基于深度学习的自动调制识别方法综述

自动调制识别(Automatic Modulation Recognition,AMR)是复杂电磁环境下的信号感知和识别领域中的重要技术,广泛应用于频谱感知、链路自适应、干扰防护等领域。传统的AMR方法主要依赖于人工提取特征、决策理论和识别器的选择。而深度学习(Deep Learning,DL)算法直接从海量数据中自动获取信号特征,同时实现特征提取和识别。因此,针对复杂多变的电磁环境中的信号识别问题,提出了将DL算法应用于AMR任务。首先,从数据集、信号表示和网络模型三个层面系统地综述基于DL的AMR方法;其次,详细总结了针对不同的信号表示所设计的神经网络模型,其中接收信号可以由专家特征、序列和图像来表示;最后概述了AMR存在的问题、潜在的研究方向和结论。     

参数优化最大二阶循环平稳盲解卷积行星轮轴承故障提取EI北大核心CSCD

在行星齿轮箱振动中,齿轮相关振动分量通常具有较大的能量,同时轴承滑移会造成行星轮轴承故障对应振动分量的特征频率获取困难。为此,提出一种基于参数优化最大二阶循环平稳盲解卷积(cyclostationary blind deconvolution, CYCBD)的行星轮轴承故障提取方法。该方法针对CYCBD技术在轴承滑移条件下难以获取循环频率和滤波器长度的问题,以改进的包络谱故障特征比(improved envelope spectrum fault feature ratio, IFFR)指标作为粒子群算法的适应度函数,自动获取CYCBD算法中实际的循环频率和优化滤波器长度,利用参数自适应的CYCBD算法增强了轴承故障冲击。通过解卷积结果的平方包络谱反映轴承故障特征,达到准确提取故障特征的目的。故障仿真和试验研究结果表明,该方法可以有效提取行星轮轴承故障特征。     

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%。     

基于特征融合的通信语音干扰效果客观评估

针对通信语音干扰效果客观评估问题，提出了基于多测度与多模态融合的2种评估方法。首先，利用端点检测算法以及动态时间弯折算法对受扰语音数据进行预处理。然后，提取数据中的语音内容并与标准语音进行测度计算得到5种测度，将5种测度融合后利用随机森林模型进行质量等级评估。最后，结合多模态融合技术，设计了基于残差结构的神经网络模型，融合受扰语音数据的图域、测度域特征并进行质量等级评估。实验结果表明，2种方法的评估准确率均达到了90%以上。其中，多模态评估方法与现有的研究方法相比，准确率提升了约3.269%，证明所提方法具有更优的性能。     

国产CT150连续管性能研究及应用

为满足超深井、超长水平井及高压井开发对连续管强度、下入深度、承压能力提出的要求，研制开发了目前世界最高强度CT150连续管，并在油田开展应用。通过金相、力学性能和低周疲劳等试验，研究了国产CT150连续管的强度、塑性、承压能力和弯曲疲劳寿命等性能。结果显示，国产CT150连续管屈服强度为1 078 MPa，抗拉强度为1 141 MPa，硬度<363HV_1.0，伸长率为21%；Φ50.8 mm×4.0 mm规格CT150连续管爆破压力达196.2 MPa，挤毁压力达161.4 MPa，疲劳寿命达到248次。研究表明，CT150连续管具有较好的强塑性，相比同规格CT110连续管，疲劳寿命提高了1倍，承载承压能力也大幅提升，相同条件下下入深度可提高36.4%。该产品在新疆油田总计应用28口井，下井作业51次，有效减少管材螺旋自锁现象发生，显著提升长水平段的下入深度，同时具有优异的承压性能，大幅提高了作业的安全性。     

智能6G：网络的边缘部署和轻量化

6G移动通信技术将会推进人类社会步入智能时代，实现数字世界与现实世界的融合。在这一时代背景下，将人工智能模型部署在边缘计算平台成为了一种必然的趋势，降低模型体量、提升模型性能也成为一个重点的研究方向。从一个广阔的视角对边缘计算以及模型轻量化的研究进行了归纳总结，为相关学者提供了全面的背景知识，并通过分析可靠的数据展望该领域的发展前景，讨论边缘计算和轻量化模型结合的重要性。     

基于轻量化深度学习网络的调制信号识别模型

电磁态势分析是信息化战争中至关重要的工作,如何利用深度学习技术有效实现调制信号识别是其中一项关键技术.首先将调制信号转化为带有颜色信息的星座图形式,并用深度学习方法,选用VGG16和AlexNet两个卷积神经网络完成调制识别任务.结果显示,当信噪比大于等于0 dB时,可以达到99％以上的识别准确率.由于军用设备对于计算...