基于分级降噪的电磁信号调制识别研究

针对低信噪比(Signal to Noise Ratio, SNR)下电磁信号的调制识别效果不佳、调制识别算法复杂度高的问题,提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)和门控循环单元的高、低SNR分级降噪方法,同时设计了一种基于SNR分级降噪和卷积长短期神经网络的低复杂度调制识别框架。采用中值滤波对低SNR数据降噪,高SNR数据不做降噪处理,使用卷积长短期神经网络结构提取分级降噪后电磁信号的时间相关性和空间特征。实验结果表明,基于分级降噪的调制识别方法在低SNR下的识别准确率有3%的提升,在高SNR下的识别准确率达到了94.3%,实现了11种调制方式的高精度识别。     

基于卷积长短时记忆网络的心律失常分类方法

心律失常等慢性心血管疾病严重影响人类健康,采用心电信号(ECG)实现心律失常自动分类可有效提高该类疾病的诊断效率,降低人工成本。为此,该文基于1维心电信号,提出一种改进的长短时记忆网络(LSTM)方法实现心律失常自动分类。该方法首先设计深层卷积神经网络(CNN)对心电信号进行深度编码,提取心电信号形态特征。其次,搭建长短时记忆分类网络实现基于心电信号特征的心律失常自动分类。基于MIT-BIH心律失常数据库进行的实验结果表明,该方法显著缩短分类时间,并获得超过99.2%的分类准确率,灵敏度等评价参数均得到不同程度的提高,满足心电信号自动分类实时高效的要求。     

基于CLDNN的物联网设备个体识别

针对目前个体识别中特征工程存在信号序列长、特征鲁棒性差等问题,研究了基于深度神经网络的个体识别技术。借鉴语音识别中的卷积长短时全连接神经网络(CLDNN),通过卷积神经网络提取信号的局部幅度特征,通过长短期记忆网络提取信号的全局时域特征,使用全连接网络实现特征图到设备标签的映射。在视距(LOS)信道下,采集8台LoRa调制的无线数传电台数据,加入高斯白噪声进行仿真测试。仿真表明,本文所提方法在信号序列长度为2 048点和低信噪比(0 dB)时,模型准确率达到95%;此外相较VGG16模型,本模型参数更少,在物联网设备部署方面具有一定的应用前景。     

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。     

数据驱动的双通道CNN-LSTM调制分类算法

为同时利用卷积神经网络(Convolutional Neural Network, CNN)的空间特征提取能力和长短时记忆(Long Short-Term Memory, LSTM)网络的时序特征提取能力，提出了一种由双通道一维CNN与LSTM相互串联的调制分类算法。算法采用数据驱动的方式，直接将信号送入至2路CNN提取其在不同维度的空间特征信息；把2个通道的特征融合信息输入至LSTM学习其时序上的特征；与全连接网络连接实现对5种目标信号的调制分类。实验结果表明，CNN与LSTM相互串联能够学习到更加丰富的特征信息，更有利于分类；与传统方法相比，提出的方法无需人工提取信号特征，减少了预处理步骤并有效提升了识别性能。     

基于ResNet_NSCS的通信信号调制识别

针对通信信号调制识别的特征提取问题,为进一步提高识别准确率,提出了一种基于嵌套式跳跃连接结构的残差网络(ResNet of Nested Shortcut Connection Structure,ResNet_NSCS)调制识别算法。该算法在残差神经网络(Residual Neural Network,ResNet)基础上,通过借鉴ResNet多通路选择思路,引入嵌套式恒等跳跃连接结构,利用提取的特征实现不同调制方式的分类。仿真结果表明,面向RadioML2016.10a数据集,较卷积神经网络(Convolutional Neural Network,CNN)算法和卷积神经网络_长短时记忆网络(Convolutional Neural Network_Long Short Term Memory Network,CNN_LSTM)算法,以增加网络复杂度为代价,ResNet_NSCS算法收敛速度快,识别准确率高。     

