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。     

一种融合流形学习和深度学习的时变信道自动调制识别技术

自动调制识别在军事领域和民用领域都发挥了巨大作用。现有的大多数研究都是基于高斯白噪声信道,但是时变信道下的自动调制识别才更符合实际并且具有挑战性。该文针对时变信道提出了一种融合流形学习和深度学习的自动调制识别方法,第一次将格拉斯曼流形引入到信号的特征提取,通过将信号星座图建模到格拉斯曼流形上完成特征提取。分类网络由基于流形学习和深度学习的两部分组成,流形数据先经过流形学习网络进行降维,然后映射到平滑子空间,最后通过简单的卷积神经网络完成分类。实验结果表明,与传统的卷积神经网络相比该文所提出的方案具有良好的性能,同时为自动调制识别提供了新的解决思路。      

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经网络中提取到的特征进行特征融合。仿真实验结果表明,采用的时频卷积神经网络(TF–CNN)和TF–Resnet网络框架能够达到高精确度信号自动调制识别分类的目的。     

基于卷积神经网络的调制样式识别研究

自动调制样式识别分类是解调前的重要步骤,在频谱管理、认知无线电、智能调制解调器、监视和干扰识别等许多应用中发挥着重要作用。深度学习具有强大的分类能力,基于深度学习中的卷积神经网络,将映射成星座图的具有不同调制样式的通信信号馈送进神经网络,从而达到通信信号调试样式识别分类的目的。基于实验目的,提出一种改进的卷积神经网络结构可实现对七种不同的调制样式的分类,在信噪比≥5dB时,识别率可达97.99%,信噪比≥9dB时,识别率可达100%。     

一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。     

一种基于微波雷达回波信号的车型分类方法

车辆类型识别方法是智能交通系统的关键技术之一。利用深度学习的高维特征泛化学习能力,将改进的LeNet-5卷积神经网络用于基于交通微波雷达的大小车型分类识别。首先,以雷达触发前的N帧信号为基础,对雷达的回波信号进行分析并构建数据集;然后,分析LeNet-5卷积神经网络的特点;最后提出一种改进的LeNet-5卷积神经网络。实验结果表明,与传统的支持向量机方法相比,所提方法能够智能学习大小车的雷达时频信号特征,大小车型识别准确率达到97%以上,可为交通场景下的车型识别研究提供新的技术途径。     

基于卷积神经网络的调制识别新方法

针对通信信号调制方式识别问题,提出了一种基于卷积神经网络的通信信号调制方式识别新方法,利用深度卷积网络实现了通信信号特征的自学习,避免了传统算法中特征提取与选择问题,并设计了基于自学习特征的分类器,实现了通信信号调制方式的识别。仿真结果表明,利用卷积神经网络实现通信信号调制方式的识别是可行、有效的。     

基于卷积神经网络的数字调制分类识别

基于特征提取和模式识别的信号调制方式分类识别技术是非协作通信领域内应用广泛的重点研究对象。提出一种基于深度学习的通信信号数字调制识别算法，采用卷积神经网络找到数据的内在表达，实现逐层化地识别和分类MPSK、MFSK和MQAM中的六种调制信号。仿真实验结果表明，所提出的方法分类识别效果良好，基本达成了数字调制信号自动识别的目的。     

基于时频融合的深度学习调制识别算法

自动调制识别(Automatic Modulation Recognition,AMR) 能够在缺少先验信息的条件下,识别出接收信号的调制类型,在非合作通信中起着至关重要的作用。为提高调制识别的准确率,提出了一种基于时频融合的深度学习调制识别算法。该算法将调制信号的时频图作为网络的输入,使用一维卷积分别提取信号的时频特征,并通过计算时频维度上的权重来突出重要的时频信息,使网络学习到更具区分度的时频特征。为了充分利用时频特征之间的互补性和相关性,使用了基于压缩和激励网络(Squeeze-and-Excitation Network,SENet)的时频特征融合策略。利用该网络对11种调制类型进行识别,实现了最高92.5%的识别准确率;在0 dB以上时,平均识别准确率达到90.87%,优于其他的深度学习算法。     

