基于小波变换和残差神经网络的全盲频谱感知方法

为了解决非平稳信号的时频图特征难以提取的问题,提出了基于小波变换和残差神经网络的全盲频谱感知方法。该方法通过连续小波变换将捕获的主用户信号变换成时频信息矩阵,同时转化为图片作为输入,通过残差网络进行训练和识别。仿真测试了不同小波基对非平稳信号的分解能力和所提算法在各种复杂无线信道环境下对非平稳信号的检测性能和泛化能力,以及对不同主用户信号的适应能力。结果表明,在信噪比为-16 dB时,该方法能在虚警概率为0.1时达到0.92的检测概率,同时amor小波更适合用于非平稳信号的分解且训练识别能力更优。     

基于协同学习的频谱智能感知方法

目前无线通信网络频谱环境时空分布复杂多变,现有多用户协同感知方法数据预处理繁琐,感知效率低下。为此,在由用户感知层和边缘融合层构成的系统架构下,提出了一种基于协同学习的频谱智能感知算法。用户感知层采用多分支卷积循环门控神经网络,利用原始归一化能量信号的底层结构信息,实现本地感知。边缘融合层基于自注意力机制进行消息传播,融合用户感知层中各个非授权用户的感知结果得出最终决策。实验表明,在信噪比为-20 dB以及5个用户协同感知的情况下,该方法能在虚警概率为1.91%时达到18.3%的检测概率,相比对比模型提升了6.1%,且不需要对原始数据额外预处理,降低了算法的复杂度。     

基于卷积神经网络与注意力机制的频谱感知方案

频谱感知的关键问题之一是检验统计量的设计,传统的频谱感知算法的检验统计量往往是通过建模得到的,然而这些模型有时并不能对实际环境准确建模,没有利用历史感知时隙的信息并且受噪声功率不确定度(Noise Power Uncertainty,NU)影响大.为解决这些问题,本文提出了一种基于深度学习(Deep Learning,...     

基于注意力机制的深度学习频谱感知方法

深度学习具有出色的自动特征学习能力,比传统的机器学习方法具有更好的性能。注意力机制可以给予局部焦点更多的关注,而且还可以通过过滤掉无用的信息来降低计算复杂度。因此,具有注意力机制的深度学习可以有效实现自动特征学习,以及降低计算复杂度。本文针对认知无线电系统中主用户信号随机到达与离开时的频谱感知问题,提出了一种结合注意力机制的深度学习的感知方法。仿真结果表明,相比其它感知方法,所提出的频谱感知方法能够在主用户信号随机到达与离开的情况下有效工作及表现出优越的性能。     

一种基于改进残差神经网络的直扩信号感知方法

非合作条件下直扩信号感知问题一直是通信对抗领域研究的热点,传统的感知方法在低信噪比条件下性能下降严重。为有效提升直扩信号感知的性能,提出了一种基于改进残差神经网络的直扩信号感知方法。首先,通过广义互相关算法,快速提取直扩信号的相关峰特性;然后,以残差神经网络为基础,融合注意力机制,建立网络模型,分析识别抽象特征;最后,在仿真的数据集中进行实验验证。结果表明,相较于时域自相关法、卷积神经网络法等,所提方法具备更好的感知效果,能够在信噪比为-16 dB的情形下有效地感知直扩信号。     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明：与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法.该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知.实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率.     

基于注意力机制和残差结构的细胞核分割方法

病理细胞核的精准分割是病理学诊断的基础,然而当前算法针对带有核分裂象的乳腺癌细胞核自动分割效果差强人意。本文针对当前细胞核分割算法展开分析研究,并提出了一种基于注意力机制和残差结构相结合的U型网络(U＿net)用于解决因核分裂象和非核分裂象细胞形态特征十分接近造成细胞核分割精度不足的问题。通过实验表明本文提出算法的平均像素准确率(mean pixel accuracy,MPA)和Mean＿dice指标系数分别为0.74和0.82。与原有算法相比,训练指标分别提升了11%和9%,证明本文算法的可行性。     

基于集成时频通道注意力的倒残差神经网络干扰识别

准确识别干扰类型是实施高效抗干扰举措的先决条件。针对低干噪比（Jamming-to-Noise Ratio,JNR）的条件下干扰识别准确率低的问题,本文将信号短时傅里叶变换（Short Time Fourier Transform,STFT）后的时频图像作为卷积神经网络训练输入,提出一种以倒残差结构为主体的神经网络架构,并引入联合时频通道注意力机制模块,同时从时频图像提取时频域和通道域的综合干扰特征,充分利用多维度的干扰特征信息来准确识别干扰类型。仿真结果表明,在JNR=-8 dB时,本文所提算法能够实现对8种类型干扰100%的准确识别,在JNR=-10 dB时所有类型的干扰信号识别准确率都能达到98.3%以上,在JNR=-14 dB准确率也依然可以达到90%以上。同时分析了所提算法的网络复杂度,结果表明所提方案在时间和空间复杂度上得到了较好的折中,验证了模型的性能优越性。     

基于深度卷积神经网络的频谱感知算法

随着无线通信的快速发展,频率资源日益紧张,认知无线电技术在未来无线通信中将发挥越来越重要的作用.频谱感知是认知无线电的关键部分.现有的频谱感知技术主要有能量检测法、频谱周期检测法、最大最小特征值检测法等,但这些方法都是模型驱动的方法,需要事先了解信号或噪声信息.然而,在实际环境下,信号往往未知,且噪声情况动态变化,传统...     