结合LSTM与CNN的野外车辆声信号分类

针对野外环境下微声传感器采集的小型轮式车、大型轮式车和履带车3种车辆声信号受风噪影响严重、分类性能较低的问题,提出了一种长短时记忆网络（LSTM）与多尺度、多层次特征融合卷积神经网络（CNN）相结合的分类算法——野外车辆识别算法（FVNet）。该算法先采用一层LSTM网络提取声信号的时序特征,充分利用声信号的长时依赖关系;再用CNN并行提取多尺度特征,避免网络加深过程中特征的流失;引入通道注意力机制进行多尺度和多层次特征融合,增强多尺度、多层次关键特征信息;最后在相同数据集上进行验证。实验结果表明,FVNet算法对3种车辆的总识别率可达94.95%,与传统方法相比,其总识别率提高了14.61%,取得了较好的分类效果。     

基于生成式对抗网络和多模态注意力机制的扩频与常规调制信号识别方法

针对低信噪比条件下的扩频与常规调制信号分类精度低的问题,该文提出一种基于生成式对抗网络(GAN)、卷积神经网络(CNN)和长短期记忆(LSTM)网络的多模态注意力机制信号调制识别方法。首先生成待识别信号的时频图像(TFIs),并利用GAN实现TFIs降噪处理;然后将信号的同相正交数据(I/Q data)与TFIs作为模型输入,并搭建基于CNN的TFIs识别支路和基于LSTM的I/Q数据识别支路;最后,在模型中添加注意力机制,增强I/Q数据和TFIs中重要特征对分类结果的决定作用。实验结果表明,该文所提方法相较于单模态识别模型以及其它基线模型,整体分类精度有效提升2%～7%,并在低信噪比条件下具备更强的特征表达能力和鲁棒性。     

基于滤波重构和卷积神经网络的心电信号分类

计算机自动分类心电信号能够减轻医生工作压力并大幅提高诊断速度和准确率。文中针对传统算法中特征提取过程复杂及抗干扰能力弱的问题,提出了一种结合滤波重构和卷积神经网络的心电信号分类算法。该算法首先通过传统信号滤波和心拍序列重构去除原始心电信号中的噪声干扰,然后构建卷积神经网络来自动学习心电信号特征并完成分类。在PhysioNet/CinC Challenge 2017数据集上的分类实验结果表明,该方法的平均F₁(查准率、召回率的调和平均)达到了0.8471,优于人工特征提取和常规卷积网络方法,且具有很强的抗干扰能力。     

基于并联网络的水声信号自动调制识别方法

提出了一种结合卷积神经网络和改进的Transformer Encoder网络的并联网络模型——ConEncoder。其中卷积支路结合了残差连接和SE模块用于提取信号的局部特征，Encoder支路去除传统的位置编码，用于提取信号的全局特征，最后融合二种特征，实现了在复杂的海底环境下对8种水声信号调制方式的高准确率识别，识别准确率可达98%以上。相较于基于专家特征进行识别的传统机器学习算法和常用的神经网络都具有更好的识别性能。     

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。     

基于卷积神经网络的低截获概率雷达信号检测算法

为了解决雷达截获接收机对低截获概率(LPI)雷达信号检测效果不理想的问题,针对截获信号中有效信号脉宽长度来定义信号和噪声,该文提出一种基于卷积神经网络(CNN)的LPI雷达信号检测方法,利用卷积核与匹配滤波器结构上的相似性,在低信噪比下能够提高信号的检测准确率.利用大量的基于4种典型LPI雷达信号(线性调频信号(LFM...     

