基于多层训练干扰的CNN轴承故障诊断

针对滚动轴承故障诊断方法在低信噪比情况下抗噪性能差以及在不同工况下自适应性不足的问题,提出了一种基于多层训练干扰的卷积神经网络滚动轴承故障诊断方法。首先,通过快速傅里叶变换将原始信号从时域变换到频域并作为卷积神经网络(CNN)的输入,再对多层卷积层进行实时训练干扰,以不同程度随机破坏网络训练,提高模型的抗噪性能和域自适应能力;同时引入批量归一化(BN)方法,改进卷积神经网络结构,改善模型性能。实验结果表明,所提方法不仅在噪声干扰下能达到较高的诊断准确率,同时也能有效地解决工况变化问题。     

基于小波降噪的稀疏傅里叶变换时延估计

稀疏傅里叶变换时延估计具有较低的运算时间复杂度,但在低信噪比时无法准确估计出时延.针对稀疏傅里叶变换时延估计在噪声干扰下时延估计精度下降的缺点,提出了基于小波降噪的稀疏傅里叶变换时延估计算法.算法利用小波降噪方法处理接收到的信号,再对降噪后的信号进行稀疏傅里叶变换广义相关,通过检测相关函数的谱峰得到估算的时延值.实验仿真以及对实测数据的验证均表明,在低信噪比条件下,基于小波降噪的稀疏傅里叶变换时延估计算法在保证数据高处理速度的同时,具有较好的抗噪性以及较高的时延估值精确度.     

基于修正离散傅里叶变换的频域卷积混合盲分离

针对频域卷积混合盲分离,依据所导出的卷积混合信号每帧的频域表示模型,提出了一种最小均方误差意义下的最优变换--修正离散傅里叶变换,用于代替频域卷积混合盲分离中常用的离散傅里叶变换.在每个频率片上,卷积混合信号的修正离散傅里叶变换系数在最小均方误差意义下最接近于源信号频谱的瞬时混合.相对于离散傅里叶变换系数,现有瞬时混合盲分离算法能从修正离散傅里叶变抉系数中更精确地估计各频率片上分离矩阵,从而提高现有频域卷积混合盲分离算法的分离性能.仿真结果证明了修正离散傅里叶变换对现有频域卷积混合盲分离算法的有效性.     

基于FrFt的最小频移键控通信系统线性调频干扰抑制技术

分析线性调频（Linear Frequency Modulation,LFM）干扰对最小频移键控（Minimum Shift Keying,MSK）通信系统性能的影响,当LFM干扰超出MSK自身抗干扰容限时接收信号的误码率严重恶化,因此必须在信号接收端对LFM干扰进行抑制.通过对LFM干扰信号在分数阶傅立叶变换（Fractional Fourier Transform,FRFT）的特性分析,提出在分数域进行LFM干扰抑制的方法并通过仿真分析验证了该方法能够有效消除LFM干扰,误码率曲线明显改善.     

基于FFT和FRFT的非平稳干扰估计和抑制

提出了一个基于快速傅里叶变换(FFT)和分数阶傅里叶变换(FRFT)的线性频率调制(LFM)干扰参数的估计和抑制方法.通过FFT粗略估计和FRFT精确估计,确定LFM干扰在分数阶傅里叶域所处的旋转角度,估计出LFM的相关参数,利用最小二乘法综合出LFM干扰信号;然后从接收的信号中减去,有效地抑制LFM干扰.性能仿真分析表明,该方法较好地改善了误码率性能,降低了计算的复杂度,提高了系统处理的实时性.     

基于深度残差神经网络的GNSS接收机干扰抑制方案

在各种压制式和欺骗式干扰随机存在的全球卫星导航系统（Global navigation satellite system, GNSS）复杂应用环境下,传统先估计干扰信号参数再抵消的干扰抑制方法需要针对不同类型的干扰设计专门的参数估计和抵消算法,设计工作量大且缺乏通用性。为此本文提出了一种基于深度残差神经网络的干扰抑制方案。首先,针对典型的GNSS干扰类型搭建和训练了相应的残差神经网络,实现从受扰接收信号中直接提取有用卫星信号。然后,结合干扰分类识别结果,将对一维接收信号进行短时傅里叶变换（Short-time fourier transform, STFT）预处理后的时频谱二维信号送入与干扰类型相对应的残差网络,网络输出消除了干扰信号影响的有用卫星信号的时频二维谱。该方案无需对不同类型的干扰采用不同的参数估计和干扰抵消方法,对各类压制干扰和欺骗信号均采用相同的处理流程。实验结果表明相比于先估计干扰信号参数再进行抵消的干扰抑制方案,所提方案对各种GNSS干扰类型均具有较好的抑制效果,具备一定的通用性。     

