基于修正自相关函数的OFDM信号调制识别

以CP OFDM、ZP OFDM、SCLD、CP SCLD 4类信号作为研究对象,针对OFDM信号序列的自身周期性对其循环自相关函数表达式进行了修正,并加以公式推导;结合OFDM信号的调制特征,提出了一种新的识别算法。所提算法无需完成任何参数估计及同步等预处理过程,理论推导及仿真结果表明,该算法具有良好的抗噪性能,且对多普勒频移及多径等信道参数表现出较强稳健性。     

基于深度学习的信号调制自动识别

深度学习(DL)在很多领域都显示出强大的生命力,但它很少涉及无线通信。本文提出了一种基于深度卷积神经网络的信号调制自动识别方法,以解决无线通信中的常见问题。该算法通过深度学习的深度卷积神经网络自动提取图像的各种特征细节,以在各种信噪比条件下实现信号调制类型准确识别。该方法使用图像处理GPU构建VGGNet,在深度学习架构Tensorflow下自动识别MPSK和MQAM中的10种调制信号。仿真结果表明,当信噪比为5dB时,各种信号的最小识别精度为96.7%。与其他方法相比,该方法更好。     

基于多任务学习的MIMO-OFDM信号联合信噪比估计与调制识别

针对当前非协作通信中MIMO-OFDM信号信噪比盲估计与子载波的调制识别研究仅集中在单个任务中的问题,提出了一种将深度神经网络与多任务学习(MTL)框架相结合从而同时完成信噪比盲估计与调制识别的算法。首先利用特征值矩阵联合近似对角化算法(JADE)恢复发送信号,并提取恢复信号的同向正交(I/Q)分量作为浅层特征;然后搭建基于一维卷积神经网络(CNN)的多任务学习模型,通过联合训练信噪比(SNR)估计和调制识别两个任务,实现优势互补。仿真结果表明,所提算法可获得比单任务学习(STL)更优的性能,当信噪比为-10dB时,信噪比估计的均方误差降低了66.21%,调制识别精度提高了4.75%。另外,多任务学习模型在信噪比大于-1dB时,信噪比估计的均方误差小于0.1;信噪比为3dB时,调制识别的精度可达到100%。     

基于随机共振与深度残差网络的调制识别分析

针对利用传统手段提取数字特征对低信噪比下调制信号识别困难的问题,通过双稳态系统随机共振对带噪调制信号实施信号增强;同时利用深度残差网络对随机共振后的信号进行识别,解决信号经随机共振后数字特征不易提取的问题。提出一种基于双稳态随机共振系统与深度残差网络的信号识别方法,相较于直接通过深度残差网络识别,对于Es/N0<13 dB的信号识别率平均提升4.63%。实验表明该种信号增强手段能够有效应用于基于深度学习的调制识别问题。     

多径信道下基于高阶累积量的通信信号调制识别算法

多径信道下通信信号的自动调制识别问题一直是一个难点和研究热点。传统的调制识别算法受多径信道的干扰往往会失效,提出了一种基于高阶累积量的调制识别算法,该算法通过高阶累积量计算、非线性方程组构建以及高斯牛顿法迭代求解等途径,减小了多径信道对高阶累积量匹配的干扰。实验表明,相比现有算法,文章算法不再局限于特定的多径信道,有较强的普适性,减小了信道因子分布对识别算法的影响,在多径信道环境下保持了较高的识别率。     

多径衰落信道中基于自适应MCMC的调制识别

针对多径衰落信道中幅相调制信号的类型识别问题,提出了一种基于自适应马尔可夫链蒙特卡洛（MCMC）--自适应Metropolis的改进算法. 该算法利用Markov链的历史信息自动调整建议分布函数的协方差矩阵,使其不断地逼近目标分布,从而避免了传统Metropolis算法中建议分布函数选取这一难题,并能有效地提高采样效率. 仿真实验表明,算法具有很好的识别精度,证明了算法的有效性.     

