CNN混沌扩频通信系统的性能研究

本文把细胞神经网络（CNN）理论应用于混沌扩频通信系统（CSSS），研究了细胞神经网络实现脉冲式混沌同步的可行性，指出能否同步与同步脉冲的能量有关，而且用CNN产生了性能优良的二值和多值随机码，并对系统的抗多址和多径干扰的性能进行了研究。通信系统的仿真实验表明，CNN能够很好地应用于扩频通信系统。     

OCDMA中的正交码和素数码的误码率分析

OCDMA是一种用于光通信的扩频通信技术,具有大用户容量,随机异步接入、保密性好等特点.能充分发挥光纤的高速率、宽带宽的特性.本文介绍了光码分多址(OCDMA)系统中的六种重要地址码的误码性能,包括一维和二维光正交码(OOC)、一维和二维素数码(PC)、变重和变长光正交码.并对它们的误码性能进行了比较分析.     

一种多进制扩频通信基带接收的实现方法

为了在不增加带宽和不减小灵敏度的情况下增加扩频通信的数据传输速率,采用了多进制扩频通信的方法,该方法利用不同的扩频码来代表并传输信息,而不是用一种扩频码对信息源进行频谱扩展,不同的扩频码之间互相关性小且自相关性强,针对多进制扩频通信的设计思想,介绍了FPGA实现方法,详细描述了多进制扩频通信中数字下变频、伪码捕获和跟踪、载波捕获和跟踪的理论推导和技术实现途径。利用多进制扩频通信可以提高数据传输速率,在工程应用中,多进制扩频通信是一个可靠且有效的数据传输方法。     

序列偶扩频通信系统性能分析

将一种新的扩频信号形式——序列偶引入到扩频通信系统中。依据扩频通信系统对扩频序列的技术要求,用遗传算法搜索出40至50长的次优二元序列偶,发现存在几个性能优于Gold序列的序列偶。提出了基于序列偶的扩频通信系统的构思,对这种扩频通信系统的性能进行了仿真,并同基于Gold码的扩频通信系统的性能进行了比较。实验结果表明,序列偶扩频通信系统的性能在某些方面优于Gold码扩频通信系统。     

基于数字匹配滤波器与多径合并的CDMA码跟踪环

PN码跟踪环是DS-CDMA蜂窝移动通信系统的关键技术。本文针对第三代(3G)移动通信系统，着眼于对下行公共导频信道的充分利用，提出了一种基于数字匹配滤波器(DMF)和多径误差合并的全数字式码跟踪环。导频信道的DMF输出，一方面可用于信道估计与多径搜索，另一方面用于提取码定时误差，二者结合可以进行码定时误差的多径RAKE合并。理论推导与仿真结果表明，该跟踪环性能良好，具有较高的实用价值。     

滑动相关法伪码捕获的FPGA实现

引言 对于码分多址的扩频通信方式而言,只有当接收端本地伪码与发端伪码处于相同相位状态时,有用的信息才能被解出.因此,扩频序列相位的捕获与跟踪是扩频通信系统的关键,而伪码序列相位的捕获尤为重要.滑动相关法是常用的方法之一.扩频通信系统要求实时性,以及较高的数据处理速度,这正是FPGA的优势.所以在扩频通信系统中,大量应用FPGA芯片作为前级处理芯片.     

一种实现扩频码快速同步的方法

主要介绍了基于SAW卷积器的扩频码同步，详细分析了SAW卷积器实现扩频码快速同步的原理，给出了实现扩频码同步的具体方法，为提高扩频通信系统的性能提供了可靠的科学保障。     

软扩频通信系统的研究

文章介绍了软扩频通信系统的基本原理、编码和实现框图,分析了软扩频通信系统接收机的性能,并比较了软扩频系统同步接收的几种方案。结果表明,滑动相关捕获是一种有效的伪码捕获方法,软扩频通信系统能够进行可靠的通信。     

通信系统中多径衰落信道传输性能的改进

通信系统中多径衰落信道传输性能的改进是当前比较热门的研究课题.我国的通信系统中多径衰落信道传输性能还存在严重的劣势,还存在着诸多有待解决的问题.在实用瑞利衰落信道下,存在加性高斯白噪声,对直接序列扩频通信系统抑制码片内、外多径干扰的能力进行理论分析与计算机仿真.在多径衰落信道较强的条件下,与提高扩频增益相比,增加扩频码的码长对于提高移动通信系统的抗多径衰落性能更加有效,但是扩频增益并非越高越好,需合理选取;证实扩频通信系统在多径瑞利衰落信道中传输时能有效地克服多径衰落.本文简要分析了瑞利衰落信道模型,并深入的研究和探讨了扩频通信系统抗多径干扰性能.     

