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。     

应用深度神经网络和集成学习的电台个体识别

提出了一种基于深度神经网络的个体智能识别方法,可用于电台个体分类识别.该方法构建集成多子网络的一维深度卷积模型,以电台时序信号作为模型输入,进行电台个体分类.利用深度神经网络自动特征化的能力,该方法从时序信号中自动获取个体特征,从而以端到端的形式实现从电台信号识别电台个体.该方法能够免去基于专家知识的特征提取工作,自动提取的个体深度特征还有助于区分传统特征无法区分的高度相似电台个体.实验证明,该方法能有效降低模型调参设计难度,能减轻单一网络带来的特征提取识别过拟合问题,能提高电台个体识别算法的泛化能力与鲁棒性.在信噪比12 dB的条件下,对10类电台8PSK调制信号进行特征提取与识别,整体正确率91.83％,平均正确率为89.12％;对MSK调制信号进行特征提取与识别,平均分类精度为89.1％.     

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。     

基于卷积神经网络与循环谱图的调制识别方法

为提高调制分类识别精确度,降低计算复杂度,提出了一种基于卷积神经网络(CNN)与红绿蓝(RGB)循环谱二维图的智能调制识别方法。基于循环谱特征可识别调制类型的机理,为了降低计算复杂度,将三维的循环谱转换为二维平面的RGB循环谱图,并将其用于构建数据集;将一种计算复杂度较低的CNN作为调制类型分类识别器。仿真结果表明,所提出的智能调制识别方法能够以较低的计算复杂度,获得更高的分类精确度。     

基于卷积神经网络的数字调制分类识别

基于特征提取和模式识别的信号调制方式分类识别技术是非协作通信领域内应用广泛的重点研究对象。提出一种基于深度学习的通信信号数字调制识别算法，采用卷积神经网络找到数据的内在表达，实现逐层化地识别和分类MPSK、MFSK和MQAM中的六种调制信号。仿真实验结果表明，所提出的方法分类识别效果良好，基本达成了数字调制信号自动识别的目的。     

基于卷积神经网络的Android流量分类方法

深度学习就是机器学习研究的过程,主要通过模拟人脑分析学习的过程对数据进行分析。目前,深度学习技术已经在计算机视觉、语音识别、自然语言处理等领域获得了较大发展,并且随着该技术的不断发展,为网络流量分类和异常检测带来了新的发展方向。移动智能手机与大家的生活息息相关,但是其存在的安全问题也日益凸显。针对传统机器学习算法对于流量分类需要人工提取特征、计算量大的问题,提出了基于卷积神经网络模型的应用程序流量分类算法。首先,将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。其次,设计了一种新的卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手,构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中的特征选择问题。最后,通过CICAndmal2017网络公开数据集进行模型测试,相比于传统的机器学习流量分类模型,设计的卷积神经网络模型的查准率和查全率分别提高了2.93%和11.87%,同时在类精度、召回率以及F1分数方面都有较好的提升。     

基于深度学习的调制识别研究

调制识别是无线电通信中一个重要的研究领域,在信号检测、异常信号打击、干扰识别和电子对抗等方面有广泛的应用。目前大多数调制识别算法都是基于传统的信号分析,其特征提取算法与决策树的构建方法对效果有很大的影响。本文提出了基于深度学习的调制识别算法,基于卷积神经网络构建一个端到端的调制识别系统,这种系统不需要人为提取调制信号的特征,直接向网络中输入原始IQ数据,由网络对数据进行学习,自动提取高级特征,然后给出识别结果。实验证明该方法在低信噪比下可得到很高的识别率,其测试结果不亚于传统的调制识别算法。     

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。     

利用并联CNN-LSTM的调制样式识别算法

为了提高基于卷积神经网络的调制样式识别算法性能,利用CNN的空间特征提取能力和LSTM时序特征提取能力,设计了CNN-LSTM并联网络,上支路由一层卷积层和一层池化层组成,下支路使用单层LSTM网络。直接将同向分量和正交分量作为输入数据,上下支路提取信号的空间和时间特征,提高特征表达能力。对BPSK、QPSK、8PSK、16QAM、32QAM、16APSK、32APSK 等7种信号的调制样式识别仿真实验结果表明:算法无需人为设计特征参数,减少人为因素影响,同时该算法在低信噪比下具有较好的识别性能。      

基于深度学习的运动想象脑机接口研究综述

近年来，随着脑机接口（Brain-Computer Interface,BCI）技术的进一步发展，对特征提取技术的鲁棒性的需求也持续增加。深度学习（Deep Learning,DL）作为多层次的神经网络模型具有从高维数据中进行特征提取并从分层表示中学习的能力，在分类识别任务领域中的表现优于手工选择特征的传统机器学习方法。深度学习模型可以自动学习高维的EEG数据集从而提取有效特征，因此基于深度学习的脑机接口成为该领域新的研究趋势。卷积神经网络（Convolution Neural Network,CNN）、深度信念网络（Deep Belief Network,DBN）和递归神经网络（Recurrent Neural Network,RNN）是深度学习中对脑电信号进行分析的三大主流算法。主要介绍了这三大主流深度学习算法的基本原理。为了探索能更好契合脑电数据特点的分类模型，还探讨了它们在BCI中集成其他方法的实际运用。     

