基于小波变换的电力线通信信号识别研究

在电力线数字通信信号识别研究中,针对电力线通信强噪声干扰和识别器算法复杂的现状,设计了一种算法简单、计算量小的信号识别器。在输入噪声为背景噪声的条件下,通过小波变换的方法提取电力线数字通信信号的特征值,由统计识别模式得到最优识别阈值,将阈值和信号的特征值进行比较,最终识别信号的调制类型。仿真结果表明,当信噪比为5dB时,类间和类内的正确识别率分别达到93%和95%。     

基于高阶累积量和SVM的OFDM调制制式识别

针对Rayleigh衰落信道条件下OFDM信号与单载波信号调制识别问题,提出一种基于高阶累积量和支撑矢量机的信号识别算法.在接收端计算接收信号的高阶累积量作为提取的特征值,构造分类特征向量,支撑矢量机分类器将分类特征向量非线性地映射到高维特征空间中,并建立一个最优超平面来实现信号调制方式的分类.该方法不需要信号的载波频率、波特率等先验信息,直接在中频对信号进行处理.仿真结果表明,该算法对Rayleigh衰落和高斯噪声均不敏感,对信噪比的变化有很强的适应能力.且该算法识别概率高,性能稳定,复杂度低,适合实时处理.     

基于无线传感网的分布式协作调制识别算法

针对低信噪比时单接收节点调制识别率低的问题,提出了基于无线传感网的分布式协作调制识别方法,在低信噪比下实现对四种典型调制方式的正确识别。首先利用网络中相互协作的多个传感器节点,从提高性能出发,在节点能耗最小的前提下,根据特征的识别能力与信噪比的关系以及特征计算量来设计协作方案,每节点只提取部分特征。中心节点处将汇聚来的特征组合成特征向量,并利用支持向量机分类器对其进行分类。仿真表明,该方法的识别性能优于单节点和已有的多节点方法,传感器节点能耗降低,并且对信噪比环境具有更好的自适应性。     

基于小波包络差异性的数字调制方式识别技术

针对通信系统中数字信号调制方式难以准确识别的问题,根据归一化前后小波变换包络的差异性,提出基于小波变异系数差值(ΔCV)和相似度特征的识别算法。该算法对MASK、MFSK、MPSK和MQAM 4种数字调制信号进行分类识别。理论分析和仿真实验表明算法简单易行,适用范围广,且在信噪比大于2 dB时数字调制信号识别率均在92.39%以上。     

基于多端CNN的通信信号自动调制识别研究

为有效解决通信信号自动调制识别的调制类型识别率低和调制强度识别误差高的问题,研究了基于多端CNN的通信信号自动调制识别方法。根据不同类型调制方法的作用原理,设置通信信号调制识别标准。考虑通信信号的传输过程,构建通信信号模型,利用带通采样工具采集初始通信信号,通过小波消噪、归一化等步骤,完成初始信号的预处理。利用多端CNN算法构建通信信号识别器,提取幅值、相位、频率等通信信号特征参数,通过特征匹配得出信号调制类型与强度的识别结果,实现通信信号自动调制识别。通过与传统识别方法的对比得出结论：综合考虑有、无干扰两种类型的通信信号,优化设计识别方法的调制类型识别率提高了49.6%,调制强度识别误差降低了约0.0285。     

一种基于ST-RFT算法的数字调制信号识别方法

将短时拉曼努金傅里叶变换(ST-RFT)应用于数字调制信号识别的研究中,以寻求提高低SNR条件下数字调制信号识别率的新方法。通过归一化ST-RFT谱图计算、特征参量提取以及阈值判别来实现调制信号的识别。针对5种常见的数字调制信号进行仿真分析,结果表明,在SNR=0 dB的信噪比条件下,基于ST-RFT算法的数字调制信号识别方法的平均识别率可以达到90%,比基于谱图时频分析法的识别率提高了10.4%;特别是相比于基于瞬时幅度和瞬时频率的特征方法,4FSK调制信号的识别率可提高9%。基于ST-RFT算法的数字调制信号识别方法能够 在低SNR条件下有效识别数字调制信号,具有良好的工作性能。     

