基于小波系数稀疏性的数字调制样式识别

采用小波变换提取信号突变点信息,根据归一化前后数字调制信号小波系数稀疏性的不同特点,提出两个稀疏度参数和一种利用信号稀疏特性的类间调制样式识别算法。仿真结果表明,在低信噪比时方法比传统小波变换方法具有更高的正确识别率,算法复杂度低,且不需要码元同步。     

基于时频特征的卷积神经网络跳频调制识别

针对人工设计特征表征能力不足,提取难度大的问题,提出基于卷积神经网络（CNN）的跳频信号调制方式识别系统. 该系统通过训练学习跳频信号时频图特征,将调制方式识别问题转化为图像识别问题. 采用组合时频变换方法对跳频信号进行时频变换得到二维时频图;经过自适应维纳滤波算法滤除背景噪声,提高系统抗噪性;采用连通域检测和双线性插值算法提取跳频信号每跳时频图,对时频图大小进行重置调整;将已处理的时频图输入到设计的11层卷积神经网络中进行训练学习,通过在输出层增加Softmax分类器,实现跳频调制方式分类识别. 仿真结果表明,该系统在信噪比为–4 dB条件下,对跳频信号BPSK、QPSK、8PSK、SDPSK、QASK、16QAM、32QAM和GMSK共8种调制方式的平均识别率达到92.54%.     

基于多任务和卷积神经网络的业务识别算法

针对以低识别率对业务进行较高精度分类问题,提出了一种结合多任务学习和卷积神经网络(Multi-Task Learning and Convolutional Neural network,MTL-CNN)的网络业务识别算法,将业务分类重新构建为多任务学习框架,令业务类别作为主任务,带宽需求和持续时间作为辅助任务,3个任...     

基于谱相关和分层结构神经网络的数字调制识别

本文提出了一种基于接收信号的谱相关函数和参数统计方法,提取出可用于数字调制信号识别的统计参数,该特征有效地抑制了高斯白噪声的影响,能实现对2ASK、4ASK、2FSK、4FSK、4PSK、8PSK等六种数字调制信号的识别。分类器采用了分层结构的神经网络分类器,不需要设定判决门限,而且在收敛速度、训练时间以及识别率方面都有很大改进。仿真结果表明,在信噪比大于5dB时,系统的正确识别率可达95%以上。     

基于卷积神经网络的驾驶员不安全行为识别

提出了一种基于卷积神经网络的驾驶员违规行为识别方法。首先,利用特定卷积神经网络对驾驶员的实时图像提取特征,然后并行对多种行为分别进行二分类。建立了一个真实场景下的驾驶员违规数据集,在此数据集上的测试说明了该方法的高效和良好的泛化能力。实验结果表明,该方法在约10万张图像的数据集中对打电话、吸烟、不系安全带3种行为分别达到了99.85%、99.62%、98.68%的识别率,同时使用当前较先进的Inception-v3和Xception模型测试,也获得了类似的识别效果。     

年龄算子深度稀疏融合扩展表情识别

为解决不同年龄段的人群在表情特征上的特质差异,提出了年龄算子深度稀疏融合扩展表情识别模型.该模型利用高层级形式的线性字典序列作为稀疏表示的输入信号,将输入对象以线性组合的方式构造训练集,并在所有求解中以稀疏级别为指标选择最优解,进一步通过卷积神经网络的卷积、池化和全连接处理,通过融合扩展策略解决数据集相似度高、数量不足及分布不均的问题.在此基础上结合了年龄算子作为特征元素与表情特征一并提取并作为分类决策依据.通过深度稀疏融合扩展,并利用年龄算子的人体测量模型、内部角度构算和皮肤皱纹检测作为表情特征提取附加因子,经过多数据集实验结果比对,证明了本算法跨数据集的有效性和稳定性,并通过代表性跨年龄表情分类算法横向比对,证明了本算法的优势.该方法对跨年龄表情识别准确度和鲁棒性有较好效果,有一定研究价值和参考意义.     

基于改进卷积神经网络的藻类分类与识别方法

通过观测水体中海藻的种类和数量对水质的影响,达到预防藻类污染和检测水质好坏的 目的.基于改进卷积神经网络与深度学习 目标检测模型相结合的方法对藻类图像的大小、形态等特征进行提取与训练,实现藻类图像的识别分类.实验结果表明,运用改进的卷积神经网络和目标检测模型使得藻类识别的平均准确率达到95％以上,有效避免了过拟合的现象.该方法用于水质检测可以有效地解决由于人工识别分类带来的误差,减少人力输出,提高效率.     

ECA-SKNet：玉米单倍体种子的卷积神经网络识别模型

采用3 000张玉米种子图像进行基于卷积神经网络的玉米单倍体种子识别,包含1 230张单倍体玉米种子图像和1 770张二倍体玉米种子图像。为对比不同卷积神经网络模型在单倍体玉米种子识别的效果,使用VGG、ResNet、DenseNet和SKNet等经典模型,并对SKNet模型进行改进,将其降维升维全连接层设计为一维卷积以降低模型参数数量,改进后的SKNet称为ECA＿SKNet。对5种模型使用相同优化器和训练周期进行实验,结果表明：实验模型均能对单倍体玉米种子达到较好的识别效果,最低准确率能达88.5%,ECA＿SKNet模型准确率达93.04%。可见,卷积神经网络在玉米单倍体种子识别中能够发挥重要作用,为作物种子识别提供新思路。     

基于神经网络的智能油墨预置技术

针对当前油墨预置技术存在的预置精度低且易受印刷参数和印刷条件影响的问题,提出了基于人工神经元网络的智能油墨预置新技术.以实际合格印品为学习样本,将印刷条件参数和网点面积率参数作为输入特征量,实际的墨键开度值作为网络输出,选择3层BP网络构建印品图文数字信息与墨键控制参数间的映射关系,实现数字化印刷流程中快速、准确的油墨预置.多色胶印机印刷试验结果表明,该方法能有效缩短开机调整时间,提高印刷效率,降低生产成本.     

