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。     

融合空域和频域网络模型的SAR图像识别

深度学习方法已经被广泛应用于合成孔径雷达(SAR)图像识别，并取得了不错的效果。但是大多数深度学习方法仅提取空间域的图像信息，未考虑SAR图像的频域散射特性，丢失了部分关键特征。为解决上述问题，文中提出了基于融合空间域和频域网络模型的SAR图像识别的端到端的深度学习框架。首先，将原始空间域图像通过频域变换方法转换为频域图像，对频域图像进行信道选择获取有效频域信号，将有效频域信号输入到频域主干网络提取频域特征；然后，将原始空间域图像输入到空间域主干网络，提取空间域特征；最后，通过网络模型融合空间域特征和频域特征，充分利用SAR图像的空间域像素信息和频域散射特性，进一步提取出目标的本质特征。文中所提方法在公共数据集MSTAR上进行了大量的实验，验证了模型的有效性和鲁棒性。     

基于随机森林的雷达信号脉内调制识别

针对雷达信号脉内调制识别算法存在着准确率低的问题,提出一种新的雷达脉内调制类型自动识别方法,该方法首先提取雷达信号时频图像的形状特征和纹理特征构成融合特征,然后将融合特征输入随机森林分类器,实现信号的分类识别.仿真实验中对8种常见的不同调制类型的雷达信号进行识别,提出的算法在信噪比为-2 dB时识别准确率可以达到90％以上,验证了该方法的有效性.     

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。     

基于方向梯度直方图和局部对比度特征的海面背景红外图像分类

在复杂多变的海面环境下,应用红外成像技术对海面中小目标进行搜救时,为有利于后续针对不同场景的目标处理,有必要对采集的原始图像进行分类处理。根据不同的环境条件,将海面红外图像分为五类场景。从两个方面对训练集图像进行特征提取,一个是通过高斯滤波将图像分为基础层和细节层,然后使用改进的方向梯度直方图（HOG）方法提取特征;另一个是提取图像的局部对比度得到局部特征。将提取的特征向量融合并输入到分类器中,使用支持向量机（SVM）对测试集图像进行分类。文章使用了HOG和局部对比度方法（LCM）结合的新特征描述符对海面红外图像的场景进行分类,与其它方法相比,结果表明改进方法的准确率达到96.4%,体现了可行性和有效性。     

通信特定辐射源识别的多特征融合分类方法

针对通信辐射源个体识别问题,提出了一种基于多通道变换投影、集成深度学习和生成对抗网络的融合分类方法.首先,通过对原始信号进行多种变换得到三维特征图像,据此构建信号的时频域投影以构建特征数据集,并使用生成对抗网络对数据集进行扩充.然后,设计了一种基于多特征融合的双阶段识别分类方法,利用神经网络初级分类器分别对3类特征数据...     

基于空间与光谱注意力的光学图像和SAR图像特征融合分类方法

针对多源遥感图像的差异性和互补性问题,该文提出一种基于空间与光谱注意力的光学图像和SAR图像特征融合分类方法。首先利用卷积神经网络分别进行光学图像和SAR图像的特征提取,设计空间注意力和光谱注意力组成的注意力模块分析特征重要程度,生成不同特征的权重进行特征融合增强,同时减弱对无效信息的关注,从而提高光学和SAR图像融合分类精度。通过在两组光学和SAR图像数据集上进行对比实验,结果表明所提方法取得更高的融合分类精度。     

联合时域和时频域特征的数字调制信号自动分类

针对ASK、PSK、QAM、FSK、MSK、LFM、OFDM信号的调制分类问题,在无任何先验知识的条件下,本文提出了一种基于模糊函数域、Choi-William分布时频域和时域特征的自动分类算法。该算法首先提取信号在不同域上的特征,然后通过主成份分析法降维去除特征之间的冗余信息,再利用支持向量机分类器实现信号分类。为评估算法性能及优点,本文在不同信噪比和调制信号参数条件下,做了一系列仿真实验,并将本文算法与其他分类识别算法进行了对比。最后结果验证了本文算法的可行性和有效性,以及在低信噪比条件下较好的鲁棒性。      

基于多模态深度学习的信号调制识别

信号调制识别技术在民用和军事领域都有重要应用。当前信息化战场中,由于各类雷达、通信、导航、电子战武器等信息辐射源的数量愈来愈多,调制形式也日益多样化,信号密度愈来愈大,战争电磁环境日趋复杂化,传统的信号调制识别技术已无法适应。因此,提出基于深度学习的AlexNet网络和复数神经网络,同时采用多模态特征融合和模型融合技术,融合信号统计图域和信号I/Q波形域的多模态信息,实现信号调制识别。仿真结果表明,所提方法的识别精确度在不同信噪比下均优于单模态识别方法和未采用多模态协同融合框架的方法。     

