基于小波神经网络的数字信号调制识别

本文采用熵特征的提取方法,大大减小了特征值的计算量,增强了小波神经网络(WNN)识别的有效性。同时采用改进的算法训练小波神经网络,有效的避免算法陷入局部最小值,克服了传统BP网络的固有缺点,并提高了小波神经网络的训练速度。结果表明,该系统能快速有效的识别出数字信号的调制类型,具有较高的识别精度。     

基于遗传小波神经网络的RFID调制识别

在射频识别的调制识别方法中,神经网络常用的反向传播算法普遍存在收敛速度慢、容易陷入局部极小点、网络参数的选取只能凭实验和经验确定等缺点。针对上述问题,提出一种基于遗传算法优化小波神经网络的识别分类器。该分类器可以充分发挥遗传算法的全局寻优能力、小波分析的非线性逼近能力和神经网络的自学习特性,仿真结果表明其可以优化系统的收敛速度和识别精度。     

基于神经网络的软件无线电信号的调制识别

对接收信号的调制类型进行自动识别,对于软件无线电这类多模式通信系统非常重要。它使得系统可以自动切换到合适的软件解调程序,从而能使系统更具灵活性和适应能力。提出了一种基于神经网络方法的分类算法来解决此问题。实验结果表明,在信噪比为5db时,正确的识别率不低于98％。     

基于深度学习的自动调制识别研究

非合作通信场景下,自动调制识别是实现频谱感知、频谱管理、频谱利用的关键一环,也是进行高效信号处理的重要前提.传统基于模式识别的AMR方法需要手工进行特征提取,面临着设计复杂性高、识别精度低、泛化能力弱等难题.为此,学术界将目光转向以提取数据中隐含特征见长的深度学习方法,提出了多种面向AMR的深度神经网络架构.相比传统方...     

基于神经网络的数字信号调制方式识别

提出了一种对经过符号成形的数字信号调制方式进行识别的新算法,利用特征参数提取与神经网络分类器相结合对8种常用数字信号进行识别.首先介绍了符号成形对信号瞬时参数提取的影响,然后选取特征量并通过所设计的神经网络分类器进行识别分类,最后计算机仿真表明利用神经网络分类器在低信噪比下能较好地区分开8种经符号成形的数字信号,且选用的L-M训练算法收敛快,适合在线分析.     

基于卷积神经网络的通信信号调制识别研究

针对传统人工提取专家特征来进行通信信号识别的方法存在局限性大、低信噪比下准确率低的问题,提出一种复基带信号与卷积神经网络自动调制识别相结合的新方法。该方法将接收到的信号进行预处理,得到包含同相分量和正交分量的复基带信号,该信号作为输入卷积神经网络模型的数据集,通过多次训练调整模型结构以及卷积核、步长、特征图和激活函数等超参数,利用训练好的模型对通信信号进行特征提取和识别。实现了对2FSK、4FSK、BPSK、8PSK、QPSK、QAM16和QAM64 七种数字通信信号类型的识别分类。实验结果表明,当信噪比为0dB时,七种信号的平均识别准确率已达94.61%,验证了算法是有效的且在低信噪比条件下有较高的准确率。     

基于深度级联孪生网络的小样本调制识别算法

为解决传统基于深度学习的调制识别算法在小样本条件下识别准确率较低的问题,提出一种基于深度级联孪生网络的通信信号小样本调制识别算法。根据通信信号时序图的时空特性,设计由卷积神经网络和长短时记忆网络级联的特征提取模块将原始信号特征映射至特征空间,同时在孪生网络架构下对提取的特征进行距离度量并以相似性约束训练网络,避免特征提取模块在训练过程中出现过拟合现象,最终通过最近邻分类器识别待测样本的调制类别。在DeepSig公开调制数据集上的实验结果表明,与传统基于深度学习的调制识别算法相比,该算法能有效降低训练过程中所需的样本量,且在小样本条件下的识别准确率更高。     

基于深度神经网络的调制方式识别研究

随着6G通信技术的研究,研究者将深度学习引入自动调制识别任务。在考虑识别精度的情况下,还应重点考虑神经网络规模。文章采用Conv1D和Conv1D＿LSTM两种网络结构,并利用公开的数据集RadioML2016.10a训练评估网络,之后与公开的论文结果进行对比。实验结果表明,本文所采用的网络结构在大量缩减网络规模的情况下,依然能达到公开文献的识别精度,具有一定的实际应用价值。     