基于模糊神经网络的智能控制研究

模糊神经网络是一个新型的研究领域,随着人们对人工智能进行更深入、多层次的研究,使其在模糊控制、模糊决策、专家系统、模式识别等众多领域都发挥了重要作用。模糊控制的逻辑推理技术与神经网络的结合,将弥补神经网络在模糊数据处理方面的不足和纯模糊逻辑在学习方面的缺陷。     

基于改进的PSO神经网络的手写体汉字识别

为了克服手写体汉字识别中传统神经网络训练算法存在网络易于过早收敛的缺陷,本文提出采用自适应惯性权值的粒子群优化算法训练神经网络,即利用粒子更新迭代训练神经网络最优的权值和阈值,其中对粒子更新的惯性权值进行了自适应性的改进.试验中提取了大量汉字样本的笔画数量信息和分布信息作为特征向量,利用改进的粒子群神经网络对汉字进行分类,并与BP神经网络的识别效果做了比较.结果表明:自适应惯性权值的粒子群优化算法能有效避免网络"早熟",大大提高了网络训练精度,网络对汉字的识别正确率明显提高.     

一种基于智能神经网络的入侵检测新方法

提出了一个基于智能神经网络的网络入侵检测新方法. 该方法首先建立功能单一、结构简单、易于构造的小型神经网络来完成单一的网络入侵检测任务,然后将多个训练好的、能够检测多种多样网络攻击的小型神经网络组合成一个大型智能神经网络. 实验采用DARPA 1998入侵检测评估数据库,使用MATLAB软件完成相关仿真实验. 实验结果真实有效.     

基于循环神经网络的目标转弯机动类型识别

对战斗机等空中目标机动类型进行识别是掌握其战术意图的重要依据。为了更好地识别对方战机的机动类型,提升作战能力,本文主要研究空中高速运动目标（如战斗机）的机动类型识别,针对传统的机动类型识别算法的识别准确率不高的问题,将循环神经网络运用在机动类型的识别上,利用Bi-LSTM、LSTM、RNN和GRU循环神经网络识别转弯机动类型。实验结果表明,循环神经网络能够高效识别目标的转弯机动类型,Bi-LSTM的识别准确率达到了98.85%。     

基于神经网络的智能结构控制与试验研究

智能结构是指系统的几何特性和运动特性在运行中能根据工作的要求而进行调整的结构。由于振动激励的复杂性和不确定性使得智能结构控制具有高度的非线性,因此很难建立准确的动力模型,神经网络强大的非线性映射能力和自适应学习、记忆的特点使得它非常适合于解决智能结构控制问题。本文主要对基于神经网络的结构控制理论进行了研究,通过对压电智能结构基于神经网络的反馈控制进一步确定了控制算法和控制效果。最后进行了三层框架结构的振动台试验,通过对压电材料基于神经网络的反馈控制来主动调节压电层的轴向变形,以此对结构施加控制力,试验结果表明各层加速度都得到了有效地控制。     

基于BP神经网络的智能化玉米专家系统的构建

传统专家系统的知识库是静态的,每一次维护和更新都要由农业专家和知识工程师共同完成.农业知识具有地域性和时效性,且不同的农业专家的知识经验也不尽相同.笔者提出利用神经网络和模糊处理算法相结合,借助BP神经网络大规模的并行分布处理结构完成自适应学习过程.利用BP神经网络自适应地产生和精炼这些知识,根据本地不同农业专家的经验采用BP处理去优化这些知识,可以使专家系统的知识库不断更新,且更加适宜于本地经验的积累和针对该地区的特点进行决策.     

基于轻量级卷积神经网络的人脸识别方法

针对传统卷积神经网络在人脸识别中模型复杂程度高、处理数据较慢的问题,提出一种轻量级卷积神经网络算法。首先,通过对数据集采用剪裁、旋转等方式增强样本数据;然后,采用基于MobileNet的轻量级卷积神经网络对样本数据进行特征提取,并采用SSD目标检测器对样本数据中的人脸进行识别;最后,利用Python编程实现上述算法,并与传统的人脸识别算法进行比较。实验结果表明,采用的轻量级卷积神经网络算法在不失精度的前提下,处理速度更快,模型复杂程度更低。     

一种基于证据理论和神经网络的调制分类器

文章提出了一种基于证据理论和神经网络的调制信号分类方法。利用4种不同的神经网络分类器对常用的10种调制信号的同一组特征分别进行训练、分类;利用证据理论对它们的分类结果(决策)进行融合;最后,把融合结果作为调制信号的最终分类结果。实验结果与性能比较表明,该方法是有效的,获得了较高的识别率。