基于卷积神经网络的串行空时分组码盲识别算法

针对多输入单输出(multiple input single output, MISO)系统中的空时分组码(space-time block code, STBC)盲识别问题, 提出了一种基于卷积神经网络(convolutional neural network, CNN)的串行STBC识别方法。首先, 结合STBC识别问题提出了基本CNN (CNN basic, CNN-B)框架; 然后在分析STBC相关性的基础上, 针对空间复用和Alamouti信号混叠问题, 设计了基于相关性的CNN (CNN based on correlation, CNN-BC)模型; 最后将STBC数据集输入到网络模型中, 完成网络的训练和识别测试。仿真结果表明, 相比于基于特征提取的传统算法, 该方法将可识别的STBC扩展到了6种, 并且在低信噪比下的识别准确率更高, 识别过程可控制在微秒级别, 具有较高的工程应用价值。     

基于卷积神经网络的低空风切变类型识别

针对激光雷达低空风切变信号图像的类型识别问题,提出了一种基于深度卷积神经网络(deep convolutional neural network,DCNN)的多层特征提取及自适应融合算法。该方法可以有效解决网络逐层训练过程中信息丢失的问题。首先,采用DCNN提取低空风切变信号图像的各层网络特征,并将各特征进行L2范数标准化实现同趋化。其次,将其以多通道图像形式输入单层CNN进行自适应融合,将融合特征送入支持向量机进行分类识别。结果表明,采用所提算法进行低空风切变图像类型识别的平均识别率为98.1%,与其他4种算法相比均有提升。所提算法能更有效地实现低空风切变信号图像类型识别。     

基于TCNN-BiLSTM网络的调制识别算法

针对传统调制识别算法在低信噪比下识别率不高的情况,提出双路卷积神经网络级联双向长短时记忆(two-way convolutional neural network cascaded bidirectional long short-term memory, TCNN-BiLSTM)网络的调制识别算法。首先,该算法并联不同尺度卷积核的卷积层,提取调制信号不同维度的特征。然后,级联BiLSTM层,对多维特征构建LSTM时间模型。最后,使用softmax分类器完成识别。仿真实验表明,所提算法结构在加性高斯白噪声和特定信道参数的瑞利衰落信道下，性能要优于基于传统特征和其他网络结构的识别算法。在特定信道参数的瑞利衰落信道下信噪比低至6 dB时,该算法对6种数字调制信号的识别率仍可达到92%以上。     

基于深层卷积神经网络和双谱特征的雷达信号识别方法

针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强、特征冗余的问题,提出了一种基于深层卷积神经网络的识别方法。该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同调制样式雷达信号的识别,最后对不同结构网络模型的识别结果进行对比。仿真实验结果表明,相比传统雷达信号识别方法,该方法对于不同调制类型信号的识别效果优异,并且在识别率、抗噪性上都有所提升。     

基于卷积神经网络的超短波特定信号谱图识别

针对超短波通信中特定信号的识别问题,提出一种将时频谱图和卷积神经网络相结合的超短波特定信号识别方法。该方法首先对特定信号进行短时傅里叶变换得到时频谱图,然后使用时频谱图对改进的卷积神经网络模型进行训练,最后测试网络模型,实现超短波特定信号识别。实验结果表明,该方法对特定信号的识别率能达到98%,在信噪比为0 dB时仍能达到97%的识别率,并且在混叠50%时识别率达到了90%。相比传统算法,该方法具有更好的抗低信噪比和抗混叠干扰能力,验证了卷积神经网络在特定信号识别领域的有效性,为该领域的后续研究奠定了基础。     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

基于NMF与CNN联合优化的声学场景分类

针对声学场景分类任务中复杂声学环境的特征表示问题, 提出一种联合训练特征提取和分类模型的优化算法。将非负矩阵分解与卷积神经网络的训练相结合, 利用网络的损失值实现对特征提取和网络参数的共同更新, 以学习到更具判别性的有监督特征。在TUT2017数据集上提取对数声谱图作为基础特征, 搭建深度卷积神经网络进行实验验证。仿真结果表明, 所提算法的识别准确率相比优化前提升3.9%, 且优于其他两种常用声学特征, 证明该算法能够有效提升整体分类效果。     

基于卷积神经网络的OFDM频谱感知方法

在认知无线电网络中,高效且准确的频谱感知是必不可少的一个环节。针对传统机器学习算法在频谱感知训练慢的难题,提出一种基于卷积神经网络的正交频分复用(orthogonal frequency division multiplexing,OFDM)频谱感知方法,将深度学习在图像处理上的优势应用到OFDM信号频谱感知中。该方法首先分析OFDM信号的循环自相关和频谱感知模型,对循环自相关进行归一化灰度处理,形成循环自相关灰度图;然后以LeNet-5网络为基础设计卷积神经网络分层地对训练数据进行学习,提取出更加抽象的特征;最后将测试数据输入到训练好的卷积神经网络模型,完成频谱感知。仿真实验表明,该方法能够完成OFDM信号的频谱感知,在低信噪比条件下具有较高的检测概率。     

