识别方法在识别率上分别有13.1%，18.3%，15.7%的提升，相较于DCASE比赛中的三种常用识别模型，本文所设计识别模型识别率及识别效率均有明显的优势。      

卷积神经网络在雷达自动目标识别中的研究进展

自动目标识别(ATR)是雷达信息处理领域的重要研究方向。由于卷积神经网络(CNN)无需进行特征工程,图像分类性能优越,因此在雷达自动目标识别领域研究中受到越来越多的关注。该文综合论述了CNN在雷达图像处理中的应用进展。首先介绍了雷达自动目标识别相关知识,包括雷达图像的特性,并指出了传统的雷达自动目标识别方法局限性。给出了CNN卷积神经网络原理、组成和在计算机视觉领域的发展历程。然后着重介绍了CNN在雷达自动目标识别中的研究现状,其中详细介绍了合成孔径雷达(SAR)图像目标的检测与识别方法。接下来对雷达自动目标识别面临的挑战进行了深入分析。最后对CNN新理论、新模型,以及雷达新成像技术和未来复杂环境下的应用进行了展望。     

基于小波包分解和残差网络的雷达干扰识别

干扰样式识别是雷达抗干扰技术研究中的重要环节,为提高干扰信号分类识别精度,提出了一种基于小波包分解和残差网络相结合的干扰信号分类识别方法。采用小波包变换对干扰信号进行分解与重构,将干扰信号分解成不同频段的小波包系数,融合各频段小波包系数构成系数矩阵得到残差网络的输入,利用多层残差网络自适应提取小波包系数矩阵深度特征,实现干扰信号分类识别。搭建了雷达干扰信号识别试验平台,采集不同调制参数下的6类雷达干扰数据进行试验分析,结果表明,相对于直接利用干扰信号原始时域IQ数据进行卷积神经网络(Convolutional Neural Network, CNN)识别,所提方法能够有效提高网络输入数据维度和特征提取深度,识别准确率和训练效率有明显提升。     

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络（CNN）特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。     

利用CNN的海上目标探测背景分类方法

该文主要研究基于卷积神经网络（Convolutional Neural Networks,CNN）的海上目标探测背景分类方法.以CNN中的经典网络LeNet为例,基于IPIX雷达实测数据集,进行控制变量的模型训练,对分类准确率、训练速度、一维信号的二维特征图变化等进行分析,基于实测数据集验证了利用CNN在一维雷达回波信号中进行海杂波与噪声分类的可行性,并同步分析了数据预处理、单个样本序列长度、网络结构参数等影响因素对分类准确率的影响,并针对典型探测场景分类进行了验证.结果表明,LeNet卷积神经网络在海上探测背景区分方面,具有很高的分类准确率,并且数据预处理方式、单个样本序列长度对结果影响显著,而网络结构参数有一定的调节区间,在此区间内调整,影响不显著,所提方法在顺/逆浪向、高/低海况条件下杂波分类与杂噪分类方面具有很高的准确率.     

基于分块CNN的多尺度SAR图像目标分类算法

针对合成孔径雷达（Synthetic Aperture Radar, SAR）图像目标分辨率差异大,多尺度SAR图像目标分类准确率不高的问题,提出了一种基于迁移学习和分块卷积神经网络（Convolutional Neural Network, CNN）的SAR图像目标分类算法。首先通过大量与目标域相近的源域数据对分块CNN的参数进行训练,得到不同尺度下的CNN特征提取网络;其次将CNN的卷积和池化层迁移到新的网络结构中,实现目标特征的提取;最后用超限学习机（Extreme Learning Machine, ELM）网络对提取的特征进行分类。实验数据采用美国MSTAR数据库以及多尺度SAR图像舰船目标数据集,实验结果表明,该方法对多尺度SAR图像的分类效果优于传统CNN。     

卷积神经网络对SAR目标识别性能分析

近年来,以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度学习方法在图像识别领域取得了巨大进展,但尚未在SAR目标识别领域得到广泛应用。基于此,将具有代表性的LeNet,AlexNet,VGGNet,GoogLeNet,ResNet,DenseNet,SENet等卷积神经网络模型应用到SAR图像目标识别上,并依据识别精度、模型尺寸、运行时间等指标在公开SAR数据集MSTAR上对9类目标进行识别实验。详细对比分析了不同CNN模型的综合性能,验证了利用CNN网络模型进行SAR图像目标识别的优越性,同时也为该领域的后续工作提供了参考基准。     

一种基于卷积神经网络的环境声音分类方法

卷积神经网络(CNN)辨别频域-时域模式的能力使其适合于环境声音分类。然而数据的相对稀缺使该方法的应用受限。所以使用数据增强与卷积神经网络结合的方法来克服这一难点。首先,提出使用音频数据增强来增加训练数据,然后提出了一种卷积神经网络模型进行分类。所提出的方法对于环境声音分类的准确率达到了79.5%,这种方法既优于没有增强的CNN模型也优于具有增强的SVM模型。     

基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究

传统超声红外热像检测与识别金属疲劳裂纹主要是通过图像处理算法提取红外热图像的相关热特征,并与裂纹特征进行匹配,其过程过于繁琐,识别率较低且需要人工筛选有效特征。结合主动红外热成像技术以及卷积神经网络（Convolutional Neural Network,CNN）在金属结构无损检测与缺陷自动识别中的优势,提出了一种基于CNN的金属疲劳裂纹超声红外热像检测与识别方法。通过超声红外热成像装置对实验对象（文中为金属平板试件）进行检测,获取红外热图像并制作图像数据集。运用设计的卷积神经网络对不同尺寸裂纹的超声红外热图像进行特征提取与识别分类。此外,对所提出的方法与两种常见图像分类网络模型以及支持向量机的分类结果进行对比。实验结果表明,设计的卷积神经网络在该数据集上识别分类准确率为100%,优于其他网络模型和支持向量机的识别分类,可以有效检测与识别金属疲劳裂纹。     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。