基于 AG-CNN 的轻量级调制识别方法

针对传统卷积神经网络在调制方式盲识别过程中,存在模型体积大、运算量高、无法部署至移动端等问题,提出了一种基于双注意力机制与Ghost模块的轻量级CNN模型AG-CNN(attention and Ghost convolution neural network)调制识别方法,该方法首先将调制信号映射至复空间,并根据归一化点密度对映射点进行颜色处理,得到高阶特征密度星座图;将该特征作为AG-CNN模型的输入进行学习训练,最后使用训练好的模型对接收端接收到的未知信号进行识别。实验表明,AG-CNN模型对散点为10 000的密度星座图识别率在99.95%以上,与相同层数的CNN模型相比,卷积层参数量压缩6.01倍,计算量压缩6.76倍,且相较于VGG-16、InceptionV3、ResNet-50、Shufflenet、Efficientnet等卷积网络模型,参数量与浮点数运算数下降明显,且在大幅节省学习参数量、降低模型复杂度的情况下,表现出优秀的分类性能。     

辐射源个体识别中的对抗攻击研究

基于深度学习的辐射源个体识别研究主要关注识别精度的提升，往往忽视了识别过程中对抗样本的威胁。针对上述问题，本文在增加辐射源个体类别并提升模型识别精度的同时分析研究了对抗样本对高识别率深度学习识别网络产生的影响。首先获取小样本ADS B信号，通过数据随机切片进行数据增强；再对原有网络进行微调并加入卷积注意力模块提高模型对辐射源个体信号的识别率；最后使用4种攻击算法生成对抗样本并在辐射源个体识别网络上进行测试。除此之外，还将攻击前后的信号样本转化为图片进行可视化比较，以在攻击成功率和攻击隐蔽性之间权衡。实验结果表明，优化后的高识别率模型也容易受到对抗样本的攻击，基于动量的迭代攻击效果最好，相比于快速梯度下降的攻击方法的攻击效果高出10%。     

基于 AdvGAN 的无线通信信号反侦察方法

深度学习技术凭借其强大的特征提取能力,在信号认知方面取得广泛应用,这对有保密需求的无线通信系统的保密 性安全带来极大威胁。针对上述问题,提出一种基于对抗生成网络(generating adversarial examples with adversarial net- works,AdvGAN) 的无线通信信号反侦察方法。首先实现两种不同的调制信号识别模型;再使用3种对抗样本生成方法构造 伪装信号;最后叠加在原始信号上并在调制信号识别模型上进行测试。实验结果表明,所提方法能够使侦收方的智能调制识 别模型的识别准确率大幅下降,在信噪比10 dB 条件下,使侦收方未知模型识别准确率下降约66%,从而有效反制侦收方的 智能识别模型。     

基于小波支持向量机的数字通信信号调制识别

通信信号自动调制识别在电子战、电子侦察中起着重要的作用。通信信号调制识别的任务是确定信号的调制类型和参数。支持向量机是一种新的通用机器学习方法,这种方法被广泛地应用在模式识别、回归估计和概率密度函数估计中。本文在详细分析了数字调制信号的特点以及小波变换提取瞬态特征原理的基础上,提出了一种利用小波变换支持向量机对数字调制信号进行识别的新方法。该方法通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,通过构建最优分类面,即可以用支持向量机对数字调制信号进行分类。计算机仿真结果验证了该方法在不同信噪比条件下具有良好的性能。     

基于特征融合的调制识别增强与迁移演化

针对调制识别中单一图像的特征信息不足,区分度不够高,识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法,利用深度学习神经网络提取信号图像的特征,构建特征空间,通过多维特征融合,挖掘和整合不同特征的优势,增强模型算法的鲁棒性。此外运用了模型迁移的方法,仅需对分类器进行训练,大幅节约了训练时间和资源,具有很强的实时性和实用性。仿真结果显示,在0db左右的条件下,相比于单一特征图像,采用特征融合增强的方法能将信号的平均识别率提高约25%,通过模型迁移,省去了卷积神经网络的训练,所需的训练时间约为迁移前的9.6%,消耗内存约为迁移前的7.3%,同时模型的识别率损失控制在了5%以内。     

基于高阶累积量的数字调制识别

研究了在缺少先验知识的前提下基于高阶累积量特征参量的数字调制识别算法。首先分析并计算不同数字调制信号的高阶累积量理论值,且针对单一高阶累积量识别有限,将各阶累积量进行组合构造不同的分类特征参量;然后,利用设定的合理决策阈值来构建分层分类结构进行分类识别;最后,对于在高斯噪声背景下的传输信道进行仿真实验,仿真实验结果表示,当信噪比等于-3 dB时,MPSK、2ASK、2FSK几种调制信号的识别率达80%以上,当信噪比大于2 dB及以上时,调制信号的识别准确率基本达到98%,充分证明了与其他调制识别方法相比,该算法可以实现低信噪比下提高调制信号识别率。     