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。     

基于双通道深度密集特征融合的遥感影像分类

为了提高遥感图像场景分类中特征有效利用率,进而提高遥感影像分类精度,采用基于双通道深度密集特征融合的遥感影像分类方法,进行了理论分析和实验验证。首先通过构建复合密集网络模型, 分别提取图像卷积层特征和全连接层特征;然后为挖掘、利用图像深层信息,通过视觉词袋模型将提取的深层卷积层特征进行重组编码,捕获图像深层局部特征;最后采用线性加权方式将局部和全局特征融合、分类。结果表明,选用数据集UC Merced Land-Use和NWPU-RESISC45进行实验,取得的分类精度分别为93.81%和92.62%。该方法充分利用局部特征和全局特征的互补性,能实现图像深层信息的充分利用和表达。     

一种新的像素级多聚焦图像融合算法

该文在小波变换的基础上提出了一种将一维自组织特征映射(SOFM)网络和进化策略相结合的多聚焦图像融合算法。该方法对不同聚焦点的图像进行冗余小波分解,再分别将其各方向、各尺度的高频信息进行叠加,并在高频信息叠加层上提取反映图像清晰度差异的归一化特征图,依据此特征图,使用SOFM网络对原始图像像素进行分类,并利用进化策略对各类像素求出最优的融合系数。实验结果表明该算法比拉普拉斯变换法和小波变换法具有更好的融合效果。     

基于通道融合的调制信号识别方法

针对现有调制方式识别存在的计算量大、网络模型复杂、识别准确率低等问题,文中提出一种基于通道融合的新型调制方式识别方法。该方法由双流卷积神经网络模块和GRU神经网络模块构成,其中双流卷积神经网络为两条并联的深度可分离卷积子网络,分别提取信号不同尺度下的空间特征,同时添加短路连接来增加特征传递与重用。将两通道提取到的特征在通道维度上进行融合,进而形成更为丰富的融合特征。将融合特征输入至GRU神经网络模块中提取信号的时序特征,提取的互补信息可使网络学习到更加全面的信号特征,从而提高调制方式识别的精度。在数据集RadioML2016.10a上进行实验,实验结果表明,所提方法的网络性能优于其他神经网络算法,信噪比在0 dB以上时识别率可达到90.8%,能够有效提高自动调制识别的准确率。     

一种基于深度特征的信号分类方法

针对实际侦测辐射源目标信号交叠、参数灵活多变、波形不完整等特点,以及传统目标分类识别方法准确率不高的问题,提出了一种基于深度特征的信号分类方法.通过数据积累对全脉冲数据进行补全、纠错,综合时域、频域、空域、能量域、调制域等多域参数提取隐藏特征,搭建深度学习网络对侦测数据进行持续训练,实现对复杂目标信号的分类.     

遗传算法确定特征权重值的图像分类

针对多种特征权重值无法合理设置,得到的检索效果无法达到用户要求的问题,将多种特征融合在一起,对图像进行分类处理,可以弥补单一特征检索带来的局限性问题,并采用遗传算法对图像特征进行提取并进行优化,以获取最优的特征权重值,将获取的最优权重值用于图像检索与分类中。运用加权融合方法对图像的颜色、纹理等特征进行加权处理,可以有效实现多种特征融合的目的。通过实验证明,基于遗传算法确定特征权重值的图像检索与分类方法具有较强的学习效果,可以自动为特征权值进行赋值,大大提高了图像分类的简洁性,提升了图像检索的效果。     

谷物害虫图像识别中特征值提取技术的研究

本文阐述了在仓储物害虫分类识别研究中利用计算机数字图像处理技术，对谷物害虫图像的一阶灰度值直方图和图像的目标区域，自动提4取静态仓储物害虫图像的数理统计特征、纹理特征和几何形状特征的主要技术和方法。试验结果表明，该方法可以为谷物害虫的计算机自动模式识别(快速分类)提供稳定的特征参数值，有效地提高了识别率。该方法为仓储物害虫的快速鉴定和分类研究开辟了新的途径。     

基于关联规则的特征选择方法

提出了一种基于关联规则的特征选择方法，在市场分析中，人们用关联规则来发掘大量数据集中项目之间的关系。关联规则的方法非常适用于图像分析中的特征选择，可以自动地选出可信度较高的特征。使用这一方法挑选合适的纹理特征用于图像分类，并对结果进行分析。     

基于多特征融合技术的商品图像分类

针对网上商品图像的特点,提出了一种多特征融合的分类方法。本文针对颜色和商品图案风格两方面对图像进行分类。首先对商品图像进行分割,再提取特征,颜色特征选择提取颜色直方图特征和颜色矩特征;提取PHOG和SIFT特征来描述图案风格。然后采用基于决策的加权融合方法将两种特征结合起来进行分类,最后在数据集上进行实验,与仅用单一特征分类和使用普通多特征拼接方法作比较,使用本文融合特征的方法进行分类准确率较高,并且其准确率有8%~10%的提升。实验结果表明本文提出的方法是一种有效的商品图像分类方法。     

调制分类概论与差分相位简化加权方法的研究

调制分类是无线电信号分析和现代通信网络自动路由分配的有效技术手段。基本方法是决策论和统计模式识别。调制分类的特征构造方法，是建立在概率论和二元假设检验及其似然比理论基础之上的。差分相位筒化加权的调制分类技术改进了经典差分相位方法的局限。     

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...