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。     

基于卷积长短时深度神经网络的信号调制方式识别方法

针对信号调制方式识别计算复杂度高、低信噪比（SNR）条件下识别率较低、网络结构相对单一的问题,提出一种基于卷积长短时深度神经网络（CLDNN）的信号调制方式识别方法。首先,采用基准开源数据集RadioML2016.10a,对该数据集做同相正交（I/Q）数据转换,并将得到的结果作为网络输入;其次,构建CLDNN模型,模型分为三层卷积神经网络（CNN）、两层长短期记忆（LSTM）网络和两层全连接网络（FCN）;最后,对所提模型进行训练及测试,得到分类结果。实验结果表明,对11种信号在不同SNR下进行调制方式识别时,与现有的单一网络结构模型如残差神经网络（RES）模型、CNN模型和残差生成对抗网络（RES-GAN）模型进行对比,随着SNR的提升,CLDNN模型的识别准确率也随之提高,且CLDNN模型的识别准确率均高于其他3种对比模型,当SNR在4 dB以上时,达到了92%。     

基于通信信号时频特性的卷积神经网络调制识别

在通信环境日益密集、信号调制样式层出不穷的情况下,信号的调制识别变得愈加困难。寻求一种高精度、时效性好的自动调制识别新方法,对无线电通信应用领域有重大意义。对此,文中提出了一种结合通信信号时频特性的卷积神经网络(Convolutional Neural Network Based on Time-Frequency Characteristics,TFC-CNN)调制识别算法。首先,采集大量调制信号,将信号的时频特征通过短时傅里叶变换转换成图像特征,并将其作为网络的输入;然后,设计一种特征提取能力更强、参数更少的卷积神经网络,通过改进网络中不同层的连结方式来增加网络的特征提取能力,同时通过减小卷积核的尺度、使用全局均值池化层来减少模型参数,提高了模型的时效性;最后,在网络中添加批归一化(Batch Normalization,BN)层,在增加模型稳定性的同时防止模型出现过拟合。实验结果表明,所提算法在参数和训练时间上比传统方法明显减少,同时有更高的准确率,体现了所提算法的优越性。     

新型雷达辐射源识别

目的 雷达辐射源识别是指先提取雷达辐射源信号特征,再将特征输入分类器进行识别。随着电子科技水平的提高,各种干扰技术应用于雷达辐射源信号中,使得信号个体特征差异越来越不明显,仅靠传统的模板匹配、分类器设计、决策匹配等辐射源识别技术难以提取信号可辨性特征。针对这一问题,利用深度学习良好的数据解析能力,提出了一种基于卷积神经网络的辐射源识别方法。方法 根据雷达辐射源信号的特点,对未知辐射源信号提取频域、功率谱、信号包络、模糊函数代表性切片等传统域特征,从中获得有效的训练样本特征集合,利用卷积神经网络自动获取训练样本深层个体特征得到辐射源识别模型,将其用于所有测试样本中,获得辐射源识别结果。结果 在不同域特征下对卷积神经网络的识别性能进行测试实验,并将本文方法与基于机器学习和基于深度强化学习的深度Q网络模型（depth Q network,DQN）识别算法进行对比,结果表明,当卷积神经网络的输入为频域特征时,本文方法的识别准确率达100%,相比支持向量机（support vector machine,SVM）提高了0.9%,当输入为模糊函数切片特征和频域时,本文方法的平均识别准确率与SVM模型、极限学习机（extreme learning machine,ELM）分类器和DQN算法相比,分别提高了16.13%、1.87%和0.15%。结论 实验结果表明本文方法能有效提高雷达辐射源信号的识别准确率。     

基于卷积神经网络的身份证号码识别研究与实现

卷积神经网络是深度学习的一种高效识别算法,将卷积神经网络引入身份证号码识别中,能够提高识别精度。卷积神经网络可以直接输入原始图像,避免对图像进行复杂预处理工作。在卷积神经网络的设计中,主--考虑网络层数、卷积层神经元数、子采样层神经元数和输出层的神经元数等因素。本次实验所设计的卷积神经网络结构由3个卷积层、2个子采样层及1个完全连接层组成。     

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。     

基于轻量型网络的单载波信号调制识别

针对当前应用深度学习实现数字信号调制识别过程中网络复杂、计算量高、硬件平台要求高的问题, 本文提出了在改进的MobileNetV3轻量级神经网络中使用信号星座图调制识别的方法. 首先, 将接收到的MPSK和MQAM信号转换成星座图像, 将其进行灰度图像提取, 灰度图像增强, 构建星座图的图像数据集, 然后将ResNet中的跨层结构引入MobileNetV3网络, 解决了随着网络层数的增加, 权重减小而导致的梯度消失现象. 最后将星座图数据集用于训练MobileNetV3的轻量型神经网络权重, 对星座图像进行识别. MobileNetV3基于深度卷积可分离和神经架构搜索(network architecture search, NAS)技术在保证识别精度的前提下, 大大降低了参数量和训练时间, 将对于简单信号的调制识别, 轻量型神经网络可以有效简化网络结构, 降低对硬件设备的要求. 仿真结果表明, 针对的调制信号(BPSK、QPSK、8PSK、16QAM、64QAM), 能实现识别率为99.76%的调制识别, 相较于传统应用深度学习实现调制识别的网络, 网络参数量和计算量明显减小.     

