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。     

深层卷积神经网络的自动调制识别方法

简述了利用深层卷积神经网络进行自动调制识别（Automatic Modulation Recognition,AMR）的进展,并结合其模型在基准数据集上的实验表明,大多数不依赖于先验知识的特征提取模型容易忽略模型参数量大、计算复杂度高的问题,因此将工作重点集中在保持高精确度的同时轻量化模型。利用多信道深度学习模型,从时间和空间的角度有效提取特征,搭建以卷积神经网络（Convolution Neural Networks,CNN）和门控循环单元（Gating Recurrent Unit,GRU）为特征提取层的深层学习框架,可以在现有高识别度模型的识别效果上有略微提升,具有高效的收敛速度,且减少了40%以上的参数体积,在训练时间和测试时间上更有优势。该方法在RadioML2016.10a数据集0 dB以上信噪比条件下的识别精度保持在90%以上。     

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。     

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。     

基于深度LSTM辅助卷积网络的新型自动调制分类

自动调制分类在无线频谱异常检测和无线电环境感知中将发挥重要作用.随着深度学习算法的突破,调制分类任务可利用神经网络达到前所未有的高分类精确度.文中提出了一种新颖的神经网络,称为长短期卷积深度神经网络(LCDNN).该网络创造性地结合了长短期记忆网络(LSTM)、卷积神经网络(CNN)和深度网络体系结构的优点.该模型无需...     

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卫星遥感图像区域识别

为了提高卫星遥感图像的识别与分类效果,提出一种基于卷积神经网络的卫星遥感图像识别与分类方法。该方法通过导向滤波去雾和旋转图像数据提高了模型的泛化能力,同时采用了双全连接层网络结构增强了模型数据表达能力。实验证明,该方法在卫星遥感图像的识别与分类上优于传统图像识别方法和一般卷积神经网络模型。     

基于卷积神经网络的手写数字识别研究

随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。     

一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。     

基于深度卷积神经网络的人脸年龄分类

人脸包含了较多的可区分生物特征信息,这些信息除了可用于身份认证和识别外,还可用于人脸年龄分类等应用.为克服人脸所表征年龄信息会受到复杂的非线性因素例如个体的基因差异、居住环境、健康情况和种族差别等因素的影响,本文使用深度卷积神经网络,通过设计一系列的卷积、池化、全连接和归一化层,对人脸的年龄进行了有效地分类.本算法能克服传统SVM分类算法不能有效处理人脸图像和实际年龄间复杂的非线性关系而带来的准确率下降问题,在FG-NET人脸数据测试集上达到了94.4％的准确率,能有效地应用在安防、人机交互和娱乐影音等领域.     

基于GRU-CNN并联神经网络的自动调制识别

为提高非合作通信系统的调制方式识别准确率,提出了一种基于并联门控循环单元(GatedCycle Unit,GRU)神经网络和卷积神经网络(Convolutional Neural Network,CNN)的数字通信信号识别方法.根据调制信号的特性,将笛卡尔坐标下的原始数据转换到极坐标下,同时求原始数据的自相关序列,作为输入数据分别送入GRU和CNN网络中.对含BPSK、QPSK、8PSK、π/4-DQPSK以及四类QAM调制信号集合进行的实测信号实验结果表明,所提方法在低信噪比下能取得较好的识别性能,在0 dB时平均识别率接近90％.     

基于卷积神经网络与注意力机制的高光谱图像分类

由于浅层卷积神经网络(convolutional neural network,CNN)模型感受野的限制,无法捕获远距离特征,在高光谱图像 (hyperspectral image,HSI) 分类问题中无法充分利用图像空间-光谱信息,很难获得较高精度的分类结果。针对上述问题,本文提出了一种基于卷积神经网络与注意力机制的模型(model based on convolutional neural network and attention mechanism,CNNAM),该模型利用CA (coordinate attention)对图像通道数据进行位置编码,并利用以自注意力机制为核心架构的Transformer模块对其进行远距离特征提取以解决CNN感受野的限制问题。CNNAM在Indian Pines和Salinas两个数据集上得到的总体分类精度分别为97.63%和99.34%,对比于其他模型,本文提出的模型表现出更好的分类性能。另外,本文以是否结合CA为参考进行了消融实验,并证明了CA在CNNAM中发挥重要作用。实验证明将传统CNN与注意力机制相结合可以在HSI分类问题中获得更高的分类精度。     

