基于改进层次遗传算法优化的神经网络信道均衡器

层次遗传算法的性能与评价个体进化优劣的适应度函数密切相关,对适应度函数的参数进行了研究,提出了依据信道零点和单位圆之间距离设定参数值的新方法,降低了函数复杂度,减少了人为因素影响,提高了算法确定RBF神经网络均衡器结构的效率及性能。仿真结果验证了算法的有效性和稳定性。     

一种组合神经网络非线性判决反馈均衡器

1 引言数字通信系统的典型模型如图1所示,发送序列s(n)经信道传输后因发生失真及噪声v(n)的影响而成为畸变信号x(n),为此需用均衡器对其进行均衡以恢复发送序列。目前,自适应均衡已成为数字通信中一种非常重要的技术,自适应均衡器的构成也是多种多样,其中最简单的是线性横向均衡器(LTE)和判决反馈均衡器(DFE),它们都比较适用于线性信道。如果信道呈现非线性特性,两者的性能特别是LTE的均衡能力会大大下降,而利用径向基函数网络(RBFN)等构     

非线性通信信道的神经FIR自适应幅值Laguerre均衡器

针对数字通信系统中线性和非线性信道干扰问题,在分析神经FIR滤波器、判决反馈结构和Laguerre滤波器的基础上,提出了神经FIR自适应幅值判决反馈均衡器和神经FIR自适应幅值Laguerre均衡器.其中神经FIR自适应幅值Laguerre均衡器结构简单,具有IIR和FIR滤波器特点,能够使用较少的阶数达到较好的均衡效果,且理论分析证明该均衡器是稳定的(0相似文献   

基于自适应小生境递阶遗传算法的RBF均衡器

递阶遗传算法(HGA)一次只能确定一个最优个体。采用小生境递阶遗传算法,依据进化信息自适应调整小生境区域,在均衡数据误比特率最低,隐层中心聚类有效性最佳的基础上,可以从多个进化优解中确定出最佳结构的径向基(RBF)神经网络均衡器。仿真结果验证了算法的有效性和稳定性。     

基于SCFNN之PAM非线性信道均衡器成效研究

自组织型模糊类神经网络(SCFNN)可依据一定的法则自我构建神经网络的组织结构,从而适用于当前控制对象;多层神经元是传统的类神经网络,广泛应用于各个领域;倒传递学习法与最陡坡降法相结合,可使以上两种类神经网络进行有效的融合;目前,信道均衡器上的系统架构种类非常多,各种类神经网络应用于信道均衡器也颇为普遍;在研究SCFNN的基础上,将其应用于通道均衡器确实可行,效果良好;比较了SCFNN与MLP在通道均衡器的成效;仿真表明,在相同通道环境下,SCFNN的训练收敛速度、位错误率与系统敏感度优于MLP,完成结构学习后SCFNN的结构也颇为精简。     

基于小波包变换的非线性信道均衡器

针对严重线性失真和轻度非线性失真的数字信道,为了提高基于最小均方误差算法的判决反馈均衡器的收敛速度,首先提出用一族正交小波包基函数来表示非线性信道判决反馈均衡器厦其输出,然后给出基于小渡包变换的非线性信道自适应均衡算法。该算法实现了小波包与非线性信道模型的结合,在计算量增加不多的前提下,利用小波包对小波空间的进一步划分以厦比小波变换更强的去相关能力来减小输入信号相关阵的条件数。对典型非线性信道模型的仿真结果表明,该算法可有效提高均衡器的收敛速度。     

基于深度卷积神经网络的人脸识别

目前人脸识别技术被广泛应用于实际生活各个领域,尤其是在实时视频场景下应用越来越普及,因此对人脸识别的研究具有重大价值。通过应用Keras框架和深度学习相关知识构建深度卷积神经网络,训练出有效的人脸识别模型,并应用到实时视频场景进行人脸检测和识别,最后通过实验表明此方法能够有较高的正确率,并能准确识别视频中的人脸。     

基于神经网络的深度学习方法研究

在机器学习算法中深度学习已成为现今最热门的一种算法,在全局环境下能够得出较优的解,这种算法的出现得到个社会各界的广泛关注,在不同领域中获得了大量的应用.深度学习是在神经网络的基础上应运而生,采用多层隐藏层对参数进行调优并进行逐层优化,而改变了原有的神经网络过拟合和参数难调等问题.现今,诸多领域,例如:文本挖掘、推荐系统一级智能机器人等,都开始应用深度学习的.     

基于DSP的图文输入系统

介绍了一种基于DSP+UART实现串行通信的方法,并运用在图文输入系统中.实验表明,该方法能够可靠地实现TMS320C6713与图文输入系统之间的通信.     