具有深度阈值噪声消除的多尺度分析调制识别网络（英文）

为了提高多变环境下调制信号识别的准确性、减少先验知识不足等因素对识别结果的影响,研究人员逐渐采用深度学习技术来替代传统的调制信号处理技术。为了解决低信噪比下调制信号识别精度低的问题,我们设计了一种具有深度阈值噪声消除的多尺度分析调制识别网络,在标签平滑的对称交叉熵函数作用下识别实际采集的调制信号。该网络由一个具有深度自适应阈值学习的消噪编码器和一个具有多尺度特征融合的解码器组成。将两个模块进行跳跃连接,共同作用以提高整体网络的鲁棒性。实验结果表明,该方法在低信噪比下比以前的方法具有更好的识别效果。该网络展示了对噪声阈值的灵活自学习能力以及所设计的特征融合模块对各种调制类型的多尺度特征获取的有效性。     

瑞利信道下小波包调制信号的识别研究

小波包调制是一种全新的多载波调制方式,该文主要研究在瑞利衰落信道条件下的小波包调制信号的识别。根据小波包调制信号的特点,首先用基于高阶混合矩联合信噪比估计的方法进行类间识别,然后利用反映功率谱包络变化的参数进行类内识别,实现对小波包调制信号的区分。仿真结果表明,该方法具有良好的识别性能。     

基于联合特征参数的PCMA信号调制识别算法

针对卫星通信中成对载波多址信号的调制识别问题,综合考虑样本点数、频偏大小、载噪比条件、混合幅度比等对算法的影响,从累积量、谱线、幅度包络平坦度提取特征参数,提出了联合特征参数的调制识别算法。该算法不依赖信号的先验信息,所需分类特征数少,具有频差免疫优点,在混合幅度比大于0.6时对PCMA信号能够进行有效分类,扩展了识别范围,具有良好的适用性。仿真实验表明,该算法在载噪比大于8.5dB时,其正确识别率在90%以上。     

基于统计特征主分量的信号调制识别

采用数字信号处理方法提取待识别信号的瞬时特征统计参量,利用多元统计的主分量分析方法对特征参量进行其主分量组合,以消除特征参量间的相关性和压缩特征向量的维数,并采用统计模式识别的模板匹配判决进行信号调制方式的自动识别,模拟结果证实了此方法的有效性和高识别率。     

基于动态先验特征的包覆药多类型外观缺陷深度检测框架

包覆药通常被嵌入固体火箭或导弹发动机的动力系统中,其外观质量直接影响该类动力系统的性能表现。针对包覆药外观存在的形状、尺寸和表面缺陷,提出了一种基于动态先验特征的包覆药多类型外观缺陷深度检测框架,包括：1）将基于深度分类器的形状缺陷检测和基于深度分割网络的尺寸缺陷检测模型集成,去除不同任务间的冗余特征,同时将深度分割网络当前迭代形成的过程特征作为动态先验特征,作用于深度分类器参数下一次迭代更新,加快模型收敛速度;2）将深度分割网络产生的过程特征映射至基于卷积自编码器的表面缺陷检测模型中,指导检测模型快速聚焦于包覆药,抑制任务无关特征重复提取。实验结果表明,该方法在模型功耗、检测效率及检测准确率等方面具有较好的表现。     

基于深度学习的微博命名体识别

针对微博用语不规范,噪声多,更新快,缩略语多,且数据量大等相关特点,本文提出基于深度学习的方法进行微博命名体的识别。本文首先利用大量的未标注的微博信息对自动编码器训练,获得抽象特征,随后将这些特征作为深度学习网络的输入,最后得出句子中每个字的类标。在进行自动编码器训练的过程中,本文提出卷积方法替代窗口移动方法,以此获取句子中的长依赖信息。通过对新浪微博数据的实验结果表明,本文所给出的深度学习方法能够提高微博中命名体识别的F1值,说明了本文算法的有效性。     