基于BP神经网络的数字调制识别方法

针对低信噪比条件下通信信号调制类型识别困难的问题,提出一种新的基于瞬时信息的数字调制识别方法。该方法采用改进的小波阈值消噪算法对信号的瞬时信息进行消噪处理,从而增大不同调制信号间特征值的差异,再采用弹性反向传播(RPROP)算法训练的BP神经网络对MASK,MFSK,MPSK,MQAM等7种调制信号进行分类识别。仿真结果表明:该算法在信噪比低至2dB时,能使所有调制信号均达到96%以上的正确识别率,极大地改善了低信噪比下的识别性能。     

基于标准序列浮动前向特征选择的改进算法研究

信息技术的高速发展促进了信息领域内涵的根本性变革,信息特征的表述方法和内涵不断扩充,高维特征大幅涌现;这些高维特征中可能存在许多不相关和冗余特征,造成了维度灾难,这对基于特征空间聚散特性的分类识别算法提出了更高的要求,需要利用特征选择算法,降低特征向量维数并消除数据噪音的干扰;针对高维特征向量引入的维度灾难等问题,围绕目标分类识别的具体应用,基于标准的序列浮动前向特征选择算法,完成交叉验证重复次数优化,提出了改进的特征选择算法;通过仿真实验表明,基于Bayesian分类器开展识别时,改进算法能够在确保分类识别正确率的前提下,有效提升特征选择的计算速度,并维持一个相对更为收敛且稳定的置信区间,具备良好的准确度。     

基于局部围线积分双谱的通信辐射源个体识别

对同类通信辐射源个体识别方法进行了深入的研究,提出了基于局部围线积分双谱的通信辐射源个体识别算法,融合了辐射源调制特征参量作为分类特征向量,采用了基于混合核函数的支持向量机(SVM)实现辐射源个体识别。实验结果表明,该方法具有较高的正确识别率(90%以上),并能够较好地解决同型号、同批次通信辐射源的个体识别问题。     

基于HMM与SVM的语音活动检测

工程机械强噪音环境下的噪声源较多,导致电话语音通话无法进行,且强噪声造成无效数据占用带宽。为此,提出基于隐马尔科夫模型(HMM)和支持向量机(SVM)的语音活动检测算法。该算法将提取的美尔频率倒谱系数特征向量输入到HMM识别器中,并通过Viterbi算法得到N维最佳识别结果,将其转换为SVM特征向量输入到SVM分类器中进行分类判别,得到判决结果。实验结果表明,该算法在机械工作噪音的情况下,语音检测率较静态统计类算法平均提高9%,比小波支持向量机方法提高11%,在驾驶室噪音的情况下比小波SVM方法有较小幅度的提高,但其增长速度较快,且比传统的统计类算法提高9%。     

Recognition of control chart patterns using an intelligent technique

Control chart patterns (CCPs) are important statistical process control tools for determining whether a process is run in its intended mode or in the presence of unnatural patterns. Automatic recognition of abnormal patterns in control charts has seen increasing demands nowadays in the manufacturing processes. This paper presents a novel hybrid intelligent method for recognition of common types of CCP. The proposed method includes three main modules: the feature extraction module, the classifier module and optimization module. In the feature extraction module, a proper set of the shape features and statistical features is proposed as the efficient characteristic of the patterns. In the classifier module multilayer perceptron neural network and support vector machine (SVM) are investigated. In support vector machine training, the hyper-parameters have very important roles for its recognition accuracy. Therefore, in the optimization module, improved bees algorithm is proposed for selecting of appropriate parameters of the classifier. Simulation results show that the proposed algorithm has very high recognition accuracy.     

