细胞神经网络在通信信号处理中的应用

对于非线性理论的通讯信号的处理一直是通信信号处理领域的热点问题。细胞神经网络是非线性理论的中要研究方向,近年来,它在通信信号处理中取得了重大的突破。本文将主要介绍细胞神经网络的基本理论、结构和在通讯信号处理中的应用,指出它的发展方向。     

神经网络方法及其在通信信号处理中的应用

在介绍人工神经网络基本原理的基础上,结合通信信号处理应用实例,讨论了神经网络技术在非线性特征提取和信号识别分类中的应用.     

通信信号自动识别方法

通信信号的自动识别是通信信号处理的一个重要研究课题,近年来随着数字信号处理技术的发展,通信信号的调制方式增加了,对通信信号的自动识别提出了更高的要求.许多新的方法应用于该领域,本文对近年来这个领域的研究作了综合评述,讨论了其中存在的问题,并指出了今后的发展方向.     

神经网络：通信及其保密通信领域的新技术

神经网络是近年来发展迅速的一门新型学科。它具有自适应学习、大规模并行分布处理、联想记忆以及强容错性等功能特点，是９０年代最具希望和潜力的智能科学，各发达国家均不惜工本致力于该项研究，使神经网络的应用领域得到了长足发展，其中通信及其保密通信即是神经网络的重要应用领域，并已成为神经网络应用研究中的一个热点。本文在概述神经网络基本概念及其模型基础上，综述了神经网络在通信及其保密通信领域中的应用现状，并展     

神经网络及其在信号处理中的应用

本文首先对神经网络作了概括介绍,综述了在信号处理中的应用情况,指出了一些重要的神经网络模型在不同的信号处理问题中的意义,讨论了进一步值得探索的方向。     

基于机器学习的可见光通信信号处理研究现状

随着无线通信领域的发展,具有诸多优点的可见光通信(VLC)已经发展成为了一种具有广阔前景的通信手段。然而,可见光通信中的各种非线性效应会给其信号处理带来诸多的困难,并恶化系统的性能。机器学习在解决非线性问题方面具有很大的优势和潜力,结合机器学习算法的可见光通信技术必然具有巨大的研究价值。已有研究表明,传统的机器学习算法如K-means、DBSCAN以及支持向量机(SVM)等在预均衡、后均衡、抗系统抖动,以及相位纠正等方面均有很好的表现。而深度神经网络(DNN)则因为其强大的非线性拟合能力能够更进一步提升VLC系统的性能。对以上几种方法进行了分析和介绍,并对其在可见光通信信号处理领域的应用进行了分析与总结,希望可以为机器学习解决可见光通信方面的各种非线性问题提供参考。     

分数低阶噪声的频域处理及在通信中的应用

针对传统的信号处理中采用基于高斯分布与二阶统计量的方法会受到对信号噪声模型假设的限制,提出了非高斯分数低阶噪声理论与通信信号处理等领域的实际问题密切结合,改造现有的信号处理中的频域相关处理技术.本文介绍了α稳定分布模型与分数低阶矩理论,分析和总结了传统的信号处理方法在通信中的应用以及其极限性,对下一步的研究进行了总结与展望,分析了基于频域的分数阶噪声在通信中的应用前景.     

自适应信号处理技术的应用

自适应信号处理技术在雷达、通信、声纳、图像处理、计算机视觉、地震勘探、生物医学、振动工程等领域有着极其重要的应用。目前这门新学科仍在继续向纵深方向迅速发展,特别是盲自适应信号处理和利用神经网络进行的非线性自适应信号处理。对于实现智能信息处理系统有很好的应用前景。介绍了自适应信号处理技术在滤波、系统辨识、自适应均衡、回波抵消、谱估计、谱线增强、自适应波束形成等方面的应用,并介绍了其发展前景。     

基于时空神经网络的AM调幅波解调方法研究

AM调幅信号在通信领域有着极为广泛的应用。传统的AM调幅信号解调方法是同步检波和包络检波法。对时空神经网络的研究提出了一种新的对基于时间的信号处理方法,在具体操作时改变权值就可对不同类型信号进行解调。用时空神经网络方法对AM调幅波进行解调的Matlab仿真结果表明,此方法是可行的。     