移动通信中宽带接收系统信号电平特性的研究

首先建立了一个包括直达波和非直达波的无线电波的传播模型,然后得到宽带接收系统中接收信号的电平表达式,再通过MATLAB仿真得到宽带接收系统中信号的电平变化和分布的特性。根据仿真结果,可知宽带接收系统的信号电平变化约为10dB,信号电平的分布受到传播模式中的接收带宽、达波数、路径差的影响。     

基于深度学习的手绘草图识别

现有的手绘草图识别方法严重依赖于费时费力的手工特征提取,而经典的深度学习模型主要是为彩色多纹理自然图像设计,用于识别手绘草图时效果不甚理想。本文提出了一种基于深度学习的手绘草图识别方法(Deep-Sketch) ,该算法根据手绘草图缺失颜色、纹理信息的特点,使用大尺寸的首层卷积核取代自然图像识别中常使用的小尺寸首层卷积核,获得更多的空间结构信息。利用训练浅层模型获得的模型参数来初始化深层模型对应层的模型参数,以加快收敛,减少训练时长。加入不改变特征大小的卷积层来加深网络深度等方法以减小错误率。实验结果表明,本文所提出的方法较之其它几种主流的手绘草图识别方法具有良好的正确率,对250类手绘草图识别正确率达到69.2%。     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用,以及深度学习算法的快速发展,基于深度学习的行为识别算法层出不穷.相较于传统方法,基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此,本文对近年来提出的基于深度学习的行为识别算法进行了梳理,并对由双流卷积网络和...     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用, 以及深度学习算法的快速发展, 基于深度学习的行为识别算法层出不穷.相较于传统方法, 基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此, 本文对近年来提出的基于深度学习的行为识别算法进行了梳理, 并对由双流卷积网络和3D卷积网络结构发展而来的行为识别的系列算法进行了重点介绍, 并总结了各种算法的性能和成果, 最后对该领域进行了展望.     

大气低频声信号识别深度学习方法研究

针对全面禁核试低频声监测中需要对大气低频声信号进行有效识别的问题,对深度神经网络中的卷积神经网络进行了研究,提出了一种将低频声信号转换为图像,然后采用卷积神经网络进行识别,并对学习过程进行改进的方法。将该方法与基于人工设计特征的支持向量机方法进行了对比实验,实验结果表明,在训练数据集不大的情况下,通过改进学习过程的卷积神经网络可以挖掘出信号的潜在特征,具有和支持向量机同等的识别能力。     

利用特征函数识别相位调制信号

由于信号的特征函数含有大量相位信息,因此可以用来识别相位调制信号。文章经过分析发现,同一种信号星座图不同,其特征函数的相位也不同。文中选择信号集{QPSK、8PSK、矩形8QAM、圆形8QAM、矩形16QAM、星形16QAM}来举例说明利用特征函数识别相位调制信号的可行性。仿真证明当信噪比为5dB,码元个数为400个时识别率达到90%以上。     

基于织物传感器和mVGG-FCN深度学习 算法的坐姿识别

为了解决目前使用的坐姿识别技术存在成本高、操作复杂等问题,设计一种柔性传感单元并制成柔性传感阵列坐垫,提出了一种深度学习网络结构,通过实验对5种不同的坐姿进行识别,平均准确率达到98.46%。该方法将柔性传感坐垫与深度学习结合,提供了一种成本低、普适性强的方案,有助于提示青少年及久坐人群的坐姿问题,从而改善因坐姿问题导致的并发症。     

基于深度学习的棉花品种识别

棉花作为我国最主要的农产品之一,不仅具有不错的观赏价值,更重要的还是工业原料。棉花的花型不 同于其他花卉种类,且不同种类其纤维长度还有所差异。为了解决棉花人工区分效率低的问题,本文基于深度学 习方法,以棉花原始的图像数据作为研究对象,通过多层网络学习棉花的特征信息,更加精确区分不同类型的棉 花种类。试验结果表明：本文所提出的卷积神经网络 CNN-CSC 模型相较于传统机器学习方法识别精度提升大约 15%,平均精度达到 89.17%,为棉花的自动化管理提供了一种有效的手段。