基于条件经验模式分解和串并行CNN的脑电信号识别

针对运动想象脑电信号(EEG)的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法。在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件。此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类。实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%。在公开数据集BCI competition IV 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%。最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性。     

一种基于改进残差神经网络的直扩信号感知方法

非合作条件下直扩信号感知问题一直是通信对抗领域研究的热点，传统的感知方法在低信噪比条件下性能下降严重。为有效提升直扩信号感知的性能，提出了一种基于改进残差神经网络的直扩信号感知方法。首先，通过广义互相关算法，快速提取直扩信号的相关峰特性；然后，以残差神经网络为基础，融合注意力机制，建立网络模型，分析识别抽象特征；最后，在仿真的数据集中进行实验验证。结果表明，相较于时域自相关法、卷积神经网络法等，所提方法具备更好的感知效果，能够在信噪比为-16 dB的情形下有效地感知直扩信号。     

基于深度卷积神经网络的多元医学信号多级上下文自编码器

多元医学信号的典型代表有多模态睡眠图和多通道脑电图等，采用无监督深度学习表征多元医学信号是目前健康信息学领域中的一个研究热点。为了解决现有模型没有充分结合医学信号多元时序结构特点的问题，该文提出了一种无监督的多级上下文深度卷积自编码器(mCtx-CAE)。首先改进传统卷积神经网络结构，提出一种多元卷积自编码模块，以提取信号片段内的多元上下文特征；其次，提出采用语义学习技术对信号片段间的时序信息进行自编码，进一步提取时序上下文特征；最后通过共享特征表示设计目标函数，训练端到端的多级上下文自编码器。实验结果表明，该文所提模型在两种应用于不同医疗场景下的多模态和多通道数据集(UCD和CHB-MIT)上表现均优于其它无监督特征学习方法，能有效提高多元医学信号的融合特征表达能力，对提高临床时序数据的分析效率有着重要意义。     

基于多模复合探测方法的无人艇目标识别研究

随着水面无人艇技术的不断发展和应用,其对于舰船的威胁程度也日益加剧。以末敏弹打击水面无人艇为背景,为了提升多元激光/红外/毫米波探测器对水面小型目标的识别性能,提出了一种基于多通道卷积神经网络(Multi Channel Convolutional Neural Network,MCCNN)和极端梯度提升决策树(Extreme Gradient Boosting,XGBoost)的复合探测信号识别方法MCCNN XGB,同时构建了单通道CNN识别网络与基于人工特征提取的XGBoost识别算法作为对照,最终通过水面目标无人机载探测试验数据对上述三种模型的目标识别性能进行评估与对比。测试结果表明,基于MCCNN XGB的识别算法表现最佳,测试准确率达到了97.26。本文所提出的识别方法能够有效进行复合探测信号的特征提取,并且能够降低误识别率与漏识别率,具有较好的识别效果。     

基于多尺度时序特征的信号调制样式识别算法

在认知无线电应用中,当前基于深度学习的信号调制样式识别算法存在运算效率低、复杂度较高的问题,为此本文提出了一种基于多尺度时序特征的信号调制识别算法。该算法首先利用多层卷积层提取不同尺度的时序数据,将数据进行特征融合后使用长短期记忆网络提取时序特征,最后由输出层输出识别结果,并通过网络结构的设计和优化,降低了算法复杂。实验结果表明,在包含11种调制信号的原始I/Q信号测试集上,在信噪比为4 dB及以上时,该算法识别准确率达到90%以上。与同等识别准确率的算法相比,该算法的复杂度更低,在嵌入式设备Jetson Nano和树莓派4B上的推理时间更短,具有更好的工程应用价值。      

基于语义理解注意力神经网络的多元特征融合中文文本分类

在中文文本分类任务中,针对重要特征在中文文本中位置分布分散、稀疏的问题,以及不同文本特征对文本类别识别贡献不同的问题,该文提出一种基于语义理解的注意力神经网络、长短期记忆网络(LSTM)与卷积神经网络(CNN)的多元特征融合中文文本分类模型(3CLA)。模型首先通过文本预处理将中文文本分词、向量化。然后,通过嵌入层分别经过CNN通路、LSTM通路和注意力算法模型通路以提取不同层次、具有不同特点的文本特征。最终,文本特征经融合层融合后,由softmax分类器进行分类。基于中文语料进行了文本分类实验。实验结果表明,相较于CNN结构模型与LSTM结构模型,提出的算法模型对中文文本类别的识别能力最多提升约8%。