融合词语统计特征和语义信息的文本分类方法研究

为了更好地表示文本语义信息,提高文本分类准确率,改进了特征权重计算方法,并融合特征向量与语义向量进行文本表示.首先基于文本复杂网络实现文本特征提取,接着利用网络节点统计特征改进TF-IDF得到特征向量,再基于LSTM抽取语义向量,最后将特征向量与语义向量相融合,使新的文本表示向量信息区分度更高.以网络新闻数据为实验对象的实验结果表明,改进特征权重计算方法,在特征向量中引入了语义和结构信息,并融合特征向量和语义向量,能进一步丰富文本信息,改善文本分类效果.     

基于粗糙集和改进鲸鱼优化算法的特征选择方法

随着互联网和物联网技术的发展,数据的收集变得越发容易。但是,高维数据中包含了很多冗余和不相关的特征,直接使用会徒增模型的计算量,甚至会降低模型的表现性能,故很有必要对高维数据进行降维处理。特征选择可以通过减少特征维度来降低计算开销和去除冗余特征,以提高机器学习模型的性能,并保留了数据的原始特征,具有良好的可解释性。特征选择已经成为机器学习领域中重要的数据预处理步骤之一。粗糙集理论是一种可用于特征选择的有效方法,它可以通过去除冗余信息来保留原始特征的特性。然而,由于计算所有的特征子集组合的开销较大,传统的基于粗糙集的特征选择方法很难找到全局最优的特征子集。针对上述问题,文中提出了一种基于粗糙集和改进鲸鱼优化算法的特征选择方法。为避免鲸鱼算法陷入局部优化,文中提出了种群优化和扰动策略的改进鲸鱼算法。该算法首先随机初始化一系列特征子集,然后用基于粗糙集属性依赖度的目标函数来评价各子集的优劣,最后使用改进鲸鱼优化算法,通过不断迭代找到可接受的近似最优特征子集。在UCI数据集上的实验结果表明,当以支持向量机为评价所用的分类器时,文中提出的算法能找到具有较少信息损失的特征子集,且具有较高的分类精度。因此,所提算法在特征选择方面具有一定的优势。     

基于改进斑点鬣狗优化算法的同步优化特征选择

针对传统支持向量机（SVM）在封装式特征选择中分类精度低、特征子集选择冗余以及计算效率差的不足,利用元启发式优化算法同步优化SVM与特征选择。为改善SVM分类效果以及选择特征子集的能力,首先,利用自适应差分进化（DE）算法、混沌初始化与锦标赛选择策略对斑点鬣狗优化（SHO）算法改进,以增强其局部搜索能力并提高其寻优效率与求解精度;其次,将改进后的算法用于特征选择与SVM参数调整的同步优化中;最后,在UCI数据集进行特征选择仿真实验,采取分类准确率、选择特征数、适应度值及运行时间来综合评估所提算法的优化性能。实验结果证明,改进算法的同步优化机制能够在高分类准确率下降低特征选择的数目,该算法比传统算法更适合解决封装式特征选择问题,具有良好的应用价值。     

Measuring saliency of features representing EEG signals using signal-to-noise ratios

Various methodologies of automated diagnosis have been adopted, however the entire process can generally be subdivided into a number of disjoint processing modules: pre-processing, feature extraction/selection, and classification. Features are used to represent patterns with minimal loss of important information. The feature vector, which is comprised of the set of all features used to describe a pattern, is a reduced-dimensional representation of that pattern. Medical diagnostic accuracies can be improved when the pattern is simplified through representation by important features. By identifying a set of salient features, the noise in a classification model can be reduced, resulting in more accurate classification. In this study, a signal-to-noise ratio (SNR) saliency measure was employed to determine saliency of input features of probabilistic neural networks (PNNs) used in classification of electroencephalogram (EEG) signals. In order to extract features representing the EEG signals, eigenvector methods were used. The PNNs used in the EEG signals classification were trained for the SNR screening method. The application results of the SNR screening method to the EEG signals demonstrated that classification accuracies of the PNNs with salient input features are higher than that of the PNNs with salient and non-salient input features.     