基于残差生成对抗网络的调制识别算法

针对小样本条件下通信信号识别准确率不高、网络训练困难的问题, 本文提出一种基于残差生成对抗网络的调制识别算法。首先, 设计一种以Leakyrelu作为隐藏层激活函数的新残差单元, 使得网络对输入为负值的数据也可以进行梯度计算; 然后, 将新残差单元组成的残差网络和卷积神经网络作为本文算法的基本网络结构, 使用卷积步幅为1的非对称小卷积核, 更好地提取信号的边缘特征信息; 最后, 用Dropout代替池化操作, 并选择Adam梯度优化算法以交替迭代方式完成网络训练。仿真实验结果表明, 小样本条件下, 残差生成对抗网络算法复杂度明显降低, 信噪比(signal to noise ratio, SNR)在0 dB以上时, 对10种调制信号的识别准确率可以达到91%, 验证了所提方法的有效性。     

基于近似熵的Multi-h CPM调制识别算法

Multi-h连续相位调制(continuous phase modulation, CPM)信号与其调制指数均值相等的Single-h CPM信号的特征具有极大相似性,难以区分。针对该问题,提出了一种基于近似熵的Multi-h CPM调制识别算法。该算法将信号按照相同调制指数为一组的方式拆分为多个子序列,通过舍弃符号间拼接产生的多余模式向量对近似熵进行修正,然后利用Multi-h CPM信号各子序列近似熵的差异性,完成Multi-h CPM信号和Single-h CPM信号的类间识别,最后利用概率神经网络完成类内识别。实验结果表明,该算法在信噪比低至11 dB时,仍可以达到90%的识别率。     

基于互相关特征图和扩张稠密卷积网络的SFBC-OFDM识别方法

针对传统的空频分组码(space-frequency block code, SFBC)识别方法存在人工提取特征困难、低信噪比(signal to noise ratio, SNR)下识别准确率低和不适用于非协作通信的问题, 提出一种基于互相关特征图和扩张稠密卷积网络的SFBC自动识别方法。首先，计算接收端频域上的互相关函数并进行维度变换, 得到二维互相关特征图。然后, 对得到的特征图进行预处理以扩大卷积核感受的有效区域, 去除图像冗余信息。最后，构建扩张稠密卷积网络以自动提取预处理图像特征, 实现SFBC分类识别。仿真结果表明, SNR为-8 dB时, 该方法对SFBC信号的识别准确率达到了96.1%。相比于传统算法, 该方法具有更好的抗低SNR和特征自提取能力, 验证了深度学习方法在SFBC识别领域的有效性, 为该领域的后续研究奠定了基础。     

基于循环稳定特性的空时分组码MC-CDMA信号盲识别算法

空时码应用最广泛的是空时分组码(space-time block code,STBC)和垂直分层空时码(vertical bell layered space-time code, VBLAST),因为STBC信号具有时间上的相关特性,所以在求高阶循环累积量时,该信号有一个特殊的循环频率,而VBLAST信号没有此特性。提出了一种基于循环稳定特性的STBC多载波码分多址（multicarrier code division multiple access,MC-CDMA）信号识别算法。该方法先根据信号系统的基带物理结构和信号模型来建立信号相关函数的选择标准,然后估计出这些相关函数对应的四阶累积量,接着把四阶循环累积量跟信道的参数结合起来建立一个循环统计量,最后把这个循环统计量与检测门限进行比较,实现信号识别。计算机模拟仿真表明,该算法能在较低的输入信噪比条件下良好地工作。     

基于SRNN+Attention+CNN的雷达辐射源信号识别方法

针对低信噪比条件下雷达辐射源信号特征提取困难、识别准确率低的问题, 提出一种基于切片循环神经网络(sliced recurrent neural networks, SRNN)、注意力机制和卷积神经网络(convolutional neural networks, CNN)的雷达辐射源信号识别方法, 并在CNN中引入批归一化层, 进一步提升网络的识别能力。模型以雷达辐射源信号幅度序列作为输入, 自动提取信号特征, 输出识别结果。实验结果表明, SRNN相比于门控循环单元(gated recurrent unit, GRU)训练速度大大提升, 注意力机制和批归一化层能有效提高识别准确率; 在采用8种常见雷达辐射源信号进行的实验中, 所提方法在低信噪比条件下仍有较高的识别准确率。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。