利用并联CNN-LSTM的调制样式识别算法

为了提高基于卷积神经网络的调制样式识别算法性能,利用CNN的空间特征提取能力和LSTM时序特征提取能力,设计了CNN-LSTM并联网络,上支路由一层卷积层和一层池化层组成,下支路使用单层LSTM网络。直接将同向分量和正交分量作为输入数据,上下支路提取信号的空间和时间特征,提高特征表达能力。对BPSK、QPSK、8PSK、16QAM、32QAM、16APSK、32APSK 等7种信号的调制样式识别仿真实验结果表明:算法无需人为设计特征参数,减少人为因素影响,同时该算法在低信噪比下具有较好的识别性能。      

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。     

基于时间卷积网络的通信信号调制识别算法

针对基于深度学习的端到端调制识别方法存在识别率较低、神经网络参数量大的问题，提出了一种基于时间卷积网络(Temporal Convolutional Network, TCN)的调制识别算法。利用一维因果膨胀卷积，提取信号的时域和频域特征，并加入批归一化(Batch Normalization, BN)和Dropout提高算法的拟合能力；使用全局平均池化(Global Average Pooling, GAP)层替代Flatten层，整合向量特征信息，进一步实现信号的准确分类。在RML 2016.10a数据集上验证了TCN算法的识别性能，在不同信噪比(Signal to Noise Ratio, SNR)下对11种调制信号的平均识别率达到62.3%,与CNN,LSTM和SCRNN算法相比分别提高了10.5%、4.1%、1.1%,参数量分别降低了98.8%、82.5%、91.2%。所提方法对于通信调制信号识别的研究领域具有理论参考价值，对复杂环境下的空间信号智能分类的研究具有工程借鉴意义。     

结合LSTM与CNN的野外车辆声信号分类

针对野外环境下微声传感器采集的小型轮式车、大型轮式车和履带车3种车辆声信号受风噪影响严重、分类性能较低的问题,提出了一种长短时记忆网络(LSTM)与多尺度、多层次特征融合卷积神经网络(CNN)相结合的分类算法——野外车辆识别算法(FVNet).该算法先采用一层LSTM网络提取声信号的时序特征,充分利用声信号的长时依赖关...     

应用深度神经网络和集成学习的电台个体识别

提出了一种基于深度神经网络的个体智能识别方法,可用于电台个体分类识别.该方法构建集成多子网络的一维深度卷积模型,以电台时序信号作为模型输入,进行电台个体分类.利用深度神经网络自动特征化的能力,该方法从时序信号中自动获取个体特征,从而以端到端的形式实现从电台信号识别电台个体.该方法能够免去基于专家知识的特征提取工作,自动提取的个体深度特征还有助于区分传统特征无法区分的高度相似电台个体.实验证明,该方法能有效降低模型调参设计难度,能减轻单一网络带来的特征提取识别过拟合问题,能提高电台个体识别算法的泛化能力与鲁棒性.在信噪比12 dB的条件下,对10类电台8PSK调制信号进行特征提取与识别,整体正确率91.83％,平均正确率为89.12％;对MSK调制信号进行特征提取与识别,平均分类精度为89.1％.     

基于CNN-LSTM的运动想象脑电四分类研究

脑机接口通过对运动想象脑电信号的分类识别，帮助运动神经严重受损的患者实现与外部设备的直接交互。为了提高多分类运动想象脑电信号的分类准确率，提出一种基于卷积神经网络（Convolutional Neural Network,CNN）和长短时记忆（Long Short-Term Memory,LSTM）网络的脑电信号识别方法。首先，对原始脑电信号进行预处理，并利用快速傅里叶变换提取出相关频带的能量值；其次，对处理后的脑电信号采用一维卷积神经网络提取空间特征，再利用LSTM网络在序列上的建模能力，将空间特征组成特征序列输入到LSTM网络，提取时间特征；最后，将LSTM网络输出的特征输入到Softmax分类器，把结果分为左手、右手、舌头和脚四种类型。文中使用BCI Competition Ⅳ竞赛的数据集2a对所提的方法进行验证，实验结果表明，所提方法能够有效地提高多分类精度，分类结果的平均准确率达到90.38%。     

基于深度学习的卫星信号调制识别算法

为实现卫星信号调制方式的分类,提出的高阶累积量与K最近邻算法(KNN)调制样式识别算法选取对噪声不敏感的5种高阶累积量特征参数用于信号的识别,通过KNN作为分类器对信号分类。实验结果表明,当信噪比(SNR)高于12 dB时,信号的调制方式可以被高效地识别,并且识别率趋近100%,但需要人工设计和提取特征参数。因此,提出了循环神经网络(Recurrent Neural Network, RNN)的卫星调制信号识别算法,以信号的IQ数据作为模型的输入,通过LSTM进行分时特征提取,全连接层进行分类,最终完成识别。在采样长度等于512,SNR大于4 dB时,识别率趋近100%。与KNN相比,LSTM网络的识别性能更为优越,尤其在低SNR的情况下,可以高效识别6种调制方式。     