基于卷积神经网络的空间导航信号自动抗干扰技术研究

由于空间导航信号在传输过程中易受其他信号的干扰,为此构建基于卷积神经网络的空间导航信号自动抗干扰模型。利用卷积层的局部过滤器,对输入的信号内积计算,将维数值传输至池化层局部求平均值,提取特征信号;对有用信号实施波束保形,使得在抑制干扰信号的同时保护有用信号,计算空间导航信号信噪比。由信道、天线阵面、自适应处理模块和组合定位系统构建自动抗干扰模型,实现对干扰信号的自动抑制。仿真实验结果表明,所提方法可对干扰信号精准估计,并将误差控制在最小,实现了确保有用信号不被破坏的前提下对干扰信号的有效抑制。     

递归时频重排算法在跳频信号参数估计中的应用

为了有效分析跳频信号并估计其参数, 引入一种短时傅里叶变换的快速算法, 为改善其时频聚集性, 将该算法推广到重排域。该算法降低了参数估计的算法复杂度。最后,在跳频系统中对该算法的性能进行了仿真与分析。     

基于卷积神经网络的无线电广播同频干扰检测

针对无线电干扰中较为突出的同频干扰问题,将深度学习应用于干扰信号检测,提出一种无线电调频广播同频干扰检测算法。将调频广播数据转化为能体现信号特性的小波变换时频图,并将其作为卷积神经网络(CNN)的训练数据,训练CNN学习信号的时频特征,得到干扰检测模型。实验结果表明,与传统的机器学习算法相比,该算法能更准确地检测出广播信号中是否存在同频干扰信号,其干扰检测准确率达95.0%。     

船舶噪声干扰下基于LS线性回归的水声频率估计算法

针对船舶噪声干扰和离散傅里叶变换带来的栅栏效应问题,提出基于最小二乘线性回归的水声频率估计算法。算法利用离散傅里叶变换实现接收信号的频率粗估计,对得到的频率粗估计误差信号进行加窗求和,再利用最小二乘线性回归,得到频率粗估计的误差,最终实现频率的精准估计。仿真结果表明,所提算法在低信噪比下也能实现频率的精准估计,水箱和胶州湾水下试验验证了所提算法在船舶噪声干扰下的有效性。     

基于卷积自编码神经网络的心电信号降噪

心电信号由于在采集过程中会受到外界环境的干扰导致其形态特征被严重淹没,从而对医生的诊断和远程智能分析造成干扰。基于此,提出了一种基于卷积自编码神经网络的心电信号降噪算法。该方法利用自编码器的编码、解码特性,通过卷积的方法构建深层神经网络来学习从含噪心电信号到干净心电信号的端对端映射。卷积层捕获心电信号的细节特征,同时消除噪声;解码部分能够对特征图进行上采样并恢复心电信号细节,从而得到干净的心电信号。实验中采用信噪比和均方根误差为指标,将该方法与小波阈值法、S变换法、BP神经网络法和指导滤波法进行比较。实验结果表明,该降噪方法整体降噪精度更优,同时信号的低频成分也得到了很好的保持。该方法可做到在消除心电信号中复杂噪声的同时完整保留心电信号的形态,为心血管疾病的智能诊断和心电图的特征检测奠定了基础。     

基于深度卷积神经网络的语音信号去噪关键技术研究

随着人工智能技术的不断创新发展,语音识别技术一直在迭代升级,而语音去噪是语音识别领域中关键研究点之一.由于这些外界干扰声的存在,就使得原本的语音信号变得不再纯净,或多或少会对所需传输的语音信号有所影响.传统的信号分析以傅立叶变换为基础,但傅立叶分析属于全局变换,变换只能全部在时域变换或在频域变换.因此,傅里叶变换不能获...     

引入偏移量递阶控制的网络入侵HHT检测算法

在强干扰背景低信噪比下对网络潜质入侵信号的准确检测是决定网络安全的关键。传统的Hilbert-Huang变换(HHT)入侵信号检测算法在求解入侵信号的瞬时频率特征时,因包络线失真引起的边界控制误差,会造成频谱泄漏,从而导致检测性能较差。提出了一种基于时间-频率联合分布特征和偏移量递阶控制HHT匹配的网络入侵信号检测算法,即构建网络潜质入侵数学演化模型,把复杂的入侵信号分解成IMF单频信号,得到入侵检测系统的状态转移方程,基于Hilbert变换对入侵信号进行离散解析化处理,构建入侵信号解析模型。对每个入侵信号经验模态分解后的解析模型IMF分量用Hilbert变换进行谱分析,通过递阶控制调整HHT频谱偏移,将残差信号投影与入侵信号的Hilbert边际谱进行匹配,减小包络线失真引起的边界控制误差,抑制频谱泄漏,实现对入侵信号的精确检测和参数估计。实验表明,该算法进行网络入侵信号检测时,具有较强的抗干扰性,能从低信噪比背景下有效检测出入侵信号,检测性能有较大提高。     

