db3小波神经网络与通信信号调制识别

调制识别在通信侦察和对抗中有重要应用,提出了用db3小波神经网络的组合分类来实现通信信号调制识别一种识别方法,并拟对非稳定、低信噪比的通信信号实现复杂调制类型信号识别,计算机仿真结果证实此方法的可行性.     

基于域适应神经网络的调制方式分类方法

针对深度学习进行调制方式识别领域测试样本与训练样本存在分布差异的问题,提出了基于域适应神经网络的调制识别方法。首先采用VGG16深度卷积神经网络提取信号小波变换后系数图像特征;然后利用自编码器对高维特征进行降维处理;再计算训练样本特征与测试样本特征之间的CORAL损失;最后联合优化分类损失和CORAL损失使模型达到最优。通过仿真实验证明,在信号类别存在差异或信道环境存在差异的条件下,引入域适应技术可提高待测信号识别准确率5%以上。     

基于分形特征和ILST-KSVC的调制方式识别

针对传统的信号调制识别方式在信噪比较低的情况下识别精度低与种类少的问题,提出了一种新的基于分形理论及多分类最小二乘双支持向量机的通信信号识别方法.首先采集数字信号,对接收到的信号进行预处理,提取其分形特征作为识别的特征参数,然后采用多分类最小二乘双支持向量机分类器实现对未知信号的识别.该方法与传统的神经网络分类法及决策树分类法相比,具有更好的泛化推广能力.实验仿真结果表明,该方法在低信噪比情况下,调制识别准确率要优于其他调制识别方法,且在信噪比SNR-5dB时,平均识别成功率达到91%以上.     

认知无线电Underlay模式下MQAM信号的调制识别

针对传统的认知无线电Underlay中时频重叠MQAM信号调制识别方法性能低的问题,提出了一种采用时频分析图像纹理特征的时频重叠信号调制识别方法。首先对接收到的时频重叠MQAM信号做频率切片小波变换得到时频分析图像,并选取纹理差异明显的切片部分进行灰度化处理,然后通过提取时频分析图像的灰度-梯度共生矩阵特征,最后利用径向基函数神经网络分类器有效地实现了时频重叠MQAM信号调制方式的识别。仿真结果表明:在信噪比为4dB下,所提出的方法的平均识别率可达到95%以上;在信噪比大于0dB时,所提方法的识别性能优于基于高阶累积量的识别方法。     

基于OLS的径向基函数神经网络实现多种数字信号调制方式自动识别

基于决策论的信号调制样式自动识别方法具有简单易行、适合在线分析的优点,针对一些参数的计算进行了改进,并提出了基于该方法,利用正交最小二乘法(OLS)的径向基函数(RBF)神经网络,实现数字信号调制样式自动识别的方法.提高了该方法的识别能力,对信噪比(SNR)为6～30 dB的测试信号识别得到了较好的结果.识别的数字信号为2ASK、4ASK、2PSK、4PSK(QPSK)、2FSK、4FSK与16QAM.     

改进神经网络的数字调制信号识别

提出一种基于改进神经网络的数字调制信号识别方法.首先建立调制信号模型,在正交调制载波上构建扩频通信系统,然后采用QPSK调制方式和变结构神经网络模型,对调制信号进行解调和识别.仿真实验结果表明,改进后的信号识别方法有效地改善了信号扩频特性和调制性能,提高了数字调制信号识别的抗干扰能力,数字调制信号识别率高,识别性能好.     

基于应变模态小波神经网络的结构损伤识别方法

以框架结构为研究对象,利用小波分析和神经网络理论,结合二者的优点,运用小波分析来确定框架结构的损伤位置,运用神经网络算法来识别损伤程度,给出了基于应变模态参数识别框架结构损伤的原理,建立了一种识别结构损伤的小波神经网络方法.通过建立基于振型模态和应变模态的损伤识别方法,分别对9种不同工况下框架的裂缝位置进行识别,并对比了这2种模态下损伤位置的识别效果.然后,分别对框架的振型模态和应变模态进行连续小波变换,获得2种模态参数下的小波系数模极大值.利用神经网络去模拟小波系数模极大值与损伤程度之间的非线性关系来识别结构的损伤程度,并对比了这2种模态下损伤程度的识别效果.数值分析结果表明,小波神经网络可以有效地识别出结构的损伤位置和损伤程度,基于应变模态的损伤识别方法具有更好的准确性.     

基于混合统计参数识别多种数字信号调制方式

为识别QAM等阶数高于4的数字调制信号及提高调制识别算法对高斯白噪声(AWGN)的鲁棒性,在决策论识别参数的基础上,增加了高阶统计量识别参数,并利用混合参数的经向基函数(RBF)神经网络实现数字信号调制样式自动识别,提高了对数字调制信号的识别能力.仿真结果表明,所提出方法对信噪比SNR=-5~20 dB的2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、2FSK、4FSK、8FSK、16QAM和64QAM 11种数字调制测试信号均可以较好地识别.     

基于小波矩特征的小波神经网络目标识别

提出一种具有尺度、平移与旋转不变性的目标识别方法.该方法首先提取目标图像的小波矩特征,然后与小波神经网相结合,构成一套目标识别系统.小波矩不变量不仅可以表示图像的全局特征,而且还能表示局部特征;而小波神经网络结合了小波分析和传统神经网络的优点,具有很强的学习能力和推广能力.因此基于小波矩的小波神经网络目标识别系统在进行目标识别时具有很大的优势.实验中使用该方法对4类飞机目标进行识别,实验结果证明其识别率高于其它的目标识别方法.     

