基于DBN的数字信号调制识别方法研究

针对4ASK,BPSK,QPSK,2FSK四种数字调制信号,提出在深度置信网络的深度学习模型下调制模式识别方法。对调制信号进行预处理,计算其高阶累积量作为输入训练的特征,在不同信噪比环境下生成调制信号,利用深度置信网络半监督学习的特点,将得到数据集用以深度置信网络的参数逐层训练来实现调制模式的特征提取和识别。仿真结果表明该方法识别率较为理想。     

基于循环神经网络的卫星幅相信号调制识别与解调算法

针对卫星通信中常用的幅相调制信号,提出了一种基于循环神经网络的信号识别与解调模型.通过循环神经单元直接对信号时序进行深层特征提取,结合全连接神经网络对特征进行维度映射,最终完成目标信号的调制识别与解调.该方法不需要预估目标信号载噪比,克服了人为确定阈值的缺陷,对信号频偏误差、定时误差容忍能力强;且在开发维护和更新拓展方面,克服了传统算法需重新部署判决规则的缺点,符合实际工程需求.仿真实验表明,当网络训练达到稳态时,在信噪比为6dB的条件下,目标信号识别率接近98%,解调误码率接近理论门限.本文所建立的理论形式为当今智能化信号处理提供了新思路,其思想同样可应用于其他通信信号处理领域.     

相似性约束的深度置信网络在SAR图像目标识别的应用

特征提取是合成孔径雷达(SAR)图像目标识别的关键环节。SAR图像中存在的相干斑点和非光滑特性使得传统针对光学图像的特征提取方法变得很难应用。虽然可以采用深度置信网络(DBN)自动地进行特征学习,但是该方法属于无监督学习方法,这使得学习到的特征与具体的任务是无关的。该文提出一种叫做相似性约束的受限玻尔兹曼机模型。该模型在学习过程中通过约束特征向量之间的相似性达到引入监督信息的目的。另外,可以将多个相似性约束的受限玻尔兹曼机堆叠成一种新的深度模型,称其为相似性约束的深度置信网络模型。实验结果表明在SAR图像目标识别应用中,该方法相比主成分分析(PCA)以及原始DBN具有更好的识别性能。     

一种基于深度置信网络的通信辐射源个体识别方法

针对复杂电磁环境下通信辐射源个体识别问题，提出了一种小样本条件下基于深度置信网络的通信辐射源个体识别方法.首先分析通信辐射源信号频带内互调干扰信号的幅度和相位特性，建立基于互调干扰信号的通信辐射源个体特征；然后对辐射源信号进行预处理得到通信辐射源信号的矩形积分双谱，再采取对比散度的方法，利用高阶谱自底向上训练每个受限玻尔兹曼机，通过多次迭代得到合适的权重、隐藏层的偏差和可见层的偏差，从而提取出辐射信号的互调干扰信号特征；最后使用softmax分类器对训练模型进行微调，获得面向通信辐射源细微特征识别的深度学习网络.通过计算机的仿真得到了超过80%的识别率，进一步验证了该方法的有效性.     

基于深度学习的HRRP舰船目标识别性能分析

针对分辨率、信噪比、补零及深度置信网络等对深度学习舰船目标识别性能的影响问题,文中开展了基于实测数据的相关实验分析,整个实验分析处理过程包括回波信号对齐、数据脉冲压缩、信号能量归一化、深度学习模型训练、分类器设计及判决输出。实验分析结论为深刻理解基于深度学习的高分辨距离像舰船目标识别技术原理内涵,开展舰船目标识别工程化应用设计奠定了坚实的基础。     

基于时频分布的MPSK信号识别解调

通信信号的自动识别解调技术受到日益广泛的重视。针对衰落信道中广泛存在的多普勒频移现象,本文提出了一种MPSK信号数字化识别解调的方法。该方法基于信号的时频分布,在时频二维平面上对MPSK信号进行分析,用双线性变换提取基带相位信息,并且实时估计和跟踪载波频率,从而实现MPSK信号识别解调。文中还给出了对一个QPSK信号进行数字化识别解调的仿真结果,并讨论了信噪比、窗函数对解调性能的影响。最后以QPSK信号为例,给出了解调器性能的仿真曲线。     

基于时频分布的MPSK信号识别解调

通信信号的自动识别解调技术受到日益广泛的重视。针对衰落信道中广泛存在的多普勒频移现象，本文提出了一种MPSK信号数字化识别解调的方法。该方法基于信号的时频分布，在时频二维平面上对MPSK信号进行分析，用双线性变换提取基带相位信息，并且实时估计和跟踪载波频率，从而实现MPSK信号识别解调。文中还给出了对一个QPSK信号进行数字化识别解调的仿真结果，并讨论了信噪比、窗函数对解调性能的影响。最后以QPSK信号为例，给出了解调器性能的仿真曲线。     