基于同步压缩和DCGAN的癫痫脑电信号检测方法

脑电信号智能识别是癫痫病检测的重要手段,为更加准确地预测癫痫发作,针对目前的深度学习方法特别是卷积神经网络在脑电信号分类方面存在的一些问题,如算法复杂度过高、样本量太少导致分类效果差等,提出基于傅里叶同步压缩变换和深度卷积生成对抗网络的癫痫脑电信号检测方法。首先同步压缩方法将短时傅里叶变换处理后的信号时频能量进行压缩,使得频谱图像精度更高;其次构建深度卷积生成对抗网络来提取特征;最后实现癫痫发作预测。实验在CHB-MIT脑电数据集上进行,结果表明该方法具有97.9%的检测准确率。使用生成对抗网络有效解决了样本量不足的问题,结合同步压缩处理方法后,具有良好的识别准确性。     

基于神经网络算法的智能抗干扰系统设计

为了实现在复杂电磁环境中进行高效可靠的数据传输,达到实时抵抗干扰、提升通信系统频谱利用率的目的,对非连续正交频分复用技术、变换域通信系统、扩频技术以及神经网络算法进行了研究,首次将人工智能算法应用于切换通信波形以抵抗不同类型的干扰,以此为基础设计了一种基于径向基神经网络算法的智能抗干扰系统。对三种抗干扰模式分别进行了原理介绍及仿真,验证了其各自的抗干扰能力,以及通过切换波形提升频谱利用率的可行性,并对整个智能抗干扰系统进行了仿真,经分析该系统基本满足应对突发干扰情况下的波形选择要求,与传统通信系统相比,能够适用于更多通信场景。     

基于一维卷积神经网络的网络流量分类方法

针对传统机器学习算法对于流量分类的瓶颈问题,提出基于一维卷积神经网络模型的应用程序流量分类算法。将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。设计了一种新的一维卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中特征选择问题。通过网络公开数据集进行模型测试,相比于传统的一维卷积神经网络模型,所设计的神经网络模型的分类准确率提升了16.4%,总分类时间节省了71.48%。另外在类精度、召回率以及[F1]分数方面都有较好的提升。     

分数阶Fourier变换域极值搜索的混沌优化算法研究

正如傅里叶变换采用正弦基,单频信号能够在频域形成峰值,分数阶Fourier变换采用线性调频基,线性调频(LFM)信号能够在分数阶Fourier域上实现聚焦,利用此聚焦性通过搜索峰值可实现LFM信号检测和参数估计.通常采用步进式搜索方法,效率低下.为了克服该缺点,通过对分数阶Fourier域优化问题本质的研究,将混沌优化算法引入到分数阶Fourier域极值搜索中.仿真结果表明:本文的方法优于传统的步进式搜索法.     

基于深层声学特征的端到端语音分离

提出基于深层声学特征的端到端单声道语音分离算法,传统声学特征提取方法需要经过傅里叶变换、离散余弦变换等操作,会造成语音能量损失以及长时间延迟.为了改善这些问题,提出了以语音信号的原始波形作为深度神经网络的输入,通过网络模型来学习语音信号的更深层次的声学特征,实现端到端的语音分离.客观评价实验说明,本文提出的分离算法不仅有效地提升了语音分离的性能,也减少了语音分离算法的时间延迟.     

基于神经网络的电池SOC估算及优化方法

鉴于锂电池高度非线性和时变性使其剩余电量难以精确估算,影响电池的管理和控制。基于BP神经网络模型,在具有随机噪声干扰下,分析和比较不同架构的深度学习模型对电池剩余电量估算的运算时间和泛化性能,并根据粒子群算法（PSO）、基于Nesterov动量的RMSProp变学习率算法优化模型,结合数学规划设计出不同深度的最优构架,并与多种神经网络模型进行比较。根据实验数据和模型估算结果对比表明：此优化算法能有效减少模型的运算时间,在双隐层最优构架下,SOC平均估算误差在0.1左右。     

基于小波域的深度残差网络图像超分辨率算法

单幅图像超分辨率（SISR）是指从一张低分辨率图像重建高分辨率图像.传统的神经网络方法通常在图像的空间域进行超分辨率重构，但这些方法常在重构过程中忽略重要的细节.鉴于小波变换能够将图像内容的"粗略"和"细节"特征进行分离，提出一种基于小波域的深度残差网络（DRWSR）.不同于其他传统的卷积神经网络直接推导高分辨率图像（HR），该方法采用多阶段学习策略，首先推理出高分辨率图像对应的小波系数，然后重建超分辨率图像（SR）.为了获取更多的信息，该方法采用一种残差嵌套残差的灵活可扩展的深度神经网络.此外，提出的神经网络模型采用结合图像空域与小波域的损失函数进行优化求解.所提出的方法在Set5、Set14、BSD100、Urban100等数据集上进行实验，实验结果表明，该方法的视觉效果和峰值信噪比（PSNR）均优于相关的图像超分辨率方法.