无线信号自动识别算法的仿真实现

首先对比Hilbert变换(Transform)构建的解析(Analysis)信号进行时频分析(Time-Frequency analysis)的方法,探讨了基于决策理论(rational budgeting theory)的模拟调制(A modulation)方式识别方法。然后在分析该方法缺陷的基础上,提出了基于神经网络(NN)的识别方法。神经网络(NN)在进行信号识别时,主要是依据谱峰(peak)位置的不同,小波变换(Wavelet Transform)在这里则相当于一个数学显微镜,反映信号类别与谱峰(peak)位置间的必然联系。利用小波变换(Wavelet Transform)并结合简单的三层BP神经网络(NN),即可提取更加精确的待识别信号的时频特征。     

利用小波和RBF神经网络进行手写数字识别

提出一种基于小波和RBF神经网络的手写数字识别方法.该方法首先提取字符的小波特征,以它们作为神经网络的输入向量,然后用RBF神经网络进行识别.对字符样本的识别结果显示,此方法在识别错误率和识别效率等方面均有很好的效果.     

辅助式小波神经网络的调制识别技术

将小波特征提取和反向传播神经网络理论相结合，设计一种辅助式小波神经网络结构，根据接收到的调制信号进行抽样后，将所提出的辅助式小波神经网络用于几种调制信号的识别，实验结果表明，辅助式小波神经网络的鲁棒性能好，对调制识别技术的正确识别率高．     

基于BP神经网络的煤层硬度多等级识别方法

针对煤层硬度识别方面存在的问题,提出一种基于BP神经网络算法的煤层硬度多等级识别方法,将煤层硬度划分为6个等级进行识别.以采煤机截割电机和牵引电机的定子电流信号及调高油缸压力信号作为识别信号,利用小波包分解提取各个信号的特征量,并将其作为神经网络的输入样本进行训练和测试.经过实验,在仿真数据条件下本文提出的煤层硬度多等级识别方法对硬度等级的识别准确率为96.7%,在实机数据条件下识别准确率为93.3%,验证了该煤层硬度识别方法的有效性,为采煤机自适应截割过程煤层硬度高精度识别奠定了理论基础.     

基于混合统计参数识别多种数字信号调制方式

为识别QAM等阶数高于4的数字调制信号及提高调制识别算法对高斯白噪声（AWGN）的鲁棒性，在决策论识别参数的基础上，增加了高阶统计量识别参数，并利用混合参数的经向基函数（RBF）神经网络实现数字信号调制样式自动识别，提高了对数字调制信号的识别能力．仿真结果表明，     

基于小波包BP网络的超声检测缺陷类型识别

针对A型反射超声波检测仪难以准确识别缺陷类型的问题,探讨了基于小波包和BP神经网络相结合的超声检测缺陷类型识别方法。对检测的多组超声缺陷信号分别进行3层小波包分解,提取小波包频谱能量特征,归一化后构造了各缺陷信号的特征向量,并分别组成训练样本集和测试样本集,用于3层BP神经网络的训练和网络识别效果检验。实验结果表明该方法能准确快速地识别出超声检测缺陷类型。     

基于神经网络调制信号识别技术的发展

信号调制样式的自动识别是软件无线电必备的功能之一,基于人工神经网络的识别方法因其较其他方法具有更好的性能受到广泛关注。分析了基于神经网络调制信号识别技术的基本原理,将目前研究的调制信号识别分为基于多层感知器神经网络的调制信号识别和基于径向基函数神经网络的调制信号识别,提出了神经网络调制信号识别技术进一步的研究方向。     

基于系统响应的履带车辆路面识别方法

为提高履带车辆对不同路面适应能力,基于多体动力学仿真平台建立履带车辆及多种路面动力学仿真模型.通过履带车与路面模型的行驶仿真,采集车体质心动力学响应时域信号,并应用小波变换分解该信号.采用距离评估技术提取上述分解信号的敏感特征向量,利用BP神经网络基于上述敏感特征向量提出路面识别方法.搭建小型履带模型车测试系统,使模型车行驶于实际路面并进行现场测试,采集测试过程中履带模型车车体质心、负重轮及履带板动力学响应时域信号,对提出的路面识别方法进行验证.结果表明,该路面识别方法识别精度达到99%,该方法对路面类型具有高度识别能力.     

基于小波能谱熵和神经网络的输电线故障识别

在暂态电流信号小波变换结果的基础上,采用小波能谱熵定义,对小波分解系数进行处理,提出了一种基于小波能谱熵和神经网络的输电线路故障类型识别方法。该方法通过计算故障前后三相电流信号小波变换系数沿尺度分布的小波能谱熵,经过适当处理,输入神经网络,利用神经网络在模式识别方面的优势,输出结果即为故障类型识别的结果。仿真结果表明,该故障类型识别方法不受故障类型、故障电阻及故障位置等因素的影响,识别结果准确可靠。     

基于能量特征的小波概率神经网络损伤识别方法

以小波能量特征向量作为概率神经网络(PNN)的输入向量集,提出了小波概率神经网络(WPNN)的损伤识别方法．为了验证该方法的有效性,对钢框架进行了损伤识别研究,并考虑了随机噪声的影响．识别结果表明：WPNN抗噪声能力强,识别精度高,在结构损伤识别与在线检测方面具有潜力。     

基于小波分析的神经网络识别毒剂的研究

为快速、准确地识别毒剂,在分析神经网络识别毒剂基本方法的基础上,建立了带有偏差单元的递归神经网络识别毒剂模型,包括神经网络识别毒剂的学习算法和基于小波分析的毒剂特征提取. 通过剖析神经网络识别毒剂模型,设计了神经网络识别毒剂的软件,实现了神经网络对毒剂的识别. 用沙林模拟数据进行了测试和分析,结果表明,利用与化学传感器相联结的神经网络识别毒剂,是实现毒剂识别自动化、智能化的一种有效方法.