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。     

基于神经网络与时域校验的信号分选方法

针对现有雷达信号预分选方法对参数捷变雷达信号分选准确率不高的技术难题,提出了一种基于深度学习算法的全连接神经网络与时域校验的雷达信号预分选方法。该方法首先提取雷达数据库中已知雷达信号的载频、脉宽和脉内调制信息作为单脉冲分选特征,使用全连接神经网络完成单脉冲的识别。为了避免神经网络将未在雷达数据库中的信号(未知雷达信号)识别为已知雷达信号,在神经网络的输出层中加入置信度神经元生成置信指数,将置信指数低于阈值的判定为未知雷达信号进行剔除。最后根据分选结果调用雷达数据库中对应的时域信息(脉冲重复间隔),进行时域校验,完成雷达信号预分选。仿真结果表明,该方法在不同信噪比环境下对参数捷变雷达信号有较高的分选准确率,并且能有效剔除未知雷达信号。     

基于残差神经网络的无人机射频信号识别

针对民用小型无人机对低空领域安全造成威胁及无人机视觉上识别难的问题,提出了一种无人机射频信号识别的方法,使用深度学习技术学习无人机与控制器之间的射频信号特征来识别无人机。首先将射频信号数据集中的无人机信号进行预处理操作,接着使用残差神经网络进行模型训练,最后使用训练好的网络模型对无人机信号进行识别验证。实验结果表明,该方法识别无人机是否存在的准确率达到99.8%,识别无人机型号的准确率达到91.1%,识别无人机运行模式的准确率达到70.3%,且该方法具备较强的鲁棒性和环境抗干扰能力,性能明显优于基准方法。     

基于深度学习的无线通信接收方法研究进展与趋势

随着无线通信应用边界的不断扩展,无线通信应用环境也日趋复杂多样,面临射频损伤、信道衰落、干扰和噪声等负面影响,给接收端恢复原始信息带来挑战。借鉴深度学习方法在计算机视觉、模式识别、自然语言处理等领域取得的研究成果,基于深度学习的无线通信接收技术受到学术界和产业界的广泛关注。首先阐述了国内外基于深度学习无线通信接收技术的研究现状;接着概述了信号大数据背景下无线通信接收所面临的技术挑战,并提出基于深度神经网络的无线通信智能接收参考架构;最后探讨了信号大数据背景下无线通信智能接收方法的发展趋势。为基于深度学习无线通信技术的研究和发展提供借鉴。     

基于Gamma深度信念网络的飞行员脑疲劳状态识别

飞行员疲劳状态识别面临两个重要问题,如何提取表征疲劳的特征以及如何对疲劳特征建模学习.首先提取脑电信号节律波,计算基于仿射伪平滑Wigner-Ville分布的瞬时频域信息,构建疲劳状态指标.其次,基于脑电信号各通道的周期性变化提出Gamma深度信念网络的疲劳状态分类算法,与采用卷积与池化运算的学习网络不同,Gamma深度信念网络没有将图像或信号按尺度分割,但在底部的隐藏层已经可以有效地学习特定区域的特征,且当层数增加时,可有效提取特征的区域增多,学习到的特征更为一般化.然后改进用于训练深度信念网络的Gibbs采样算法,提出向上向下Gibbs采样以推断网络参数.最后,实验结果显示,本文的Gamma深度信念网络在识别准确率、稳定性、迭代用时等方面均达到了令人满意的效果.     

基于Deeplabv3网络的飞机目标微动信号分离

针对空中飞机目标的微多普勒效应提出一种基于时频图与深度神经网络分离直升机、螺旋桨和喷气式三类飞机旋转部件和机身的方法。本文从飞机目标时频图像素差异着手,根据深度学习语义分割网络提取飞机目标时频掩膜图,将掩膜图与飞机目标多分量时频矩阵进行乘法拟合,实现三类飞机目标多分量信号分离。通过建立的仿真数据集进行多组实验,结果表明对飞机目标多分量信号,深度学习语义分割网络提取时频掩膜的方法能够很好地分离机身和旋转部件信号,并起到抑制杂波的效果。     

基于深度残差网络的特定协议信号识别

针对短波信道下信号截获质量差,信道环境复杂以及单一特征识别率低等问题,提出了基于深度残差网络的信号特征自动提取算法,设计了一种具有自适应学习能力的短波特定通信协议识别模型.通过对具有特殊结构的协议信号的时频视觉差异进行理论推导,将信号的时频能量转换成灰度图像,并用于对所构建的深度残差网络进行训练.该方法克服了传统方法对信号质量要求高、先验信息需求多等缺陷,可直接对中频接收信号进行处理,适合实际工程应用.实验表明,当深度残差网络达到稳态时,识别准确率高,在低信噪比、多径衰落、多普勒频偏以及信号被强干扰所遮挡的情况下,依旧能准确识别协议类别.     

