基于深度学习的电磁信号调制识别方法

电磁信号调制识别是电磁信息安全领域的重要技术基础。该文针对无线衰落造成电磁信号调制识别准确率低的问题,研究比较了基于深度学习的无线衰落信道电磁信号的调制识别方法。通过Matlab仿真生成同向正交(IQ)电磁信号数据,比较分析了AlexNet、VGGNet、ResNet和DenseNet四类神经网络模型的信号调制识别准确率,得到适合应用于无线衰落信道电磁信号调制识别的模型。结果表明,DenseNet神经网络对信号调制识别的准确率最好,达到82.10%。本研究为电磁信号调制识别在电磁信息安全等领域的应用提供重要参考。     

基于多尺度金字塔池化的调制识别算法

针对传统基于特征提取(FB)的信号调制识别算法所存在的识别准确率低、特征提取难度大以及算法泛化性能差等问题,结合卷积神经网络(CNN)和多尺度金字塔池化(MSPP)提出一种基于MSPP-CNN的信号自动调制识别(AMR)算法。在所提出的算法中,使用多尺度金字塔池化提高模型对不同调制信号的非线性特征提取能力,使模型具有更强的特征表达和泛化性能;在CNN模型的构建过程中,使用不同的卷积、池化以及激活方法对模型进行最优化验证,从而保证模型结构以及参数的合理性。实验结果显示,所提算法在信噪比为-18 dB,0 dB,18 dB时的识别准确率分别达到56%,62.98%,92.04%;与其他传统特征提取算法以及CNN算法的大量对比试验,证明了所提算法的有效性和高识别准确率。     

面向内容的语音信号压缩感知研究

压缩感知理论依据信号的稀疏性质进行压缩测量,将信号的获取方式从对信号的采样上升为对信息的感知,是信号处理领域的一场革命。本文提出一种基于非确定基字典（Uncertainty Basis Dictionary, UBD）对语音信号进行稀疏表示的方法,将压缩感知理论应用于对语音信号稀疏表示的压缩,并提出了基于求解线性规划问题的方法重构语音信号的算法。通过语音识别、话者识别和情感识别实验,从面向内容分析的角度,研究这种基于压缩感知理论的信息感知方法是否保留了语音信号的主要内容。实验结果表明,语音识别、话者识别和情感识别的准确率,与目前这些领域研究方法得到的结果基本一致,说明基于压缩感知理论的信息感知方法能够很好地获取语音信号的语义、话者和情感方面的信息。      

基于深度学习的大规模电磁信号识别

近年来,很多高质量的数据集支撑了深度学习在计算机视觉、语音和自然语言处理领域的快速发展.但在电磁信号识别领域仍缺乏高质量的数据集,为促进深度学习在电磁信号识别中的应用,本文基于广播式自动相关监视(ADS-B)建立了一个大规模的真实电磁信号数据集.首先设计了一个自动数据收集和标注系统,在开放和真实的场景中自动捕获ADS-...     

基于深度强化学习的多AMR路径规划算法研究

针对箱式仓储环境下的多自主移动机器人(AMR)调度问题,传统动态路径规划算法(TDP)有解算可行路径效率低、系统实时性较差的缺点。针对这一问题,文中以时间最优为目标建立强化学习算法(RL)模型,用于提高多AMR同时调度的路径规划求解速度。此外,结合深度学习(DL)算法的优点,采用深度强化学习算法(DRL)有效缩短高维度、复杂工况下RL算法模型训练的收敛时间。仿真对比了TDP、RL和DRL三种算法模型,验证了DRL方法的有效性。     

基于对角切片特征提取和深度学习的辐射源识别

针对复杂电磁环境下辐射源识别率低的问题，提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性，提取信号双谱对角切片特征作为深度学习模型的输入数据，采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试，结果表明该算法能识别个体辐射源，在低信噪比条件下也能获得高的辐射源识别率；相比于其他识别算法，双谱对角切片特征有更鲁棒的分辨性。     

基于时空压缩特征表示学习的毫米波雷达手势识别算法

针对现有无线射频信号的手势识别研究中的数据预处理和特征利用问题,该文提出一种用于调频连续波(FMCW)雷达的时空压缩特征表示学习的手势识别算法。首先对手部反射的毫米波雷达回波信号的距离-多普勒(RD)图进行静态干扰去除和动目标点筛选,减少杂波对手势信号的干扰,同时减少计算数据量;然后提出一种压缩手势时空特征的表示方法,利用动目标点的主导速度来表示手势的运动特征,实现多维特征的压缩映射,并保留手势运动的关键特征信息;最后设计了一个单通道的卷积神经网络(CNN)来学习和分类多维手势特征信息并应用于多用户和多位置的手势识别。实验结果表明,与现有其他手势识别算法相比,该文提出的手势识别方法在识别精度、实时性以及泛化能力上都具有明显的优势。     

