一种基于神经网络的跳频信号频率预测方法

对跳频通信进行有效干扰的关键在于对跳频信号的频率进行较准的预测,本文就此提出了一种基于神经网络的对跳频信号频率进行预测的新方法,该方法利用了神经网络的非线性映射能力,能够较好的对目标进行预测,仿真实验的结果表明该方法有限强的实用性,值得进一步研究。     

蓝牙通信中的射频指纹识别技术

利用开机瞬态特征对蓝牙传输设备进行射频指纹识别时,开机瞬态信号的捕获与提取存在一定的局限性。为此,提出将频率跳变瞬态特征用于蓝牙设备的唯一性鉴别,以克服开机瞬态特征的局限性。在射频指纹识别中的数据获取、瞬态信号检测、指纹提取和分类过程中对该特征进行验证,根据实验数据对鉴别性能进行评估。分析结果表明,利用频率跳变瞬态特征能够成功鉴别蓝牙设备。以对虫洞攻击的检测和防御为例,进一步分析射频指纹识别在蓝牙网络安全协议中的应用,并给出基于蓝牙指纹识别的安全链路管理协议。     

基于CASH-CFAR的跳频信号检测

为解决复杂短波环境下跳频信号检测概率低的问题,提出了一种基于恒虚警概率(CFAR)的稳健的跳频信号检测算法.分析了CASH-CFAR算法,为了提高运算速度对其进行了一定的改进,根据跳频信号的特点将其扩展到二维并应用到时频谱图上检测跳频信号,通过形态学图像处理方法滤除噪声.仿真实验结果表明,该方法能够在低信噪比情况下有效地检测跳频信号,并同时抑制定频干扰,检测率较高,运算速度快.     

基于CMOR的跳频信号参数盲估计算法

针对传统算法在复杂的电磁环境中不能准确有效地检测跳频信号的不足,提出一种基于Morlet复小波变换(complex-Morlet wavelet transform,CMOR)的跳频信号参数估计算法,挖掘CMOR的尺度序列与跳频信号频率之间的内在联系。MATLAB仿真与真实信号验证结果表明,该算法无需任何先验条件,能够准确地估计跳频信号的跳变点、跳周期、跳速及跳频频率等性能参数,算法流程清晰度与估计精度均优于其它算法。     

一种新的跳频信号检测算法

本文提出了一种基于功率谱估计的跳频信号检测的新方法,该方法主要是利用定频信号、跳频信号的功率谱随时间变化的差异性,通过对定频信号功率谱进行对消以实现跳频信号的检测,分析了影响定频信号功率谱对消的因素,计算机仿真结果证实了该方法的有效性。     

跳频信号SPWVD参数估计方法研究

跳频信号是典型的非平稳信号,必须采用非平稳信号处理方法.WVD是时频分布中最常用的一种手段,可用来进行跳频信号分析,但存在严重的干扰项.SPWVD是WVD的改进,可以减少WVD交叉干扰项的影响.文章介绍了跳频信号的模型以及SPWVD的离散化实现过程,对SPWVD进行了计算机仿真.结果表明WVD和SPWVD均可时跳频信号进行分析,而SPWVD可以抑制交叉项的影响,并且这种分析方法更加有效、合理.     

MATLAB 环境下的跳频信号分析与仿真

对跳频信号的时频域进行分析是研究跳频通信，实现识别、跟踪跳频信号的重要基础。该文首先采用了具有局部分析能力的短时傅立叶变换分析方法对跳频信号在时域和频域上的变化情况进行了MATLAB环境下的仿真。然后，利用具有良好的时间-频率局部化特性的小波变换分析方法对跳频信号进行了MATLAB环境下的仿真分析。结果表明：跳频信号的小波变换后的时域和频域联合特征可同时兼顾时间和频率这两方面对分辨率的要求。     

多定频干扰中的跳频信号分离技术

提出了一种能抑制目标频带内的定频干扰信号的跳频信号分离方法.该方法基于堙灭滤波技术,当定频信号通过特定的堙灭滤波器时其输出为零,并利用计算机进行了仿真,数值结果表明该方法是可行的.     