基于深度卷积神经网络的多特征融合的手势识别

针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致手语识别率较低的问题,本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合,通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到,其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象,使用"dropout"方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法,在"hand"数据库中,对32种势的识别率为97.73%。相比一般的手语识别方法,此方法鲁棒性更强,并且识别率更高。     

基于卷积神经网络的调制样式识别研究

自动调制样式识别分类是解调前的重要步骤,在频谱管理、认知无线电、智能调制解调器、监视和干扰识别等许多应用中发挥着重要作用。深度学习具有强大的分类能力,基于深度学习中的卷积神经网络,将映射成星座图的具有不同调制样式的通信信号馈送进神经网络,从而达到通信信号调试样式识别分类的目的。基于实验目的,提出一种改进的卷积神经网络结构可实现对七种不同的调制样式的分类,在信噪比≥5dB时,识别率可达97.99%,信噪比≥9dB时,识别率可达100%。     

一种融合流形学习和深度学习的时变信道自动调制识别技术

自动调制识别在军事领域和民用领域都发挥了巨大作用。现有的大多数研究都是基于高斯白噪声信道,但是时变信道下的自动调制识别才更符合实际并且具有挑战性。该文针对时变信道提出了一种融合流形学习和深度学习的自动调制识别方法,第一次将格拉斯曼流形引入到信号的特征提取,通过将信号星座图建模到格拉斯曼流形上完成特征提取。分类网络由基于流形学习和深度学习的两部分组成,流形数据先经过流形学习网络进行降维,然后映射到平滑子空间,最后通过简单的卷积神经网络完成分类。实验结果表明,与传统的卷积神经网络相比该文所提出的方案具有良好的性能,同时为自动调制识别提供了新的解决思路。      

基于双对数谱和卷积网络的船舶辐射噪声分类

卷积层平移等变性与线性谱不适配，卷积网络对高维特征的长距离依赖建模能力不足。该文提出一种双对数谱特征用于船舶辐射噪声分类。双对数谱通过重新排列对数谱频点，保证高频端分辨率的同时，规避使用太深的卷积网络。利用双对数谱各行表征同一目标的先验知识，构建卷积网络和目标函数。DeepShip数据集上的试验结果表明，特征维数相同情况下，提出的算法分类正确率比以线性谱为输入的卷积网络提高2.4%以上。     

基于卷积神经网络的图像分类算法综述

随着大数据的到来以及计算能力的提高,深度学习(Deep Learning, DL)席卷全球。传统的图像分类方法难以处理庞大的图像数据以及无法满足人们对图像分类精度和速度上的要求,基于卷积神经网络(Convolutional Neural Network, CNN)的图像分类方法冲破了传统图像分类方法的瓶颈,成为目前图像分类的主流算法,如何有效利用卷积神经网络来进行图像分类成为国内外计算机视觉领域研究的热点。本文在对卷积神经网络进行系统的研究并且深入研究卷积神经网络在图像处理中的应用后,给出了基于卷积神经网络的图像分类所采用的主流结构模型、优缺点、时间/空间复杂度、模型训练过程中可能遇到的问题和相应的解决方案,与此同时也对基于深度学习的图像分类拓展模型的生成式对抗网络和胶囊网络进行介绍;然后通过仿真实验验证了在图像分类精度上,基于卷积神经网络的图像分类方法优于传统图像分类方法,同时综合比较了目前较为流行的卷积神经网络模型之间的性能差异并进一步验证了各种模型的优缺点;最后对于过拟合问题、数据集构建方法、生成式对抗网络及胶囊网络性能进行相关实验及分析。      

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。     

基于希尔伯特振动分解和卷积神经网络的融合特征心电识别算法

在信息高速发展的当代社会,5G技术的问世将极大地助力社会经济和信息化发展,而隐私安全和信息安全愈发得到重视,因此公众会对身份的识别技术提出了更高要求。然而,传统基于密码、ID卡以及新型的基于人脸和指纹的识别方法存在易丢失、遗忘和窃取或易于伪造和获取复制等问题而存在极大的安全隐患。为提高身份识别的可靠性和准确率,提出了基于希尔伯特振动分解和卷积神经网络的融合特征心电图信号识别算法。首先采用基于重叠组收缩阈值算法和平移不变的消噪算法对含噪心电信号去噪,其次利用盲源分割技术将心电信号分割成固定时长的心电片段,再次采用基于希尔伯特振动分解的时频分析方法获得心电信号的时频表示图,通过提出的心电残差卷积神经网络对时频表示图实现特征提取和降维,最后通过Softmax分类器实现分类和识别。以Physionet数据库的ECG-ID数据集验证提出算法的性能,采用10折交叉验证法得到平均识别率为99.08%。结果表明,提出的心电识别算法具有高效的识别性能和良好的应用前景。