基于一维多尺度深度残差网络的电能质量扰动分类

针对传统电能质量扰动识别和分类方法存在分类准确率低、泛化能力差、鲁棒性弱的问题,提出了一种基于深度学习的一维多尺度深度残差网络(1D-MDR)对电能质量扰动进行识别分类的方法。该方法首先引入多尺度熵对扰动信号进行预处理,有效地表征扰动信号的多尺度特征;然后将多尺度特征信号输入到基于自适应软阈值的深度残差网络中,对多尺度电能质量扰动信号进行特征提取并融合;最后,利用全连接网络实现电能质量扰动信号的分类。仿真实验表明,提出的方法能够自动、准确地进行特征提取,并进行有效的识别分类。通过对比实验,证明该方法具有更高的准确率。     

一种基于FPGA的OQPSK调制电路的实现

信号的调制识别技术在目前数字通信中应用极为广泛,首先介绍了OQPSK 调制信号以及成型滤波器的原理,在此原理基础上给出了一种基于 FPGA的OQPSK调制电路的实现方法,并用MATLAB仿真工具得到成型滤波器的仿真模型及滤波性能,在 Modelsim 仿真环境下对该调制实现方法进行仿真验证,得到 OQPSK 调制信号的波形,最后给出仿真结果,证实此OQPSK调制方法的可行性.     

基于深度神经网络和随机森林集成模型的ADS-B辐射源个体识别

针对辐射源个体识别中单一神经网络随着辐射源个体数量的增加，模型的识别准确率显著下降的问题，提出一种基于深度神经网络和随机森林集成模型的广播式自动相关监视(ADS-B)辐射源个体识别方法。该方法利用多种深度神经网络模型和随机森林对增强数据集进行训练，然后利用集成学习方法中的硬投票方法对各网络模型和随机森林识别得到的结果进行集成表决，使得识别结果更具有说服力，同时在在辐射源个体数量增加的情况下依旧保持较高的识别率。实验结果表明，在融合了DRSN、VGG、ResNet、GoogleNet、DenseNet 5类神经网络和随机森林后，相比于单一的神经网络，识别准确率能够提升了3%～20%,且在辐射源个体数量增加的情况下依然能保持较高的识别准确率。     

基于改进瞬时特征参数的数字调制识别

自动调制识别作为非协作通信系统的关键技术,仍然是通信对抗领域的研究热点。在此背景下针对基于瞬时特征调制识别算法在低信噪比条件下识别率低、识别信号有限等问题,提出了一种基于改进瞬时特征参数调制识别算法。该算法首先在I/Q基带信号中提取6种改进瞬时特征参数,然后依据改进特征的区分度构建决策树分类器,最终结合仿真实验与特征理论值给出恰当的判决门限。仿真实验结果表明,当信噪比低至1 dB时,10种数字调制信号的平均识别率在92%以上。     

基于双模式分解多通道输入的VSC-STATCOM逆变器故障诊断模型

针对传统电压源型静止同步补偿器中逆变器故障诊断存在的信号特征提取不充分,深度学习网络识别能力不足以及高噪声情况下识别率较低等问题,提出了一种基于双模式分解、多通道输入(MCI)、并行卷积神经网络(PCNN)、双向长短时记忆(BiLSTM)网络和自注意力(SA)机制组合的逆变器故障诊断方法。首先利用变分模态分解和时变滤波经验模态分解对逆变器输出的三相电流进行分解,降低原始信号复杂程度,实现不同模态分量间的规律互补;其次,利用MCI-PCNN-BiLSTM-SA组合模型对特征矩阵进行深层特征提取、学习和识别;最后,通过仿真进行验证,结果表明所提方法特征提取能力较强,在无噪声情况下平均识别率高达99.48%,在高噪声情况下平均识别率达95.59%。     

基于卡尔曼滤波和深度置信网络的复合电能质量扰动分类

针对实际电能质量扰动数据大、识别多重扰动精度不高的问题,提出了一种基于自适应最大似然卡尔曼滤波和深度置信网络相结合的电能质量扰动识别方法。首先,该方法使用自适应最大似然卡尔曼滤波对含有噪声的原始扰动信号进行去噪。然后,通过深度置信网络对去除噪声的扰动信号进行训练、分类,以此实现电能质量扰动类型的识别。最后,在20类不同噪声水平下的电能质量扰动信号上进行测试。由仿真结果可知,在不同的噪声水平下,该方法都具有较高的分类正确率,表明了该方法的有效性及对噪声的强鲁棒性。     