基于CNN-LSTM模型的不满意用户预警研究

为了从海量数据中挖掘有效信息，提高不满意用户预测精度，针对用户话单数据时序性和非线性的特点，提出了一种基于卷积神经网络（CNN）和长短期记忆（LSTM）的不满意用户预测模型。首先，将用户信息数据和历史话单数据按时间滑动窗口构造连续特征图作为输入，采用CNN提取特征向量；然后，将特征向量以时序序列方式构造，采用LSTM进行用户满意度预测。通过所提方法对江苏省某地区移动通信用户数据的预测实验表明，本文提出的预测方法比传统预测方法、机器学习方法和标准LSTM网络预测方法具有更高的预测精度。     

基于深度学习的网络入侵检测方法

网络入侵检测是网络安全领域的重要课题,传统的机器学习检测算法以特征提取和特征分离为基础,存在检测能力不足和误报率高等问题。本文提出一种基于深度学习的网络入侵检测模型IDNet。其综合考虑流量数据中的空间特征和时间特征。首先使用卷积神经网络(CNN)提取流量数据的空间特征,然后通过递归神经网络(RNN)提取流量数据的时间特征,通过堆叠CNN+RNN模块,并逐步增加学习粒度,达到同时有效提取空间特征和时间特征的目的。试验结果表明,所提算法检测准确率和误报率均优于传统机器学习算法。     

基于骨架坐标的LC融合动作识别算法

动作识别是计算机理解人类行为的关键技术,为了提高动作识别算法的时空特征提取能力,本文提出了一种融合LSTM和CNN的动作识别算法。该算法利用LSTM子网捕捉时间信息,采用CNN子网捕捉空间特征,然后融合特征进行动作识别。本文方法在NTU RGB-D数据集上,CS验证的准确率达到87.0%,CV验证的准确率达到91.5%。此外,针对动作时间长度不统一问题,同时对比了近邻插补和零向量插补方法,得到前者表现较优的结论。     

基于多尺度金字塔池化的调制识别算法

针对传统基于特征提取(FB)的信号调制识别算法所存在的识别准确率低、特征提取难度大以及算法泛化性能差等问题,结合卷积神经网络(CNN)和多尺度金字塔池化(MSPP)提出一种基于MSPP-CNN的信号自动调制识别(AMR)算法。在所提出的算法中,使用多尺度金字塔池化提高模型对不同调制信号的非线性特征提取能力,使模型具有更强的特征表达和泛化性能;在CNN模型的构建过程中,使用不同的卷积、池化以及激活方法对模型进行最优化验证,从而保证模型结构以及参数的合理性。实验结果显示,所提算法在信噪比为-18 dB,0 dB,18 dB时的识别准确率分别达到56%,62.98%,92.04%;与其他传统特征提取算法以及CNN算法的大量对比试验,证明了所提算法的有效性和高识别准确率。     

基于深度学习的认知无线电调制参数估计

自动调制分类是电磁空间感知的一个关键问题，目前传统的识别技术很难适应复杂的信号情况。现有的调制分类算法大多忽略了不同特征之间的互补性和特征融合的重要性。基于此，提出一种用于自动调制分类的图像特征融合方法。该方法充分利用了不同图像特征之间的互补性，通过格拉姆角场(Gramian Angular Field, GAF)方法将原始信号转换为图像，同时利用累积极坐标特征转换技术将接收到的信号从I-Q域转换为r-θ域，在r-θ域对原始信号进行特征编码然后转换为图像。使用深度学习对两种图像进行特征提取，将提取的特征融合后用作神经网络分类器的输入，以实现对多种类型信号的自动调制分类。实验结果表明，使用Swin-Transformer网络模型对转换后的图像进行分类，在信噪比大于4 dB的情况下，调制方法的识别率超过90%。     

一种基于Zernike矩双谱的雷达信号特征提取新算法

雷达信号的相位可反映其脉内调制特征,而双谱在提取雷达信号特征时可以完整地保留相位信息。针对现有双谱特征提取方法存在平凡双谱、交叉项、特征维数过高等问题,提出一种基于双谱二次特征的雷达信号脉内特征提取算法。首先,将双谱转化为灰度图像,以灰度值表示双谱幅度;然后,利用图像处理技术提取双谱二次特征,提取出能够反映复杂雷达信号脉内特征的不同阶Zernike正交矩特征集;最后,将Zernike矩特征集与广泛应用于特征提取的Hu-不变矩特征集进行实验对比,结果表明,本文提出的算法具有更好的分类识别性能。     

