基于深度残差网络的交通标志识别方法研究

交通标志识别是无人驾驶系统和智能驾驶系统不可少的关键技术之一,为了提高交通标志的识别准确率,进一步提高无人驾驶汽车在行驶过程中的安全性,提出了一种基于深度残差网络的交通标志识别方法,利用不同尺寸的残差模块进行堆叠,构建了具有100层卷积层的网络模型.以比利时交通标志数据集BTSC作为实验数据,优化网络模型后得到的识别准...     

基于多通道联合学习的自动调制识别网络

自动调制识别技术不仅可以提高频谱资源的利用率,而且是有效鉴别用户合法身份的方式之一。为进一步提高识别算法的性能,文章考虑幅度和相位特征之间的联系,提出了一种新的非对称多通道联合学习网络。该网络将幅度、相位以及两者的联合矩阵作为多通道输入端,在不改变参数量和计算速度的前提下利用非对称联合学习模块,较好地提取调制信号的幅度和相位中同质和异构特征,来实现自适应调制编码。实验结果表明,与其他深度学习网络相比,文章所提网络在基准开源数据集RadioML2016.10a和RadioML2016.10b上分别实现了91.73%和93.36%的识别精度。     

基于深度学习的自动调制识别研究

非合作通信场景下,自动调制识别是实现频谱感知、频谱管理、频谱利用的关键一环,也是进行高效信号处理的重要前提.传统基于模式识别的AMR方法需要手工进行特征提取,面临着设计复杂性高、识别精度低、泛化能力弱等难题.为此,学术界将目光转向以提取数据中隐含特征见长的深度学习方法,提出了多种面向AMR的深度神经网络架构.相比传统方...     

基于CGDNN的低信噪比自动调制识别方法

针对非协作通信环境中,自动调制识别（automatic modulation recognition,AMR）在低信噪比下泛化能力有限、分类精度不高的问题,提出一种由卷积神经网络、门控循环单元和深度神经网络组成的模型—CGDNN（convolutional gated recurrent units deep neural networks）。首先对I/Q采样信号进行小波阈值去噪,降低噪声对信号调制识别的影响;然后用CNN和GRU提取信号空间和时间特征;最后,通过全连接层进行识别分类。与其他模型对比,验证CGDNN模型在提高AMR性能的同时,显著降低了计算复杂度。实验结果显示,CGDNN模型在RML2016.10b数据集上的平均识别准确率达到了64.32%,提高了-12 dB~0 dB的信号分类精度,该模型大幅减少了16QAM与64QAM的混淆程度,在18 dB时达到了93.9%的最高识别准确率。CGDNN模型既提高了低信噪比下AMR的识别准确率,也提高了模型训练的效率。     

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％.     

数据驱动的RF信号深度调制识别方法

基于卷积结构的信号调制识别神经网络的识别性能受信号调制类型种类限制。例如,在12 dB信噪比条件下,同时对24种信号调制类型进行识别,其识别准确率仅为80%。若需要进一步提高识别性能,则要求更复杂的网络模型,导致网络训练所需数据集规模和硬件资源成本增大。鉴于此,针对无线电信号特征,设计一种适用于无线电信号调制识别的紧致残差神经网络,将其作为信号调制类型特征学习和特征提取工具,实现从原始I、Q数据到信号调制类型的端到端识别。利用迁移学习降低网络重新训练所需样本数,增强在无线信道响应发生变化时的环境适应能力,降低训练阶段所需的硬件资源和训练数据集规模。研究表明,当信道脉冲响应改变时,所提的信号调制识别神经网络在信噪比为12 dB条件下的识别性能达到95%,多个对比实验验证本文所设计神经网络的识别性能具有优势。     

机场终端区RF信号深度调制识别方法

论文构建了24种不同信号调制类型的数据集,并提出一款端到端的信号调制识别神经网络.研究了网络卷积层数、卷积核以及训练数据集大小对信号调制识别性能的影响.所提方法避免了基于特征提取的信号调制识别方法中所需的特征选择、信号同步、载波跟踪、信噪比估计等繁杂的处理流程.最后,引入迁移学习技术解决因信道环境变化导致网络识别性能下...     

基于特征梯度的调制识别深度网络对抗攻击方法

基于深度神经网络(Deep Neural Network,DNN)的自动调制识别(Automatic Modulation Recognition,AMR)模型具有特征自提取、识别精度高、人工干预少的优势.但是,业界在设计面向AMR的DNN(AMR-oriented DNN,ADNN)模型时,往往仅关注识别精度,而忽视...     

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。     

基于神经网络的软件无线电信号的调制识别

对接收信号的调制类型进行自动识别,对于软件无线电这类多模式通信系统非常重要。它使得系统可以自动切换到合适的软件解调程序,从而能使系统更具灵活性和适应能力。提出了一种基于神经网络方法的分类算法来解决此问题。实验结果表明,在信噪比为5db时,正确的识别率不低于98％。     

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...     

