基于迁移学习的癫痫EEG信号自适应识别

脑电图（electroencephalogram,EEG）信号智能识别是癫痫病检测的重要手段。传统的智能识别方法在进行检测时,都假定智能模型训练采用的训练样本集和测试样本集满足同一分布特征,但在实际应用时,此假设条件过于苛刻,当训练和测试数据对应的场景有一定漂移时传统方法不再适用。针对上述情况,将近年来广受关注的对分布差异性场景具备较好性能的迁移学习方法引入到脑电图识别中,使得最终所得的模型对训练和测试数据的分布要求较之传统方法得到进一步放松,扩大了算法的适应场景,实现了在数据漂移场景下对癫痫EEG信号的自适应识别。实验表明,基于迁移学习的方法比传统方法具有更好的适应性。     

基于迁移学习的径向基函数神经网络学习

现实场景中存在很多小样本量数据集而且多有失真,传统神经网络在处理这类数据时泛化能力较差,不能达到预测数据或分类的目的。迁移学习可通过学习数据集A有用的知识对与其相关但不同正态分布的小样本数据集B进行辅助学习,因此提出了具有迁移学习能力的神经网络,以实现更好的分类或逼近效果。以基于ε-不敏感准则和结构风险的径向基神经网络（RBF）为基础构造了迁移径向基神经网络（T-RBF-NN）。通过加噪音数据集实验以及真实数据集实验验证加入迁移学习的神经网络在小样本情况下比传统神经网络具有更好的泛化性和鲁棒性。     

Isomap与径向基神经网络在人脸识别系统中的应用

基于非线性降维算法的容特征映射与径向基神经网络的快速性,提出了基于Isom ap与径向基(RBF)神经网络的图像识别方法,降维方法用测地距离取代传统的欧式距离,有助于挖掘高维数据的内在结构,径向基神经网络能够快速模拟对象数据集,识别真假图像。同时该方法结合了频谱分析对初始图像进行预处理,减少了计算量。实验结果表明该方法能快速识别真假图像,提高识别率。     

机场终端区RF信号深度调制识别方法

论文构建了24种不同信号调制类型的数据集,并提出一款端到端的信号调制识别神经网络.研究了网络卷积层数、卷积核以及训练数据集大小对信号调制识别性能的影响.所提方法避免了基于特征提取的信号调制识别方法中所需的特征选择、信号同步、载波跟踪、信噪比估计等繁杂的处理流程.最后,引入迁移学习技术解决因信道环境变化导致网络识别性能下...     

一种优化的RBF神经网络在调制识别中的应用

提出了一种基于径向基函数 (RBF) 神经网络的通信信号调制识别方法, 该方法采用模糊 C-均值 (FCM) 聚类算法对数据进行聚类, 并获取基函数的参数, 采用梯度下降法训练网络权值. 利用最优停止法对网络进行了优化, 避免了过学习现象, 提高了 RBF 网络的训练速度和泛化能力, 以实际信号数据对该网络进行性能检验, 实验结果表明了该 RBF 网络具有较高的识别精度.     

数据驱动的RF信号深度调制识别方法

基于卷积结构的信号调制识别神经网络的识别性能受信号调制类型种类限制。例如,在12 dB信噪比条件下,同时对24种信号调制类型进行识别,其识别准确率仅为80%。若需要进一步提高识别性能,则要求更复杂的网络模型,导致网络训练所需数据集规模和硬件资源成本增大。鉴于此,针对无线电信号特征,设计一种适用于无线电信号调制识别的紧致残差神经网络,将其作为信号调制类型特征学习和特征提取工具,实现从原始I、Q数据到信号调制类型的端到端识别。利用迁移学习降低网络重新训练所需样本数,增强在无线信道响应发生变化时的环境适应能力,降低训练阶段所需的硬件资源和训练数据集规模。研究表明,当信道脉冲响应改变时,所提的信号调制识别神经网络在信噪比为12 dB条件下的识别性能达到95%,多个对比实验验证本文所设计神经网络的识别性能具有优势。     

径向基概率神经网络的一种自组织学习算法

介绍了径向基概率神经网络 (RBPNN)的一种自组织学习算法 ,该算法把径向基概率神经网络的结构原理与自组织聚类算法相结合 ,不仅能够完成对训练样本的聚类分析 ,标识出训练样本的类别属性 ,而且能够自动完成基于该训练样本集的径向基概率神经网络的训练过程 .本算法用于对 IRIS三种花型识别在训练阶段达到 97.33%的识别效果 ,而在推广能力方面 ,由本文算法得到的 RBPNN优于有标识的训练样本的 RBFNN     

基于层次遗传算法的RBF神经网络并行训练方法研究

本文探讨了径向基函数(Radial Basis Function，简称RBF)神经网络的工作原理及特点，针对该神经网络在时序数据预测中的应用，提出了用层次遗传算法提高网络学习效果的策略。同时根据数据预测中，处理大训练集的特点，提出了一种并行训练RBF神经网络的方法。     

数据驱动的ADS-B干扰源信号类型识别

传统干扰源信号类型识别方法在提取干扰信号的细微特征时,存在干扰信号调制类型分类精度低、识别效果差等缺点。对此,本文提出一种基于深度神经网络的ADS-B干扰信号调制类型识别算法。首先将ADS-B信号和干扰波形进行叠加混合,通过控制矢量信号发生器（VSG）进行仿真信号发射,并在接收端进行采集;接着对接收的基带I、Q数据进行人为添加随机噪声,并据此构造各种信噪比场景下的张量训练样本数据集;最后,利用训练样本数据对本文设计的神经网络进行训练,并在样本数据集上将传统分类算法和本文所提出的神经网络算法两者的识别性能进行对比分析。实验结果表明本文所提的神经网络算法相比于现有的传统识别算法,具有更好的识别性能。     

基于多二维RBF神经网络的航空雷达信号分选

针对航空雷达信号分选中侦察装备普遍存在的信号分选实时性差,分选结果经常出现增批、漏批现象的缺点.为了提高侦察系统在复杂电磁环境下准确快速的分选出雷达辐射源信号,根据径向基(RBF)神经网络通过理想数据训练后能够对未知数据进行分类的特点,将径向基神经网络算法用于对航空雷达侦察信号的分选,在此基础上提出了一种新型多二维径向基神经网络结构,通过与BP网络、RBF网络的对比,多二维径向基神经网络的识剐率优于其它几种网络,而且其结构便于实现.通过试验结果可以得出,多二维径向基神经网络能够提高雷迭信号分选的准确率.