图像分类的深度卷积神经网络模型综述

图像分类是计算机视觉中的一项重要任务,传统的图像分类方法具有一定的局限性。随着人工智能技术的发展,深度学习技术越来越成熟,利用深度卷积神经网络对图像进行分类成为研究热点,图像分类的深度卷积神经网络结构越来越多样,其性能远远好于传统的图像分类方法。本文立足于图像分类的深度卷积神经网络模型结构,根据模型发展和模型优化的历程,将深度卷积神经网络分为经典深度卷积神经网络模型、注意力机制深度卷积神经网络模型、轻量级深度卷积神经网络模型和神经网络架构搜索模型等4类,并对各类深度卷积神经网络模型结构的构造方法和特点进行了全面综述,对各类分类模型的性能进行了对比与分析。虽然深度卷积神经网络模型的结构设计越来越精妙,模型优化的方法越来越强大,图像分类准确率在不断刷新的同时,模型的参数量也在逐渐降低,训练和推理速度不断加快。然而深度卷积神经网络模型仍有一定的局限性,本文给出了存在的问题和未来可能的研究方向,即深度卷积神经网络模型主要以有监督学习方式进行图像分类,受到数据集质量和规模的限制,无监督式学习和半监督学习方式的深度卷积神经网络模型将是未来的重点研究方向之一;深度卷积神经网络模型的速度和资源消耗仍不尽人意,应用于移动式设备具有一定的挑战性;模型的优化方法以及衡量模型优劣的度量方法有待深入研究;人工设计深度卷积神经网络结构耗时耗力,神经架构搜索方法将是未来深度卷积神经网络模型设计的发展方向。     

基于深度学习的OFDM系统窄带干扰消除方法研究

针对正交频分复用（OFDM）系统中的窄带干扰（NBI）引起的性能下降,提出了两种基于深度学习（DL）的窄带干扰消除结构。在两种结构中,首先分别对接收信号进行预处理,然后利用卷积神经网络（CNN）从时域上对经过预处理的数据进行特征提取并获得干扰估计,最后将干扰估计量从接收信号中消去。仿真结果显示,两种结构可以有效学习出OFDM系统中的窄带干扰,并提升系统性能。     

基于卷积神经网络的图像信息识别系统设计

针对传统图像信息识别系统在图像信息识别应用中误识率较高的现状,提出了基于卷积神经网络的图像信息识别系统的设计。在系统硬件方面,对中心交换机和加速器进行选型与设计;在系统软件方面,对图像数据进行灰度转换、灰度拉伸、滤波处理,并利用卷积神经网络技术对图像特征进行深度挖掘,以识别图像信息。测试实验结果表明,设计的系统误识率低于传统图像信息识别系统,具有较好的可行性与可靠性。     

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。     

改进胶囊网络优化分层卷积的亚健康识别算法

针对传统卷积神经网络(CNN)为获得高准确率不断堆叠卷积层、池化层致使模型结构复杂、训练时间长且数据处理方式单一的问题,提出改进胶囊网络优化分层卷积的亚健康识别算法.首先,对原始振动数据进行小波降噪和小波包降噪两种数据处理,更好地保留原始信号中对亚健康识别有用的信息;其次,CNN采用分层卷积的思想,并行3个不同尺度的卷...     

一种小波特征与深度神经网络结合的信号制式识别算法

针对当前通信信号的制式识别算法在低信噪比情况下识别不准确的问题,提出一种新的小波特征与改进的深度神经网络结合(WL-DNN)的识别算法。该算法将生成的10种{2ASK、4ASK、2PSK、4PSK、2FSK、4FSK、OFDM、16QAM、AM、FM}含有高斯白噪声的通信信号,用小波分解重构算法提取出一类新的小波特征参数。本文测试了含有多层隐含层的改进BP神经网络作为分类器,利用弹性反向传播算法训练神经网络的参数,确定神经网络的最优超参数。仿真结果表明:在信噪比低至0 dB的情况下,单个调制信号最低识别率超过95%,平均识别率超过98%,大幅提高了制式识别在低信噪比下的识别率,由此表明了该算法的有效性和正确性。     