Towards an accurate radar waveform recognition algorithm based on dense CNN

Existing algorithms for radar waveform classification currently exhibit the lower recognition accuracy, especially at the lower signal to noise ratio (SNR) environment. To remedy these flaws, this paper proposes an accurate automatic modulation classification algorithm based on dense convolutional neural networks (AAMC-DCNN). The algorithm owns the competitive advantages of strengthening the feature reuse and extracting the detailed feature, for improving the recognition performance of radar waveform at the lower SNR. First, the dense convolutional neural networks (CNN) are designed, which connects each layer to every other layer in a feed-forward pattern. In the latter, 8 types of signals are converted into time-frequency images by choi-williams distribution (CWD), and the large training and testing datasets are fabricated. Then, the transfer learning and Adam optimization are introduced. Finally, the experimental analyses are carried out to evaluate the recognition performance. It is worth mentioning that the classification accuracy can be up to 93.4% when the SNR is ?8 dB, and even reach to 100% at 0 dB, which demonstrates the superior performance over others. The present work provides a sound experimental basis for further studying automatic modulation classification for the sake of future field application in electronic warfare systems.

     

基于遗传乌燕鸥算法的同步优化特征选择

针对传统支持向量机方法用于数据分类存在分类精度低的不足问题, 将支持向量机分类方法与特征选择同步结合, 并利用智能优化算法对算法参数进行优化研究. 首先将遗传算法(Genetic algorithm, GA)和乌燕鸥优化算法(Sooty tern optimization algorithm, STOA)进行混合, 先通过对平均适应度值进行评估, 当个体的适应度函数值小于平均值时采用遗传算法对其进行局部搜索的加强, 否则进行乌燕鸥本体优化过程, 同时将支持向量机内核函数和特征选择目标共同作为优化对象, 利用改进后的STOA-GA寻找最适应解, 获得所选的特征分类结果. 其次, 通过16组经典UCI数据集和实际乳腺癌数据集进行数据分类研究, 在最佳适应度值、所选特征个数、特异性、敏感性和算法耗时方面进行对比研究, 实验结果表明, 该算法可以更加准确地处理数据, 避免冗余特征干扰, 在数据挖掘领域具有更广阔的工程应用前景.     

A NOVEL EMBEDDED FEATURE SELECTION METHOD: A COMPARATIVE STUDY IN THE APPLICATION OF TEXT CATEGORIZATION

In text classification based on a vector space model, the high dimension of the feature may pose some problems. These problems occur not only for computational reasons, but also because of overfitting. Feature selection is an important preprocessing step used for text classification applications to reduce the vector space size, control the computational time, and maintain or improve performance. In this study, we used an embedded approach in feature selection in which the Chi-square (CHI) feature selector is a filter step. In this step, the less discriminative features are discarded. In the wrapper step, a novel algorithm is proposed based on the combination of the fast global search ability of the genetic algorithm (GA) and the positive feedback mechanism of ant colony optimization (ACO). In order to validate our approach, we carried out a series of experiments on Reuters-21578 corpus, and we compare the achieved results with some other well-known techniques. The evaluation results are such that our method obtained a better performance compared with the other methods in the majority of cases.     

基于权值自适应优化的协作频谱认知算法

提出一种基于权值自适应优化的协作频谱认知算法。根据各协作认知节点的信噪比分配合适的权值向量,反映对检测统计量的贡献大小。基于最小均方误差原则,权值向量可根据实际的各节点信噪比向量进行自适应优化,从而提高认知网络中存在低信噪比节点时的检测性能。仿真结果表明,与传统协作算法相比,该算法无论在节点高信噪比或低信噪比条件下均有更优的检测性能,且收敛速度较快。     

基于改进秃鹰搜索算法的同步优化特征选择

针对传统支持向量机在封装式特征选择中分类效果差、子集选取冗余、计算性能易受核函数参数影响的不足,利用元启发式优化算法对其进行同步优化.首先利用莱维飞行策略和模拟退火机制对秃鹰搜索算法的局部搜索能力与勘探利用解空间能力进行改进,通过标准函数的测试结果验证其改进的有效性;其次将支持向量机核函数参数作为待优化目标,利用改进后...