基于深度学习的图像风格转换研究

随着深度学习的发展,图像风格转换任务开始使用卷积神经网络实现。针对传统图像转换网络在转换后,保留纹理细节的能力不足的问题,本文基于Justin等人的风格转换模型,优化了转换网络中的残差结构,并结合生成对抗的思想,改进了风格转换模型,使模型能提取图像中更抽象的特征,并对损失函数进行调整,进一步提升生成图像的质量。实验表明,本文方法在进行图像风格转换时,有效提升了风格化效果并且通过比较在多种评价指标下得到的结果,可知图像质量得到提升。     

基于深度学习网络模型的端到端航迹关联

为提高雷达数据处理中航迹关联的智能性,充分利用目标的特征信息,并简化系统处理流程,提出了一种基于深度学习网络模型的端到端航迹关联算法。首先分析了基于神经网络的航迹关联存在样本细节少、处理流程繁杂的问题,然后提出了端到端的深度学习模型。该模型根据航迹关联数据的处理特征,改进了卷积神经网络结构用于特征提取,充分利用了长短期记忆网络对历史信息和将来信息的处理能力,并分析了前后航迹的关联性。在对原始数据进行卡尔曼滤波后,将全部航迹信息特征作为输入,并由基于卷积神经网络特征提取的长短期记忆深度神经网络模型直接输出航迹关联结果。仿真结果表明,提出的模型可以充分学习推演目标的多个特征信息,具有较高的航迹关联准确率,对航迹关联的智能化分析具有一定的参考价值。     

一种随机平均分布的集成学习方法

像传统机器学习一样,样本的不平衡分布会影响深度学习分类器的预测能力,在语音情感识别环境下,情感数据的不平衡分布是一种常态。基于卷积循环神经网络和注意力模型,提出一种随机平均分布的集成学习方法(Redagging),用来消除样本的不平衡分布。Redagging按照机会均等原则,等概率地把训练样例随机放入子训练样本,通过降低样例重复率提升基分类器的性能,进而增强综合分类器的预测能力。在IEMOCAP和EMODB情感数据库的实验表明,从未加权平均召回率和F1值两个方面,Redagging都优于Bagging和其他不平衡学习方法,验证了其有效性。     

深度残差网络结合长短期记忆的脑电波情感识别

针对传统情感识别方法中脑电信号特征提取与辨识困难的问题,本文提出一种基于深层残差网络和长短时记忆网络的情感识别方法。首先,将DEAP生理数据信号进行连续小波变换得到相应的时频谱图;然后对时频谱图进行灰度化和归一化,再将灰度图降维至适当大小;最后将压缩后的时频谱图作为深层残差网络的输入,将DRN学习到的顶层特征进行向量化,并输入长短时记忆网络网络实现情感识别。实验结果表明:提出的CWT-DRN-LSTM模型情感识别准确率达99.23%,标准差仅0.27,相比于其它组合模型在识别准确率方面具有较大优势。     

基于优化卷积神经网络结构的人体行为识别

为了提高卷积神经网络对非线性特征以及复杂图像隐含的抽象特征提取能力,提出优化卷积神经网络结构的人体行为识别方法.通过优化卷积神经网络模型,构建嵌套Maxout多层感知器层的网络结构,增强卷积神经网络的卷积层对前景目标特征提取能力.通过嵌套Maxout多层感知器层网络结构可以线性地组合特征图并选择最有效特征信息,获取的特...     

基于KBANN的调制识别仿真研究

BP网络广泛应用于多信号调制样式识别,但普通BP网络存在隐层数目难以确定、收敛速度慢、容易陷入局部最小等缺点.为了克服上述缺点,仿真研究了一种基于知识人工神经网络(KBANN)的信号调制样式识别算法.首先将C4.5算法引入信号特征参数的阈值分割,根据输出的决策树构造出具有决策树特征的拓扑结构,然后使用共轭梯度学习算法提高BP网络的收敛性能.仿真结果表明,与普通BP网络相比,基于知识神经网络的识别算法网络的结构易于实现、能有效改善网络收敛,并提高低信噪比下的正确识别率,为利用神经网络进行调制识别提供了新的思路.     

基于深度学习的人体行为识别方法综述

人体行为识别作为计算机视觉领域的重要研究热点,在智能监控、智能家居、虚拟现实等诸多领域中具有重要的研究意义和广泛的应用前景,备受国内外学者的关注.基于传统手工特征的方法难以处理复杂场景下的人体行为识别.随着深度学习在图像分类方面取得巨大成功,将深度学习用于人体行为识别方法中已逐渐成为一种发展趋势,但其仍然存在一些困难与...     

基于仿生模式识别理论的高阶神经网络说话人识别方法

根据一种全新的仿生模式识别理论,提出了采用神经网络实现并完成说话人识别的新方法。该方法利用高阶神经网络形成的复杂包络在特征空间中构造不同说话人的覆盖区域达到识别目的。相关实验证明,这种新的说话人识别方法只要通过少量样本的训练即可达到比传统方法更高的识别率。