神经网络的自适应信号处理

信号处理是通信与信息学科中的一个重要研究领域。讨论了基于神经网络的自适应信号处理,并提出了一种用于优化滤波器的神经网络构造方法。利用Matlab的Simulink仿真器对其进行系统仿真,仿真结果和理论分析相一致,证实了神经网络应用于信号处理有着相当大的应用前景。     

对海雷达多维图像特征融合智能检测方法

海面目标检测是雷达信号处理中的重要内容,在军事、民用领域内都有重要应用价值。在海面目标雷达信号处理中,海杂波的存在对检测算法的性能有很大影响,传统的雷达信号处理方法多基于统计理论,对于复杂环境条件和多样的目标特性检测性能下降明显。近年来深度学习技术发展迅速,为可靠的海面目标的检测方法提供了技术支持。本文对近年来目标检测算法、深度学习方法的发展进行总结,从雷达信号数据结构和维度出发,采用深度学习理论,分别提出了基于二维图像、三维视频雷达信号、多维雷达信号多通道融合的智能处理框架,并以导航雷达图像海上目标智能检测为例,提出一种Precise ROI?Faster R?CNN雷达图像检测算法,通过构建的导航雷达数据集训练和测试,相比经典恒虚警检测和Faster R?CNN检测方法有更高的检测精确度和更好的泛化能力,从而为对海雷达智能导航和目标检测提供了有效的技术途径。     

多频率合成信号包络优化的初相搜索方法

基于对多频率合成信号通过非线性器件产生非线性失真的分析,推导了通过优化输入信号包络减小非线性失真的理论,并提出了实现输入信号包络优化的快速初相搜索算法,对使用该方法进行输入信号包络优化前后的非线性失真进行了仿真比较,结果表明对输入信号使用快速初相搜索算法优化后可以减小非线性失真。     

Recent developments in the core of digital signal processing

In this article members of the Digital Signal Processing (DSP) Technical Committee (TC) report recent breakthroughs in signal processing fundamentals that have happened in the last two decades. These breakthroughs include various advances and extensions from old techniques to new techniques. For example, signal processing techniques have moved from single-rate to multirate processing, from time-invariant to adaptive processing, from frequency-domain (the traditional Fourier transform, as we know it) to time-frequency analysis, and from linear to non-linear signal processing. Recent developments in these areas have not only renovated the theory of digital signal processing, they have also resulted in new tools that find applications in various domains. For instance, multirate signal processing has triggered recent advances in modem technology and speech/audio coding; adaptive filtering has made echo cancellation and noise suppression possible; time-frequency analysis has found its way into various applications in radar and medical signal processing; and non-linear processing has made engineers rethink various problems in speech recognition and image analysis. This article provides an extensive list of highlights from these recent developments.     

基于时频图深度学习的雷达动目标检测与分类

雷达动目标检测技术一直是雷达信号处理领域中的关键技术,而传统的雷达动目标检测技术仅适用于匀速运动目标,检测性能有限。针对该问题提出一种基于卷积神经网络(CNN)时频图处理的雷达动目标检测方法,通过从雷达动目标回波中提取多普勒频移信息,然后利用短时傅里叶变换转换为时频图,输入卷积神经网络,进行深度特征学习,进而实现检测和分类的目的。仿真数据验证表明,所提方法能够有效检测和区分匀速、匀变速运动以及微动目标,稳健性高,与传统动目标检测方法相比具有显著优势。     

一种基于微波雷达回波信号的车型分类方法

车辆类型识别方法是智能交通系统的关键技术之一。利用深度学习的高维特征泛化学习能力,将改进的LeNet-5卷积神经网络用于基于交通微波雷达的大小车型分类识别。首先,以雷达触发前的N帧信号为基础,对雷达的回波信号进行分析并构建数据集;然后,分析LeNet-5卷积神经网络的特点;最后提出一种改进的LeNet-5卷积神经网络。实验结果表明,与传统的支持向量机方法相比,所提方法能够智能学习大小车的雷达时频信号特征,大小车型识别准确率达到97%以上,可为交通场景下的车型识别研究提供新的技术途径。     