重排谱图在跳频信号参数估计中的应用

为能准确提取出跳频信号的参数,提出了基于重排谱图的方法对跳频信号进行参数提取.对跳频信号进行重排谱图,得到其能量分布的最大值,对由最大值构成的矢量进行傅里叶变换,根据得到的数据,按照峰值检测法进行估计,得到对跳频周期、跳变时刻及跳频频率的估计值.对跳频跳速(跳频周期的倒数)进行仿真,仿真结果表明,与简单的谱图方法相比,重排谱图具有更好的时频分辨率,并且能得到更精确的估计值.     

基于Gabor谱方法的跳频信号时频分析

摘要：率高、交叉项干扰小的特点,对跳频信号进行时频分析,与其他常用时频分析方法比较得到了更精确的时变谱特征描述。通过对仿真结果的比较分析,证明了该方法对跳频信号分析的有效性,其方法也适用于其他非平稳信号的分析。     

基于特征融合时序分割网络的行为识别研究

行为识别是当今计算机视觉领域的一个研究热点,是一项具有挑战性的任务.行为识别分析与其网络输入数据类型、网络结构、特征融合环节具有密切联系.目前,主流的行为识别网络输入数据为RGB图像和光流图像,网络结构主要以双流和3D卷积为主;而特征选择直接影响到识别的效率,多层次的特征融合工作还有很多问题有待解决.针对主流的双流卷积网络输入数据为RGB图像和光流图像的局限,利用低秩空间中稀疏特征能够有效捕捉视频中运动物体信息的特点,对网络输入数据进行补充.同时,针对网络中缺乏信息交互的特点,将深度网络中高层语义信息和低层细节信息结合起来共同识别行为动作,使时序分割网络性能更具优势.在行为识别数据集UCF101和HMDB51上取得了97.1%和76.7%的识别效果,较目前主流算法有了较大的提升.实验结果表明,该方法能够有效地提高行为识别的识别率.     

基于双分支网络特征融合的车辆重识别方法

车辆重识别目的是通过不同的摄像机来识别同一辆车.但是由于车辆图像类内差异性大、类间相似性大,使得车辆重识别成为一个极具挑战性的任务.本文提出了一个基于双分支网络特征融合的车辆重识别方法来解决这一问题.该方法使用2个分支和批擦除策略提取并融合全局特征和局部特征,以突出车辆图像的类内相似性和类间差异性;并且采用圆损失代替传...     

基于多尺度特征融合的人群计数算法

针对密集场景下人群目标尺度变化大导致识别精度不高的问题,本文提出两种多尺度特征融合结构:注意力加权融合模块(attention-weighted fusion module,AWF)和自底向上融合模块(bottom-up fusion module,BUF).其中AWF模块引入注意力分支学习特征图的权重,并将加权后的多...     

基于特征融合的通信辐射源个体识别

针对通信辐射源个体识别研究中单一特征不足以全面表示细微特征差异,从而限制识别率的问题,提出了一种基于特征融合的通信辐射源个体识别方法。该方法首先对原信号进行短时傅里叶变换和双谱变换,提取时频特征和双谱特征,结合小波融合技术进行特征融合,最后使用残差神经网络挖掘信号隐含的深层次特征,完成分类识别。实验结果表明,对于模拟信号源发射的短波通信信号,经过特征融合后的识别效果相较于使用单一特征方法有更高的识别准确率,并且在低信噪比的情况下仍有较好的识别效果。     

基于特征融合的恶意加密流量识别

随着加密技术的全面应用, 越来越多的恶意软件同样采用加密的方式隐藏自身的网络活动, 导致基于规则和特征的传统方法无法满足准确性和普适性的要求. 针对上述问题, 提出一种层次特征融合和注意力的恶意加密流量识别方法. 算法具备层次结构, 依次提取数据包的特征和会话流的特征, 前一阶段设计全局混合池化方法进行特征融合; 后一阶段使用注意力机制提高BiLSTM网络分析序列关系的能力. 最终, 实验采用CIC-AndMal 2017数据集进行验证, 结果表明: 模型设计合理, 相比TextCNN模型和HST-MHSA模型, 漏报率分别降低5.8%和2.6%, 加权F1值分别提高4.7%和3.5%, 在恶意加密流量识别和分类方面体现良好的优化效果.     