基于CNN与LSTM相结合的恶意域名检测模型

为提高恶意域名检测准确率,该文提出一种基于卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合的域名检测模型.该模型通过提取域名字符串中不同长度字符组合的序列特征进行恶意域名检测:首先,为避免N-Gram特征稀疏分布的问题,采用CNN提取域名字符串中字符组合特征并转化为维度固定的稠密向量;其次,为充分挖掘域名字符串上下文信息,采用LSTM提取字符组合前后关联的深层次序列特征,同时引入注意力机制为填充字符所处位置的输出特征分配较小权重,降低填充字符对特征提取的干扰,增强对长距离序列特征的提取能力;最后,将CNN提取局部特征与LSTM提取序列特征的优势相结合,获得不同长度字符组合的序列特征进行域名检测.实验表明:该模型较单一采用CNN或LSTM的模型具有更高的召回率和F1分数,尤其对matsnu和suppobox两类恶意域名的检测准确率较单一采用LSTM的模型提高了24.8％和3.77％.     

基于CNN与LSTM相结合的恶意域名检测模型

为提高恶意域名检测准确率,该文提出一种基于卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合的域名检测模型。该模型通过提取域名字符串中不同长度字符组合的序列特征进行恶意域名检测:首先,为避免N-Gram特征稀疏分布的问题,采用CNN提取域名字符串中字符组合特征并转化为维度固定的稠密向量;其次,为充分挖掘域名字符串上下文信息,采用LSTM提取字符组合前后关联的深层次序列特征,同时引入注意力机制为填充字符所处位置的输出特征分配较小权重,降低填充字符对特征提取的干扰,增强对长距离序列特征的提取能力;最后,将CNN提取局部特征与LSTM提取序列特征的优势相结合,获得不同长度字符组合的序列特征进行域名检测。实验表明:该模型较单一采用CNN或LSTM的模型具有更高的召回率和F1分数,尤其对matsnu和suppobox两类恶意域名的检测准确率较单一采用LSTM的模型提高了24.8%和3.77%。     

基于CS-LSTM-attention的轴承故障诊断

作为旋转机械设备的常用部件,轴承容易受到损伤而影响整个机械设备的运行,因此对其进行故障监测和诊断十分重要。轴承振动信号是一种时间序列数据,基于卷积神经网络的故障诊断模型对时序特征的提取具有局限性。针对上述问题,文中提出了一种基于卷积神经网络(CNN)、改进长短时记忆神经网络(LSTM)和注意力机制(Attention)的轴承故障诊断模型。首先,利用卷积神经网络初步提取经小波变换处理后的时频数据的特征,对数据等段均分后输入LSTM,进一步提取时序特征,再加入Attention模块对不同时刻的特征进行权重参数学习,最后结合全连接层与激活函数完成故障诊断。     

复杂电磁环境下基于信号时频图像的调制识别

为解决调制识别研究中较少考虑到不同信号的特征之间联系性的问题,搭建了卷积神经网络(CNN)来提取信号的彩色时频图对应的特征,并利用时频变换的分析方法,将一维信号处理成彩色时频图,通过卷积神经网络架构提取图像特征;同时为了提升算法在低信噪比下的分类识别准确率,对时频图像的纹理特征进行了特征提取,将提取到的纹理特征与卷积神...     

基于AlexNet-BiLSTM网络的锥体目标微动分类

针对典型弹道锥体目标分类需构造、提取人工特征而缺乏通用性及智能性的问题,提出一种利用卷积神经网络（Convolutional Neural Network,CNN）与长短期记忆网络（Long Short-Term Memory,LSTM）相结合的网络模型,对弹道锥体目标的微动时频图实现智能分类的方法。首先,分析弹道锥体目标的微多普勒特征,得出不同微动形式的微多普勒频率;然后,利用AlexNet网络的图像特征提取能力与BiLSTM网络的时序特征提取能力构造AlexNet-BiLSTM网络模型,并通过模拟雷达回波生成的时频图数据集对网络进行训练、调试;最后,仿真结果表明该网络能实现弹道锥体目标的智能微动分类,验证了该网络的有效性及鲁棒性。      

基于语义理解注意力神经网络的多元特征融合中文文本分类

在中文文本分类任务中,针对重要特征在中文文本中位置分布分散、稀疏的问题,以及不同文本特征对文本类别识别贡献不同的问题,该文提出一种基于语义理解的注意力神经网络、长短期记忆网络(LSTM)与卷积神经网络(CNN)的多元特征融合中文文本分类模型(3CLA)。模型首先通过文本预处理将中文文本分词、向量化。然后,通过嵌入层分别经过CNN通路、LSTM通路和注意力算法模型通路以提取不同层次、具有不同特点的文本特征。最终,文本特征经融合层融合后,由softmax分类器进行分类。基于中文语料进行了文本分类实验。实验结果表明,相较于CNN结构模型与LSTM结构模型,提出的算法模型对中文文本类别的识别能力最多提升约8%。     

基于信噪比分类网络的调制信号分类识别算法

针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。