基于LSTM神经网络的频谱感知算法

在频谱感知中经典的能量检测算法在低信噪比时检测性能较低且门限难以估计,基于机器学习的感知算法受限于检验统计量的构造会造成接收信号原有结构信息的丢失。针对这些问题,本文提出一种基于LSTM神经网络的频谱感知方法,首先利用接收信号序列作为神经网络的输入特征向量,然后使用LSTM神经网络进行训练得到分类器,最后使用训练好的模型实现频谱感知。该方法无需估计检测门限值,也无需构造特征向量,仿真结果表明,所提算法在采样点和次级用户更少的情况下仍优于对比算法。      

基于压缩感知的循环平稳特征检测方法

在认知无线电中,传统的循环平稳特征检测技术为了达到理想的感知效果,需要大量的数据采样点,导致其感知过程复杂度大,感知时间长.针对此问题,提出了一种基于压缩感知的改进循环平稳特征检测方法,该算法利用信号循环自相关函数(Cyclic Autocorrelation Function,CAF)的稀疏特性,基于分段平均的时变自相关函数估计值,通过压缩感知技术重构二维CAF矩阵,再根据重构结果实现循环平稳特征检测.该方法不仅可有效降低计算复杂度和检测时间,而且提高了二维CAF的估计精度.仿真结果表明该方法的检测性能优于基于经典CAF估计的循环平稳特征检测技术.     

基于残差混合注意力机制的脑部CT图像分类卷积神经网络模型

针对阿尔兹海默症、病变(如脑肿瘤)和健康老化的3类脑部CT图像分类问题,本文提出了一种改进的ResNet-10卷积神经网络模型.该模型在网络的残差映射结构中加入残差混合注意力模块,解决了原模型提取的特征分辨性弱的问题,精确捕捉了脑部组织在CT图像中的位置和内容信息;此外,本文设计了全局平均池化层,简化了模型的复杂度,并...     

蜂群优化神经网络的频谱感知

由于神经网络训练收敛速度慢、易陷入局部最优解,而最优解对神经网络的频谱感知算法性能影响大,因此为提高神经网络的频谱感知算法性能,采用蜂群算法交叉训练神经网络,加快训练收敛速度,降低均方误差。采用信号的能量、循环功率谱作为特征参数,提出了蜂群优化神经网络的频谱感知算法。仿真结果表明,在给定迭代次数下,相比能量法、循环平稳特征法、无蜂群算法交叉训练神经网络或RBF神经网络的频谱感知算法,本文算法具有更好的感知性能。      

基于残差自编码器的电磁频谱地图构建方法

频谱地图是一种表征区域内功率谱密度(Power Spectral Density, PSD)空间分布的可视化方法,在实现频谱资源空间复用等方面具有重要作用。针对实际复杂场景下频谱地图构建精度低的问题,提出了一种基于残差自编码器的频谱地图构建方法,通过添加残差连接使编码器的信息可以直接映射到解码器相应部分,以提高频谱地图构建中的网络收敛性能并降低误差。仿真实验结果表明,所提出的方法相比于基于传统插值方法和自编码器模型具有更好的性能,在0.01采样率下其构建误差降低了9.7%。     

利用卷积神经网络和协方差的协作频谱感知算法

针对基于信号协方差矩阵的频谱感知算法门限难于准确得到及没有充分利用原始信号信息等问题,提出了基于卷积神经网络和协方差矩阵的协作频谱感知算法。首先将接收的I、Q两路正交信号的归一化协方差矩阵组成双通道输入矩阵,然后使用卷积神经网络直接提取协方差矩阵的特征信息,并进行训练得到分类器,最后使用训练好的模型进行频谱感知。仿真结果表明,本文所提出的频谱感知算法优于对比算法,在信噪比为-13 dB、40个次用户协作感知时,本文算法虚警概率低于0.1,检测概率达到0.9以上。      

基于压缩感知的分步合作频谱感知方法

在研究自相关矩阵检测理论的基础上,提出一种采用压缩感知的分步合作频谱感知方法.通过压缩感知将海量采样数据量减小,提取能够有效代表原信号的采样点;通过随机选择参与运算的认知用户及其数量进行合作检测,并反馈有益信息,减少了传统合作检测所有认知用户参与检测带来的运算复杂度.仿真表明该方法提高了频谱检测率,缩短了频谱检测时长,...     

车联网中基于BP神经网络的智能协同频谱感知算法

针对传统信噪比加权频谱感知方法在车联网(Internet of Vehicles,IoV)环境中受噪声影响较大、感知准确率较低的问题,提出了一种基于反向传播(Back Propagation,BP)神经网络的IoV协同频谱感知(Cooperative Spectrum Sensing based on BP Neura...     

融合残差结构和注意力机制的下颌骨CT图像分割方法

针对传统深度学习方法在下颌骨CT图像分割中存在的问题,本文提出一种融合残差结构和注意力机制的改进Unet网络。将注意力机制融入Unet的解码器,构建上采样注意力模块,在不同维度上进行平均池化和最大池化,使网络更加关注下颌骨区域的信息,增强下颌骨分割能力;将残差结构融入Unet网络的编码器,解决深度网络训练时的网络退化和梯度消失问题;采用迁移学习训练的方法,避免因下颌骨图像数据不足导致的网络收敛慢的问题。对比实验表明,改进Unet网络平均交并比达到94.68%,各评价指标均优于FCN、DeeplabV1和SegNet网络。     

基于循环谱对称性的频谱感知算法

针对现有基于循环谱的频谱感知算法的不足,利用改进SSCA算法计算接收信号的循环谱,减少算法的计算量;利用循环谱的对称性,选择非零循环频率处的循环谱抵抗干扰和噪声,结合对称性搜索策略进行频谱感知.分析并仿真了循环谱的参数对频谱感知算法的影响,仿真结果证明了所提出算法克服了传统算法的不足,提高了低信噪比下的正确检测性能.