基于细胞神经网络的肝脏核磁共振图像自动分割方案

Currently, the processing speed of existing automatic liver segmentation for Magnetic Resonance Imaging (MRI) images is relatively slow. An automatic liver segmentation scheme for MRI images based on Cellular Neural Networks (CNN) is presented in this paper. It ensures the validity of this scheme and at the same time completes the image segmentation faster to accurately calculate the liver volume by using parallel computing in real time. In order to facilitate the CNN image processing, firstly, three-dimensional liver MRI images should be transformed into binary images; secondly, an appropriate template parameter of the Global Connectivity Detection CNN (GCD CNN) shall be selected to probe the connectivity of the liver to extract the entire liver; and then the Hole-Filler CNN (HF CNN) are used to repair the entire extracting liver and improve the accuracy of liver segmentation; finally, the liver volume is obtained. Results show that the scheme can ensure the accuracy of the automatic segmentation of the liver, and it can also improve the processing speed at the same time. The liver volume calculated is in line with the clinical diagnosis.     

Focal-Plane and Multiple Chip VLSI Approaches to CNNs

In this paper, three alternative VLSI analog implementations of CNNs are described, which have been devised to perform image processing and vision tasks: a programmable low-power CNN with embedded photo-sensors, a compact fixed-template CNN based on unipolar current-mode signals, and basic CMOS circuits to implement an extended CNN model using spikes. The first two VLSI approaches are intended for focal-plane image processing applications. The third one allows, since its dynamics is defined by process-independent local ratios and its input/outputs can be efficiently multiplexed in time, the construction of very large multiple chip CNNs for more complex vision tasks.     

卷积神经网络在雷达自动目标识别中的研究进展

自动目标识别(ATR)是雷达信息处理领域的重要研究方向。由于卷积神经网络(CNN)无需进行特征工程,图像分类性能优越,因此在雷达自动目标识别领域研究中受到越来越多的关注。该文综合论述了CNN在雷达图像处理中的应用进展。首先介绍了雷达自动目标识别相关知识,包括雷达图像的特性,并指出了传统的雷达自动目标识别方法局限性。给出了CNN卷积神经网络原理、组成和在计算机视觉领域的发展历程。然后着重介绍了CNN在雷达自动目标识别中的研究现状,其中详细介绍了合成孔径雷达(SAR)图像目标的检测与识别方法。接下来对雷达自动目标识别面临的挑战进行了深入分析。最后对CNN新理论、新模型,以及雷达新成像技术和未来复杂环境下的应用进行了展望。     

基于Simulink与Stateflow的红外图像边缘检测系统设计

基于模型设计方法实现基于细胞神经网络的红外图像边缘检测系统。将simulink、stateflow设计方法与CNN的设计理论相结合,建立CNN IP核模块。接着采用串行结构搭建图像输入、输出模块,达到可视化实时仿真及代码自动生成。仿真结果表明：基于模型的设计方法取得了较好的效果。在Xilinx公司Virtex-6系列的FPGA平台上,综合后占用极少资源的情况下达到了142.693MHz最高频率和7.927Mpixels/sec的处理速度。     

Analog VLSI Design Constraints of Programmable Cellular Neural Networks

Analog parallel signal processing systems, like cellular neural networks (CNN's), intrinsically have a high potential for perception-like signal processing tasks. The robust design of analog VLSI requires a good understanding of the capabilities as well as the limitations of analog signal processing. Implementation-oriented theoretical methods are described to compute the effect of all types circuit non-idealities with random or systematic causes on the static and dynamical behavior of CNN's and to derive specifications for the cell circuit building blocks. The fundamental impact of transistor mismatch on the trade-off between the speed, accuracy and power performance of CNN chips is demonstrated. A design methodology taking into account the effect of transistor mismatch is proposed and experimental results of a CNN chip implementation designed with this method are discussed.