一种基于知识推理的电磁目标识别方法

针对基于电磁感知数据进行目标识别的问题，设计了由基本属性和行为属性组成的电磁目标知识模型，在知识模型的基础上提出了基于知识推理的电磁目标识别通用架构及流程。最后，面向典型应用场景，提出了一种基于知识推理的移动目标属性识别方法，介绍了数据预处理方法，给出了轨迹相似度定义并设计了一种基于豪斯多夫距离的轨迹相似度计算方法，开展了仿真实验。仿真结果表明所提算法的有效性，可应用于电磁目标的识别问题。     

基于CNN-Transformer网络融合模型的电磁信号识别研究

随着当今通信技术水平的蓬勃发展,电磁空间环境也变得更加错综复杂,电磁空间中的信号种类也呈现多样性。面对电磁空间中的各种干扰,能够准确有效地分辨出电磁信号的种类也变得更加困难。针对该问题,提出了一种基于卷积神经网络与Transformer网络融合模型的电磁信号识别方法,通过对卷积网络结构以及模型参数设计生成面向电磁信号的网络模型结构,再将Transformer网络与提出的卷积神经网络融合,通过公开数据集RadioML 2016.10a进行电磁信号识别性能分析。实验结果表明,提出的新型网络模型在电磁信号上的识别性能相比现有流行的神经网络模型具有更好的识别性能,更加适用于对电磁信号识别的应用。     

基于多普勒特征的蝙蝠生物声呐环境识别及其水声场景应用

蝙蝠生物声呐仿生技术结合深度学习算法为智能信号处理领域带来了许多新应用和研究方向。飞行蝙蝠能利用回声与环境多普勒信息感知环境并识别目标,并以此为基础进行捕食、导航与交流等活动。通过研究飞行蝙蝠使用回声和多普勒信息感知环境和识别目标的生物机理,可以为人类创造更加高效、精确的探测和识别系统奠定基础。文中从飞行蝙蝠生物声呐感知系统的基本原理入手,建立了蝙蝠生物声呐飞行状态的杂波环境数学模型。针对发射恒频信号的蝙蝠,提出了一种基于时频特征平面与卷积神经网络的环境场景识别方法。通过时频分析获取杂波环境的多普勒与距离维特征,采用卷积神经网络从大量数据中高效地提取特征,根据不同方向杂波的多普勒与距离维差异实现环境识别。本研究通过计算机仿真对蝙蝠飞行过程中具备的环境分类与感知能力给出了数值模拟说明。仿真结果表明,所提算法具有良好的分类识别能力,且信噪比为30 dB时,对不同杂波环境的分类准确率可达96%以上。同时分析了飞行蝙蝠生物声呐环境识别技术在水声领域的应用,模拟海港口岸建立了水下声呐混响环境模型,并针对水下潜航器等运动平台环境类型识别进行了性能仿真验证。结果表明,所提模型与分类识别算法取得了良好...     

复杂环境下高扩展性无人机信号检测识别方法

利用无人机与遥控器间的无线电信号进行无人机检测和识别是当前的研究热点。但在该领域，仍存在两个关键问题有待解决：一是如何在存在众多第三方信号的复杂电磁环境下有效检测识别无人机信号，二是如何保证检测识别系统针对新型无人机的快速扩展能力。针对这两个问题，提出了一种高扩展性的无人机信号检测识别架构。首先，利用YOLO神经网络模型应对复杂电磁环境下信号检测难题。该模型设计和训练面向通用电磁信号检测。完成信号检测后，利用“信号特征提取+支持向量机”结构设计无人机信号识别算法。该步骤计算复杂度低，模型参数少，因此对新型无人机具备良好的可扩展性。     

基于压缩感知和深度学习的分类识别技术

雷达对空飞机目标分类可实现雷达装备获得敌机属性和类别信息,对于现代战争其重要性显得尤为突出。针对复杂电磁环境下的飞机目标分类问题,结合防空雷达的特点建立3类（固定翼、螺旋桨和直升机）飞机旋转部件调制回波模型,并理论分析了不同类型飞机目标的微动特征差异。仿真分析在复杂电磁环境下干扰对微动频谱的影响。引入压缩感知方法进行干扰条件下的微动特征稀疏恢复,采用堆栈自编码学习(SAE)方法构建深层神经网络对目标进行自动特征提取和分类识别;实录数据验证表明,本文特征提取和识别方法在干扰比例41%时识别正确率能达到75%。     

基于软阈值深度学习的自动调制识别算法

自动调制识别是认知无线电、电子侦察、电磁态势生成中重要的环节.由于电磁环境日益复杂,噪声对能否正确调制识别影响显著.本文针对低信噪比（signal-noise ratio,SNR）环境条件设计了一种基于软阈值的深度学习模型,在卷积神经网络（convolutional neural networks, CNN）的基础上加入软阈值函数.将IQ数据转化为幅度相位信息作为模型的输入,CNN用于提取幅度相位数据中的特征,软阈值学习网络可以针对不同特征设置不同阈值,用于滤除样本噪声,提高低SNR条件下的识别率.在开源数据集RML2016.10a上验证了所提算法的有效性,对比其他网络结构,本文提出的模型识别率更高且效率更高.     