基于CNN-GRU和CA-VGG特征融合的调制识别模型

针对深度学习的调制识别模型在信噪比较低的情况下存在识别率低以及部分相似信号难以识别的问题，提出了一种自动调制识别的特征融合MFF网络。MFF网络主要由CA-VGG模块和CNN-GRU模块组成，其中基于卷积神经网络和CA的CA-VGG模块用于接收信号星座图，来提取不同调制信号的二维图像特征；在基于卷积神经网络和GRU网络的CNNGRU模块中，将调制信号的A/P数据与I/Q数据作为网络输入，用于提取不同调制信号的一维时间特征；MFF网络通过将调制信号的A/P、I/Q数据与星座图相结合，丰富了每一种调制方式的数据表示形式，可实现不同类型数据特征之间的互补，最后将两个模块的输出结果进行融合来进一步提高信号分类的准确率。实验结果表明，在RadioML2016.10a数据集上，新模型在信噪比为-20～18 dB的识别准确率为63.2%，优于其他参考文献中的模型。     

基于深度学习网络融合的自动调制分类方法

基于深度学习网络的自动调制分类（Automatic Modulation Classification, AMC）方法虽然对大多数通信调制信号能够取得满意的分类效果,但对WBFM(Wide Band Frequency Modulation)信号和MQAM(Multiple Quadrature Amplitude Modulation)信号的分类并不理想。针对WBFM信号误判的问题,使用判决法来筛选WBFM信号;考虑到信号样本不平衡的情况,引入数据增强方法扩充筛选后的WBFM信号。针对MQAM信号混淆的问题,利用分数阶傅里叶变换（Fractional Fourier Transform, FRFT）获取时频维度更多的特征信息。在此基础上,提出一种基于特征金字塔网络和长短时记忆网络并联的多通道特征融合网络（Multi-channel Feature Fusion, MFF）来提取信号的深层特征和浅层特征进行分类。实验结果表明：本文所提方法在一定程度上能够解决WBFM信号的误判问题和MQAM信号的混淆问题;与CNN(ConvolutionalNeuralNetwork)、ResNet(R...     

基于时频特征的跳频信号调制识别

跳频信号在抗干扰方面具有良好的性能.准确识别跳频信号的调制方式,能够为判断敌我目标属性、干扰敌方信号等军事信息战提供有力支撑,但国内外对于跳频信号的调制识别仍存在很大空缺.本文提出一种基于时频特征的跳频信号调制识别方法,通过平滑伪魏格纳-维利分布(SPWVD)时频变换获取不同调制类型的跳频信号时频图像,将时频图像送入卷...     

基于半监督联合神经网络的调制识别算法

针对基于有监督学习通信信号分类算法需要大量有标签训练样本,而在实际场合大多无法满足数量要求的问题,提出利用数据驱动模型的半监督学习方法,通过对比预测编码无监督算法预训练和有监督学习相结合,利用LSTM (long short term memory)和ResNet (residual network)联合神经网络实现小样本自动提取特征,提高小样本条件下信号识别准确率。在真实通信调制信号集上实验表明,半监督联合神经网络结构较以往方法,识别准确率提升3%-20%,小样本条件下性能提高60%,同时在低信噪比条件下识别能力突出,0dB时对11种调制信号平均识别正确率达到92%,具有明显优势。      

基于卷积神经网络的雷达目标HRRP分类识别方法

卷积神经网络通过卷积和池化操作提取图像在各个层次上的特征进而对目标进行有效识别,是深度学习网络中应用最广泛的一种。文中围绕一维距离像雷达导引头自动目标识别,开展基于卷积神经网络的目标高分辨距离像分类识别方法研究。首先,基于空中目标一维距离像姿态敏感性仿真生成近似平行交会条件下不同类型目标的高分辨距离像数据集;其次,构建一种一维卷积神经网络结构对目标高分辨距离像进行分类识别;作为比较,针对同类高分辨距离像数据集,分析了主成分分析-支持向量机方法的目标分类识别效果。结果表明:基于卷积神经网络的目标分类识别算法有更好的识别能力,对高分辨距离像的姿态敏感性具有较强的适应性。