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。     

基于多层双向长短时记忆网络的水声多载波通信索引检测方法

索引调制滤波器组多载波(FBMC-IM)水声通信系统在进行信号检测时,需要先根据均衡后子载波上承载的恢复数据判断出活跃子载波的位置。针对传统检测方法估计索引信息时计算复杂度高且准确度较低的问题,该文结合双向长短时记忆网络(BLSTM)对时序信号进行特征提取的优势,将深度学习理论引入水声信号处理的概念,提出一种基于多层BLSTM的水声通信信号索引检测方法。该方法将传统索引检测问题转化为数据驱动的多元分类问题,在提高估计性能的同时降低了计算复杂度。基于湖试测得的水声信道数据仿真验证了该方法的优越性和鲁棒性,可以作为索引调制机制下的一种通用检测手段。     

Modulation recognition method based on multi-inputs convolution neural network

In order to identify the main modulation modes adopted in current satellite communication systems,a signal modulation recognition algorithm based on multi-inputs convolution neural network was proposed.With the prior information of the signals and knowledge of the network topological structure,the time-domain signal waveforms were converted into eye diagrams and vector diagrams to represent the shallow features of the signals.Meanwhile,the modulation recognition model based on multi-inputs convolution neural network was designed.Through the training of the network,the shallow features were deeply extracted and mapped.Finally,the signal modulation recognition task was completed.The simulation results show that compared with the traditional algorithms and deep learning algorithms,the proposed method has a better anti-noise performance,and the overall recognition rate of this algorithm can reach 95% when the signal-to-noise ratio is 5 dB.     

海面短波地波通信中基于DNN神经网络的单样本极化滤波器预测研究

针对海面通信受大气噪声干扰严重的问题,该文提出一种基于DNN（Deep Neural Network）神经网络的单样本极化滤波器预测模型,研究其对海面短波地波通信链路中的大气噪声的抑制作用.与传统算法不同,DNN神经网络直接从大量输入数据获取信息间的非线性特性,并以此更新网络参数,通过对模型参数调整使得模型达到最优状态.选择三种脉冲成分比例不同的大气噪声进行仿真,结果表明传统算法与DNN网络模型在低信噪比约0~15dB时对信号的误码率影响基本一致,在高信噪比约超过15dB,误码率达到10^-4时,深度学习模型比传统算法所需信噪比显著提高约5dB.实验结果验证了神经网络在单样本极化滤波器预测方向的可行性与准确性,具有很好的实用参考价值.     

Spectrum Sensing Based on Deep Learning Classification for Cognitive Radios

Spectrum sensing is a key technology for cognitive radios.We present spectrum sensing as a classification problem and propose a sensing method based on deep learning classification.We normalize the received signal power to overcome the effects of noise power uncertainty.We train the model with as many types of signals as possible as well as noise data to enable the trained network model to adapt to untrained new signals.We also use transfer learning strategies to improve the performance for real-world signals.Extensive experiments are conducted to evaluate the performance of this method.The simulation results show that the proposed method performs better than two traditional spectrum sensing methods,i.e.,maximum-minimum eigenvalue ratio-based method and frequency domain entropy-based method.In addition,the experimental results of the new untrained signal types show that our method can adapt to the detection of these new signals.Furthermore,the real-world signal detection experiment results show that the detection performance can be further improved by transfer learning.Finally,experiments under colored noise show that our proposed method has superior detection performance under colored noise,while the traditional methods have a significant performance degradation,which further validate the superiority of our method.     

基于深度学习的通信辐射源指纹特征提取算法

针对在小样本条件下难以有效提取通信辐射源指纹特征的问题，设计了一种堆栈自编码网络的通信辐射源个体细微特征提取算法。首先通过预处理（高阶谱分析）将原始通信辐射源信号从时域转化到高维特征空间，然后利用大量无标签的通信辐射源高维样本训练堆栈自编码器网络，在此基础上，通过少量有标签的通信辐射源样本对softmax回归模型进行精校训练，从而获得面向通信辐射源指纹特征提取的深度学习网络。实际采集的通信电台数据集上的实验结果验证了该模型的可行性与有效性。