AMR语音编码码流特征分析及识别

利用话音信号在进行信源编码后数据流中的特征,可以识别数字话音数据流的编码样式和参数.针对大量话音码流样本数据,利用统计分析方法给出自适应多速率(Adaptive Multi Rate,AMR)语音编码的背景噪声帧、零一分布、游程分布及参数分布等特征,在此基础上提出了基于学习的AMR语音编码识别方法,并给出AMR语音编码的特征模型,通过计算机仿真比较了话音帧分析法和统计特征分析法在不同误码条件下的识别性能.     

基于贝叶斯压缩感知的说话人识别方法

说话人识别技术广泛地被应用于互联网和通信领域,近几年,压缩感知理论受到国内外的广泛关注,该理论突破了奈奎斯特采样速率的限制,对可压缩信号在采样的同时也进行压缩,将压缩感知这一新理论与说话人识别这一亟需突破的领域相结合,为说话人识别系统性能的提升带来希望。本文针对与文本无关的说话人识别技术,深入研究了贝叶斯框架下的压缩感知算法,率先提出了基于贝叶斯压缩感知的说话人识别算法;然后针对基于压缩感知的说话人识别算法中的稀疏系数的特点,引入半高斯先验,详细分析基于该先验的贝叶斯压缩感知后,提出基于近似贝叶斯压缩感知的说话人识别算法。     

一种欠定盲源分离算法通用模型

针对传感器数目小于源信号数目的欠定情形,研究了基于压缩感知(CS)的欠定盲源分离(UBSS)问题。从欠定盲源分离和压缩感知的数学模型入手,在源信号具有稀疏性的前提下,将其转化为CS理论中的稀疏信号重构问题。在Sparco框架下建立了CS-UBSS两步法算法通用模型,并理论证明了该模型的有限等距特性(RIP)。仿真结果说明了该算法模型针对语音信号和图像信号的可行性与适用性,拓宽了UBSS问题的解决思路,尤其是CS理论中性能优越的重构算法可以直接应用于源信号的恢复。     

基于数据增强和特征嵌入的自动调制识别

基于端到端的深度学习模型已经被广泛应用于自动调制识别。现有的深度学习方案大多数依赖于丰富的样本分布,而大批量的标记训练集通常很难获得。提出了一种基于数据驱动和选择性核卷积神经网络(Convolutional Neural Network,CNN)的自动调制识别框架。首先开发深度密集生成式对抗网络增强5种调制信号的原始数据集;其次选择平滑伪Wigner-Ville分布作为信号的时频表示,并将注意力模块用于聚焦时频图像分类中的差异区域;最后将真实信号输入轻量级卷积神经网络进行时间相关性提取,并融合信号的时频特征完成分类。实验结果表明,所提算法提高了在低信噪比情况下的识别精度,表现出较强的鲁棒性。     

基于深度学习的通信信号调制方式识别

针对采用传统机器学习算法对通信信号调制识别方法中的计算复杂度高、准确率低以及人工提取特征步骤繁琐等问题,提出一种基于深度神经网络通信信号调制识别模型。模型可以直接识别经过采样之后的通信信号类别,且具有识别准确率高、通用性强、抗噪声性能好及处理流程简便等特点,有效解决了传统算法无法实现自动提取特征的缺陷。通过大量实验以及对通信信号特征的准确分析,采用卷积神经网络和循环神经网络等网络的组合设计,构建了一个识别准确率较高且端到端的通信信号识别模型。     

基于深度学习的运动想象脑机接口研究综述

近年来，随着脑机接口（Brain-Computer Interface,BCI）技术的进一步发展，对特征提取技术的鲁棒性的需求也持续增加。深度学习（Deep Learning,DL）作为多层次的神经网络模型具有从高维数据中进行特征提取并从分层表示中学习的能力，在分类识别任务领域中的表现优于手工选择特征的传统机器学习方法。深度学习模型可以自动学习高维的EEG数据集从而提取有效特征，因此基于深度学习的脑机接口成为该领域新的研究趋势。卷积神经网络（Convolution Neural Network,CNN）、深度信念网络（Deep Belief Network,DBN）和递归神经网络（Recurrent Neural Network,RNN）是深度学习中对脑电信号进行分析的三大主流算法。主要介绍了这三大主流深度学习算法的基本原理。为了探索能更好契合脑电数据特点的分类模型，还探讨了它们在BCI中集成其他方法的实际运用。     

基于信号暂态稀疏表示的AIS辐射源个体识别方法

针对民用船舶自动报告系统通信辐射源个体识别问题,该文提出一种基于信号暂态稀疏表示的个体识别方法。该算法求解一个充分利用信号暂态样本类别信息且可保持样本稀疏表示结构的投影变换,来提取低维个体特征矢量。该算法通过最大化类间特征的重构误差和最小化类内特征的重构误差来构造目标函数求解投影变换,并在低维辨别子空间以最小稀疏表示重构误差准则来判定测试样本类别属性。对实际数据处理结果表明该文提出的新算法可有效识别不同辐射源个体;对辐射源暂态信号建模仿真结果,验证了该文算法的正确性和有效性,且平均正确识别率优于现有算法。