基于无监督学习卷积神经网络的振动信号模态参数识别

针对现有的时域模态参数识别方法大多存在难定阶和抗噪性差的问题,提出一种无监督学习的卷积神经网络（CNN）的振动信号模态识别方法。该算法在卷积神经网络的基础上进行改进。首先,将应用于二维图像处理的卷积神经网络改成处理一维信号的卷积神经网络,其中输入层改成待提取模态参数的振动信号集合,中间层改成若干一维卷积层、抽样层,输出层得到的为信号对应的N阶模态参数集合;然后,在误差评估中,对网络计算结果（N阶模态参数集）进行振动信号重构;最后,将重构信号和输入信号之间差的平方和作为网络学习误差,使得网络变成无监督学习网络,避免模态参数提取算法的定阶难题。实验结果表明,当所构建的卷积神经网络应用于模态参数提取时,与随机子空间识别（SSI）算法及其局部线性嵌入（LLE）算法对比,在噪声干扰下,构建的卷积神经网络识别精度要高于SSI算法与LLE算法,具有抗噪声强、避免了定阶难题的优点。     

卷积神经网络SIP微系统实现

近年来,微电子技术进入到纳电子/集成微系统时代,SIP(System in Package)和SOC(System on Chip)是微系统实现的两种重要技术途径;基于神经网络的深度学习技术在图形图像、计算机视觉和目标识别等方面得以广泛应用.卷积神经网络的深度学习技术在嵌入式平台的小型化、微型化是一项重要研究领域.如何...     

基于卷积神经网络的工控网络异常流量检测

针对工控系统中传统的异常流量检测模型在识别异常上准确率不高的问题，提出一种基于卷积神经网络（CNN）的异常流量检测模型。该模型以卷积神经网络算法为核心，主要由1个卷积层、1个全连接层、1个dropout层以及1个输出层构成。首先，将实际采集的网络流量特征数值规约到与灰度图像素值相对应的范围内，生成网络流量灰度图；然后，将生成好的网络流量灰度图输入到设计好的卷积神经网络结构中进行训练和模型调优；最后，将训练好的模型用于工控网络异常流量检测。实验结果表明，所提模型识别精度达到97.88%，且与已有的精度最高反向传播（BP）神经网络测精度提高了5个百分点。     

水声通信调制识别方法研究

随着陆海空一体化6G通信网络的不断发展,水声调制信号识别技术在民用和军用领域中均具有十分重要的意义与价值,以保障通信系统的信息安全。本文首先从现有的识别方法入手,对经典的水声通信调制识别方法进行了系统梳理;其次,设计了一种迁移学习策略的水声通信调制识别方法,并通过水声信道建模生成了4种典型水声通信信号的数据集（包括BPSK、QPSK、2FSK和4FSK）,采用小波方法获取信号时频特征,基于迁移学习理论设计AlexNet网络,以实现水声通信信号的调制方式识别。仿真实验结果表明,所提出方法在低信噪比下的识别率均能保持在85%以上,具有较好的识别性能。     

基于K-means算法改进的SOM神经网络调制识别分类器

通信过程中,获得情报信息的关键步骤是清楚接收到的调制信号的调制方式.随着现代通信技术的高速发展,人工智能广泛应用于调制方式识别领域.提出将自组织特征映射(Self-Organizing feature Map,简称SOM网络)神经网络用于调制制式的识别.用K均值(K-means)聚类算法来寻找每类特征参数的两个聚类中心...     

基于深度学习的LoRa信号识别研究

针对低信噪比环境下传统匹配滤波算法在LoRa信号解调中误码率较高的问题,提出了一种基于深度学习的LoRa信号识别方法。设计的监督学习神经网络由输入层、卷积层、全连接层、分类层和输出层组成,利用不同信噪比的加性高斯白噪声信道模型生成的LoRa接收信号对神经网络模型进行训练,再将训练好的神经网络应用于LoRa解调的信号识别。仿真实验表明,在系统扩频因子为7且误码率为10^-4时,卷积神经网络的信噪比相比传统的匹配滤波解调方法提升了5～6 dB,相应的自由空间传输距离提升了80%～90%。     

利用自适应调制进行OFDM系统PAPR抑制

根据相同的信息比特采用不同调制样式时所得的正交频分复用（OFDM）信号的峰均功率比（PAPR）不同,提出了一种利用自适应调制进行OFDM系统PAPR抑制的算法,并设计了利用该算法的OFDM系统。算法通过设定一个可选调制样式集合,改变发端信息比特的调制样式,选择具有最小PAPR值的OFDM信号作为传输的OFDM信号,从而使整个系统的PAPR得到抑制。在接收端,通过对OFDM符号的调制样式进行识别,完成对调制信息解调。由于算法不需要传输需严格保护的边带信息,系统具有较强的可靠性和抗干扰能力。仿真结果表明,利用自适应调制可有效地进行OFDM系统PAPR抑制;同已有算法相比,在多径信道下,利用该算法的OFDM系统的误码率性能总体上较好。