二值图象平滑算法和细胞神经网络实现

本文利用细胞神经网络(CNN)的基本处理单元一细胞的分段线性饱和输出特性和相平面分析法实现了线性可分和线性不可分布尔函数。并利用这一原则实现了二值图象的多种CNN平滑算法。     

基于深度学习的海上目标一维序列信号目标检测方法

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强。基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测。基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测。最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升。      

基于CNN与LSTM相结合的恶意域名检测模型

为提高恶意域名检测准确率,该文提出一种基于卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合的域名检测模型。该模型通过提取域名字符串中不同长度字符组合的序列特征进行恶意域名检测:首先,为避免N-Gram特征稀疏分布的问题,采用CNN提取域名字符串中字符组合特征并转化为维度固定的稠密向量;其次,为充分挖掘域名字符串上下文信息,采用LSTM提取字符组合前后关联的深层次序列特征,同时引入注意力机制为填充字符所处位置的输出特征分配较小权重,降低填充字符对特征提取的干扰,增强对长距离序列特征的提取能力;最后,将CNN提取局部特征与LSTM提取序列特征的优势相结合,获得不同长度字符组合的序列特征进行域名检测。实验表明:该模型较单一采用CNN或LSTM的模型具有更高的召回率和F1分数,尤其对matsnu和suppobox两类恶意域名的检测准确率较单一采用LSTM的模型提高了24.8%和3.77%。     

一种新的细胞神经网络阴影检测器的研究

该文深入研究了一种新的二维细胞自动机(CA)，找到了几种新的算法规则可以用来实现字符的粗化处理和阴影检测，并且用这些规则设计了几种新的细胞神经网络，文中详细介绍了这些算法规则的布尔代数表达式和细胞神经网络学习算法。仿真结果证明了这种新的细胞神经网络是简单而有效的，同时也证明了可以用CA规则来设计新的细胞神经网络，为细胞神经网络的设计找到了一种新颖有效的方法。     

基于全卷积神经网络的SAR图像目标分类

近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络（All Convolutional Neural Network, A-CNN）是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。     

基于细胞神经网络的从阴影恢复形状的新方法

细胞神经网络(CNN)是一种实时处理信号的大规模非线性模拟电路,它的连续时间特点以及局部互连特点使其可以进行并行计算,并且非常适用于超大规模集成电路(VLSI)的实现.本文针对从阴影恢复形状(SFS)问题,提出了一种基于硬件退火CNN的能量函数优化方法,并对该方法进行了详细分析,给出了实例的仿真结果,验证了该方法的有效性.该方法为并行处理算法,具有运算量小、易于大规模VLSI集成实现,且能够克服局部极小等优点,可以使SFS问题得到实时的处理.     

基于混沌神经网络的移动通信信道分配方法研究

该文应用混沌神经网络求解信道分配问题，给出了信道分配的能量函数表达式和混沌神经网络模型，研究了判别混沌神经网络混沌特性的Lyapunov指数法，讨论了网络模型参数对网络混沌特性的影响，提出了基于混沌神经网络的信道分配算法。仿真结果表明，混沌神经网络具有复杂的瞬态混沌特性，它比Hopfield网络具有更强的搜索全局最优解的能力，和更快的收敛速度。     

Realization of Boolean Functions via CNN: Mathematical Theory, LSBF and Template Design

As a paradigm for nonlinear spatial-temporal processing, cellular nonlinear networks (CNN) are biologically inspired systems where computation emerges from a collection of simple locally coupled nonlinear cells. Our investigation is an exploration of an important and difficult aspect of implementing arbitrary Boolean functions by using CNN. A typical class of basic key Boolean functions is the class of linearly separable ones. In this paper, we focus on establishing a complete set of mathematical theories for the linearly separable Boolean functions (LSBF) that are identical to a class of uncoupled CNN. First, we obtain an essential relationship between the template and the offset levels as well as the basis of the binary input vector set in the uncoupled CNN. More precisely, we construct a neat binary input–output truth table and some interesting properties of the offset levels of the uncoupled CNN, and develop a practical design formula for the class of CNN template. Especially, we found a criterion for LSBF, which depends only on symbolic relations between a Boolean function's outputs. Furthermore, we develop a method for representing any linearly nonseparable Boolean function into a logic operation of a sequence of linearly separable ones for a small number of inputs.     

结合卷积神经网络的HEVC帧内编码压缩改进算法

近年来,卷积网络深度学习已在图像处理、目标检测等领域取得巨大成功。受其启发,将卷积神经网络(CNN)应用于传统视频压缩标准已成为一个新的研究热点。本文提出一种集成卷积神经网络的高效视频编码(HEVC)压缩改进算法,将下采样过程、HEVC的编解码过程、上采样及质量增强过程集成为一体。为高效提取视频帧的结构特征,在所提压缩算法中集成了两个卷积神经网络。提出了一种下采CNN(DwSCNN)代替双三次下采,在有效降低分辨率的同时保留细节信息,得到更为紧凑的低分辨率视频序列,将此低分辨率视频序列通过HEVC帧内编码进行进一步的数据量压缩,通过提出一个质量增强CNN(PPCNN)来改善解码后恢复到原始分辨率的降质视频序列。实验结果显示,本文压缩改进算法在低码率段与标准HEVC相比,能达到更好的质量重建,并且在接近一致的PSNR值时,能节省39.46%的时间和11.04%的比特率,本文算法的视频压缩性能优于HEVC标准算法和相关文献方法。