MPSK信号调制方式识别研究

文章介绍了一种新的MPSK信号识别方法，该方法基于信号星座图旋转和同相分量的四阶累积量，通过傅立叶级数展开提取了一组特征向量送入神经网络分类器进行分类识别。仿真结果表明该方法识别正确率高、信噪比要求低。     

基于人工神经网络的数字识别系统的研究

在社会生活各领域中,存在着含有大量数字信息的文件,实现计算机对数字的自动识别已经成为当今社会的一种需求。基于此,文中提出了一种神经网络的方法来实现数字识别。经实验结果表明,该系统取得了较好的识别精度。     

基于特征脸及人工神经网络的人脸识别

人脸是一个复杂的多维可见模型,开发人脸识别的计算模型是比较复杂的。介绍了一种基于信息理论的编译人脸图像的识别方法。该方法涉及两个方面:一是使用主成分分析进行特征提取;二是使用前馈反向神经网络进行识别。并使用400张人脸图片(40类)测试了该方法,识别率高达97.018%。     

人工神经网络在木材损伤识别中的应用

利用人工神经网络(ANN)对含有不同缺陷程度的木材进行了定性和定量解析.通过选择合理的神经网络结构,建立有效的训练样本集,确定合理的参数及训练方法,对3种不同缺陷类型木材进行了解析,考察了网络的泛化能力.结果表明:该网络能够对不同缺陷程度的木材进行准确地识别,而且本研究为人工神经网络在木材缺陷损伤的定性和定量分析方面提供了一种有效的方法.     

基于自组特征映射神经网络的虹膜识别算法研究

虹膜识别是一种非侵犯性的身份鉴别技术。本文讨论了虹膜图像定位、归一化和增强等预处理方法,并提出了一种基于神经元网络的虹膜图像识别算法,它是对提取的归一化矩形虹膜纹理数据用训练的自组织特征映射(SOM)神经网络进行虹膜模式识别。实验表明,该方法识别正确率高,效果良好。     

基于模糊模式识别的超圆神经网络模型

模糊模式识别是模糊集理论研究中的重要方向,神经网络是数据挖掘中的一种常用方法。超圆神经网络的学习时间和网络模型理解性都优于BP神经网络,它能以较少的数据量蕴涵同样的信息量。文章依据超圆神经网络模型思想,提出了一种新的基于模糊模式识别的神经网络模型算法,该算法继承了超圆神经网络的优点,能有效地对样本进行学习。     

基于神经网络的在线调制自动识别

对未知的无线电信号的调制类型进行在线自动识别在军事对抗和频谱监控中有着非常重要的意义。提出了一种在线进行调制识别的系统模型,并给出一种基于神经网络的快速收敛分类器算法。仿真结果证实了该种方法的有效性。     

一种优化的RBF神经网络在调制识别中的应用

提出了一种基于径向基函数 (RBF) 神经网络的通信信号调制识别方法, 该方法采用模糊 C-均值 (FCM) 聚类算法对数据进行聚类, 并获取基函数的参数, 采用梯度下降法训练网络权值. 利用最优停止法对网络进行了优化, 避免了过学习现象, 提高了 RBF 网络的训练速度和泛化能力, 以实际信号数据对该网络进行性能检验, 实验结果表明了该 RBF 网络具有较高的识别精度.     

基于EMBP情感神经网络的人脸识别算法研究

在传统BP神经网络基础上,引入情感因素,重新构建了BP神经网络结构,建立了EMBP情感神经网络,给出了EMBP网络的权值修正算法,把该算法应用于人脸识别.采用奇异值分解（SVD）对人脸图像进行信息压缩,提取人脸数据的奇异特征值作为EMBP情感神经网络输入信号,并设计EMBP人脸分类器.实验结果表明,在奇异值特征个数保持不变前提下,随着参与训练样本数增加,系统的识别率逐渐提高,EMBP的性能比普通BP有明显的提高.     

基于人工神经网络的中长期负荷预测算法

当前中长负荷预测的大部分方法都衍生于传统的线形统计理论,难以解决复杂的非线性问题。文中结合BP人工神经网络技术,利用人工神经网络所具有的非线性映射和函数逼近功能对中长期电力负荷进行了研究,提出了一种中长期电力负荷预测的思路。并利用北京市的实际数字对未来若干年的用电量进行了预测,实验结果表明,该算法具有较好的准确性和可行性。