一种轴承故障诊断的多任务深度学习方法

提出一种基于多任务深度学习的故障诊断方法,将故障诊断任务分为故障分类和损伤程度识别。 共享层采用卷积神经 网络提取监测振动信号中蕴含的故障特征信息,两个子任务模块使用门控循环单元从共享层的输出中进一步提取特征,进行故 障分类和损伤程度识别。 在多任务深度学习方法中两个子任务模块可以通过共享层相互影响,提高模型的特征提取能力,获得 更好的故障诊断性能。 在轴承数据集上进行故障诊断实验,同时与故障分类单任务模型和损伤程度识别单任务模型进行对比, 以检验多任务深度学习方法的故障诊断性能,实验结果显示多任务深度学习模型在测试集上两个任务同时正确的准确率为 99. 79%。 为进一步验证多任务深度学习方法的特征提取能力,在测试集中添加不同程度的高斯噪声进行故障诊断实验,在较 强噪声情况下,多任务深度学习模型的准确率明显高于单任务深度学习模型。 研究结果表明,多任务深度学习模型与单任务深 度学习模型相比故障诊断准确率更高,同时抗噪性能更好,具有一定的实用价值。     

基于神经网络的低压电力线载波通信信号调制识别研究

研究低压电力线载波通信信号调制识别技术对建立相关通信领域的规范化测试标准具有重要意义。通过采集电力线载波芯片发送的调制信号样值,经预处理后提取信号四类特征参数,并利用BP神经网络结合双特征参数阈值判决法对特征参数进行判决归类,从而实现调制类型的自动识别。仿真及实测数据结果表明,提出的特征参数集和基于双特征参数阈值判决的神经网络分类器能够有效识别低压电力线载波BFSK、BPSK和QPSK调制信号,在信噪比大于10d B的情况下,该方法的识别正确率可达95%以上。     

模糊推理和深度学习数模融合的卡尔曼滤波腐蚀预测

腐蚀状态的准确预测对油气储运、化工设备安全可靠运行具有重要意义。因腐蚀过程复杂,影响因素多,导致常规腐蚀预测方法中先验模型对环境依赖性大,中长期预测效果差。本文提出一种融合模糊推理和深度学习的数模融合驱动的卡尔曼滤波腐蚀预测方法。首先结合腐蚀物理模型和实际监测数据,建立腐蚀速度模糊规则,得到基于现场环境的结合物理模型的修正腐蚀速度。同时针对模糊推理结果存在的预测滞后性,考虑腐蚀监测数据的长期规律性,利用深度学习预测腐蚀速度;然后融合模糊策略和深度学习预测结果,实现基于卡尔曼滤波的数模融合腐蚀预测。最后利用天然气管道实际腐蚀监测数据,与高斯过程回归(Gaussian process regression, GPR),粒子群优化灰度模型(particle swarm optimization gray model, PSOGM),模糊推理(fuzzy reasoning, FR),多层感知机(multilayer perceptron, MLP)和卡尔曼滤波预测方法(Kalman filter, KF)进行了对比验证分析。结果表明本文所提方法具有良好的预测效果,对两年内腐蚀状态的相对预测误...     

基于深度学习的无人机巡检图像质量问题识别与实践

无人机在巡检时受到电噪声和振动噪声干扰,产生图像非线性畸变和振动偏移,造成巡检过程中电力仪表指针数值识别失败。为了解决上述问题,研究基于深度学习的无人机巡检图像质量问题识别与实践。引入深度学习训练提取噪声畸变点信息,利用最小二乘法计算噪声畸变点检测数据,分析检测距离,根据无人机自动读数机制的角度数据计算圆弧数值,解析仪表读数,完成深入分析。根据三维直方图像内部的灰度信息得到维轴距概率,按照深度学习模式提取相应的噪点影响参数,通过计算权值参数求得非局部均值。实践结果表明,所提方法能有效提高电力仪表指针图像识别的清晰度,有效滤除噪声,加强图像识别效果。     

基于虚拟仪器的深空信道仿真器的设计与实现

为了对深空通信设备进行测试和性能评价,提出了基于虚拟仪器的深空信道仿真器的设计方法,研究了残留载波调制技术,发射信号在深空信道中的时变衰落以及基于虚拟仪器仿真技术的实现方法。并基于NI PXI5671虚拟仪器平台,研制出参数可任意配置并且可与轨道信息相结合的中频信道仿真器,在＂萤火一号＂地面测试中发挥一定作用。通过对该深空信道仿真器输出信号的频谱与理论值的对比,验证了信道仿真器的准确性和有效性。