基于稀疏深度神经网络的电磁信号调制识别

为在低复杂度约束条件下提升电磁信号调制识别的性能,提出了一种基于稀疏深度神经网络(Sparse Deep Neural Network, SDNN)的电磁信号调制识别方法。首先,通过提取电磁信号同相和正交两路数据绘制出信号的星座图,作为信号的浅层特征表达;然后,基于星座图中各信号点密度大小对星座图进行上色,增强星座图中信号特征;最后,通过SDNN对增强后的星座图进行识别分类。实验结果表明,SDNN模型选取合适的剪枝率后,能够有效降低模型存储规模和计算量,其中模型参数压缩了72%,浮点运算量压缩了45%,与原模型97%的综合识别率相比,稀疏化处理后模型的综合识别率为96.8%,在小幅度识别精度损失范围内大幅降低了模型复杂度。     

基于CRNN混合神经网络的多语种识别

在语种识别过程中,为提取语音信号中的空间特 征以及时序特征,从而达到提高多语 种识别准确率的目的,提出了一种利用卷积循环神经网络(convolutional recurrent neural network,CRNN)混合神经网络的多语种识别模型。该模型首先提 取语音信号的声学特征;然后将特征输入到卷积神经网络(convolutional neural network,CNN) 提取低维度的空间特征;再通过空 间金字塔池化层(spatial pyramid pooling layer,SPP layer) 对空间特征进行规整,得到固定长度的一维特征;最后将其输入到循环神经 网络(recurrenrt neural network,CNN) 来判别语种信息。为验证模型的鲁棒性,实验分别在3个数据集上进行,结果表明:相 比于传统的CNN和RNN,CRNN混合神经网络对不同数据集的语种识别 准确率均有提高,其中在8语种数据集中时长为5 s的语音上最为明显,分别提高了 5.3% 和6.1%。     

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。     

一种基于CNN与LSTM结合的微表情识别算法

微表情表现强度微弱且非常短暂。针对微表情识别效果不理想的问题,以视觉几何组(Visual Geometry Group,VGG)网络为基础,提出卷积神经网络(Convolutionnal Neural Network,CNN)与长短期记忆网络(Long Short-Term Memory,LSTM)结合的识别算法。CNN提取数据集CASME II的空域特征,LSTM处理时域特征,实现空域与时域特征的结合。针对深度学习训练困难以及过拟合问题,加入批量归一化算法与丢弃法,提高网络训练速度,有效防止过拟合。针对数据集稀缺的问题,固定每次读取帧序列的长度,随机生成起始帧的位置,不断循环读取以遍历整个数据集并达到数据扩增。根据实验结果,五类微表情(高兴、惊讶、厌恶、抑郁、其他)识别率最高可达72.3%。     

基于卷积神经网络的人脸表情技术研究

在日常的沟通与交流过程中,运用面部表情可以促使沟通交流变得更加顺畅,因此对于人类而言,进行面部表情的解读也是获取相关沟通交流内容的重要程序。随着科学技术的不断发展,人工智能在日常人类交流沟通中运用的越发广泛,因此面部表情人工智能识别这一项技术的发展与创新也更加受到关注。文章将对卷积神经网络的人脸表情识别技术进行深入的研究与探析。     

一种基于星座图恢复的多进制相位调制信号识别算法

在实际调制过程中,无线电波传输多径及衰落引起的符号间干扰和信号接收端的载波频偏会造成星座图难以识别。针对这一问题,提出了一种基于星座图恢复和卷积神经网络的多进制相位调制信号识别算法。首先,设定相邻采样点距离和相位角的阈值以筛除发生符号间干扰时的采样点,保留剩余的有效采样点并形成聚类组;然后,通过旋转相邻聚类组抵消载波频偏带来的影响,实现星座图的恢复;最后,利用卷积神经网络对星座图进行特征自动提取和调制识别。实验结果表明,对于实测信号,所提算法能够较好地恢复星座图并实现BPSK、QPSK和8PSK的准确识别。最终的识别准确率达到了99.9%,较星座图恢复前提高了24.2%。