基于高低维度特征融合的双通道卷积神经网络

为了充分利用图像中所隐藏的特征信息,提出将低级维度特征融合在全连接层,构建出融合了高低级维度特征的双通道卷积神经网络。首先构建一个传统的双通道卷积神经网络,在两通道上设置不同大小的卷积核,将双通道的池化层分别连接到全连接层,同时将两通道卷积神经网络的第一池化层提取的特征也直接送到全连接层,使提取得到的初级和高级特征图在全连接层上进行融合,融合后的数据输入到Softmax分类器进行分类。不同算法在fashion-mnist和CIFAR-10数据库上的对比仿真结果表明,本文模型获得了较高的分类准确率。     

基于RFID技术的城市交通信号优化控制

本文分析造成目前城市交通拥挤的原因和交通信号的控制方法,结合RFID的特性,提出基于RFID技术和自适应调节算法的城市交通信号优化控制方法,实现根据相邻交叉路口的车流量实时调整信号灯的时间,以缓解城市的交通阻塞。实验模拟结果证明该方法是有效的。     

基于双尺度特征融合的单幅图像去雾网络

基于深度学习的图像去雾方法在合成数据集上表现良好,但在真实场景中应用时存在去雾不彻底、颜色失真等问题。提出一种新的单幅图像去雾网络,该网络包含特征提取、特征融合2个模块。在特征提取模块中,通过残差密集块和具有空间注意机制的特征提取块分别提取图像的局部特征和全局特征。在特征融合模块中,利用通道注意力机制对局部特征图和全局特征图进行通道加权,并通过卷积操作融合加权后的局部特征图与全局特征图。最后,采用门控网络自适应结合3个不同深度的融合特征图,以恢复高质量的去雾图像。实验结果表明,所提网络在室内数据集下的峰值信噪比(PSNR)和结构相似度（SSIM）分别为33.04 dB、0.983,在HAZERD数据集下的PSNR和SSIM分别比GridDehazeNet网络高出1.33 dB和0.041。同时,该网络的模型参数量和浮点运算数分别为0.34M和16.06×109frame/s,具有较低复杂度,对合成图像和真实图像均可取得理想的去雾效果。     

多模态特征融合的长视频行为识别方法

行为识别技术在视频检索具有重要的应用价值;针对基于卷积神经网络的行为识别方法存在的长时序行为识别能力不足、尺度特征提取困难、光照变化及复杂背景干扰等问题,提出一种多模态特征融合的长视频行为识别方法;首先,考虑到长时序行为帧间差距较小,易造成视频帧的冗余,基于此,通过均匀稀疏采样策略完成全视频段的时域建模,在降低视频帧冗余度的前提下实现长时序信息的充分保留;其次,通过多列卷积获取多尺度时空特征,弱化视角变化对视频图像带来的干扰;后引入光流数据信息,通过空间注意力机制引导的特征提取网络获取光流数据的深层次特征,进而利用不同数据模式之间的优势互补,提高网络在不同场景下的准确性和鲁棒性;最后,将获取的多尺度时空特征和光流信息在网络的全连接层进行融合,实现了端到端的长视频行为识别;实验结果表明,所提方法在UCF101和HMDB51数据集上平均精度分别为97.2％和72.8％,优于其他对比方法,实验结果证明了该方法的有效性.     

基于特征融合注意网络的图像超分辨率重建

近年来, 基于深度卷积神经网络的单图像超分辨率重建, 取得了显著的进展, 但是, 仍然存在诸如特征利用率低、网络参数量大和重建图像细节纹理模糊等问题. 我们提出了基于特征融合注意网络的单图像超分辨率方法, 网络模型主要包括特征融合子网络和特征注意子网络. 特征融合子网络可以更好地融合不同深度的特征信息, 以及增加跨通道的学习能力; 特征注意子网络则着重关注高频信息, 以增强边缘和纹理. 实验结果表明: 无论是主观视觉效果, 还是客观度量, 我们方法的超分辨率性能明显优于其他代表性的方法.