An adaptive decision feedback equalizer based on the combination of the FIR and FLNN

To compensate the linear and nonlinear distortions and to track the characteristic of the time-varying channel in digital communication systems, a novel adaptive decision feedback equalizer (DFE) with the combination of finite impulse response (FIR) filter and functional link neural network (CFFLNNDFE) is introduced in this paper. This convex nonlinear combination results in improving the convergence speed while retaining the lower steady-state error at the cost of a small increasing computational burden. To further improve the performance of the nonlinear equalizer, we derive here a novel simplified modified normalized least mean square (SMNLMS) algorithm. Moreover, the convergence properties of the proposed algorithm are analyzed. Finally, computer simulation results which support analysis are provided to evaluate the performance of the proposed equalizer over the functional link neural network (FLNN), radial basis function (RBF) neural network and linear equalizer with decision feedback (LMSDFE) for time-invariant and time-variant nonlinear channel models in digital communication systems.     

基于神经网络的微波均衡器建模与仿真

采用 RBF 神经网络对微波均衡器进行建模,并应用到微波均衡器的分析与设计中。由于神经网络具有精度高、实时调用速度快等优点,因此建立的微波均衡器神经网络设计方法具有准确、可靠、省时、辅助设计等优点。仿真结果证明了该方法在微波均衡器分析设计中的有效性。     

基于卷积神经网络的通信信号调制识别研究

针对传统人工提取专家特征来进行通信信号识别的方法存在局限性大、低信噪比下准确率低的问题,提出一种复基带信号与卷积神经网络自动调制识别相结合的新方法。该方法将接收到的信号进行预处理,得到包含同相分量和正交分量的复基带信号,该信号作为输入卷积神经网络模型的数据集,通过多次训练调整模型结构以及卷积核、步长、特征图和激活函数等超参数,利用训练好的模型对通信信号进行特征提取和识别。实现了对2FSK、4FSK、BPSK、8PSK、QPSK、QAM16和QAM64 七种数字通信信号类型的识别分类。实验结果表明,当信噪比为0dB时,七种信号的平均识别准确率已达94.61%,验证了算法是有效的且在低信噪比条件下有较高的准确率。     

基于深度卷积神经网络的图像检索算法研究

为解决卷积神经网络在提取图像特征时所造成的特征信息损失,提高图像检索的准确率,提出了一种基于改进卷积神经网络LeNet-L的图像检索算法。首先,改进LeNet-5卷积神经网络结构,增加网络结构深度。然后,对深度卷积神经网络模型LeNet-L进行预训练,得到训练好的网络模型,进而提取出图像高层语义特征。最后,通过距离函数比较待检图像与图像库的相似度,得出相似图像。在Corel数据集上,与原模型以及传统的SVM主动学习图像检索方法相比,该图像检索方法有较高的准确性。经实验结果表明,改进后的卷积神经网络具有更好的检索效果。     

基于深度卷积神经网络的行人检测

行人检测一直是目标检测研究与应用中的热点。目前行人检测主要通过设计有效的特征提取方法建立对行人特征的描述,然后利用分类器实现二分类。卷积神经网络作为深度学习的重要组成,在图像、语音等领域得到了成功应用。针对人工设计的特征提取方法难以有效表达复杂环境下行人特征的问题,提出采用多层网络构建深度卷积神经网络实现对行人检测的方法。系统分析了卷积神经网络层数、卷积核大小、特征维数等对识别效果的影响,优化了网络参数。实验结果表明该方法对于行人检测具有很高的识别率,优于传统方法。     

Neural FIR adaptive Laguerre equalizer with a gradient adaptive amplitude for nonlinear channel in communication systems

To mitigate the linear and nonlinear distortions in communication systems, two novel nonlinear adaptive equalizers are proposed on the basis of the neural finite impulse response (FIR) filter, decision feedback architecture and the characteristic of the Laguerre filter. They are neural FIR adaptive decision feedback equalizer (SNNDFE) and neural FIR adaptive Laguerre equalizer (LSNN). Of these two equalizers, the latter is simple and with characteristics of both infinite impulse response (IIR) and FIR filte...     

基于深度卷积神经网络的道路场景理解

在无人驾驶技术中,道路场景的理解是一个非常重要的环境感知任务,也是一个很具有挑战性的课题。提出了一个深层的道路场景分割网络（Road Scene Segmentation Network,RSSNet）,该网络为32层的全卷积神经网络,由卷积编码网络和反卷积解码网络组成。网络中采用批正则化层防止了深度网络在训练中容易出现的“梯度消失”问题;在激活层中采用了Maxout激活函数,进一步缓解了梯度消失,避免网络陷入饱和模式以及出现神经元死亡现象;同时在网络中适当使用Dropout操作,防止了模型出现过拟合现象;编码网络存储了特征图的最大池化索引并在解码网络中使用它们,保留了重要的边缘信息。实验证明,该网络能够大大提高训练效率和分割精度,有效识别道路场景图像中各像素的类别并对目标进行平滑分割,为无人驾驶汽车提供有价值的道路环境信息。     

深度卷积神经网络的汽车车型识别方法

针对现有汽车车型识别方法计算量大、提取特征复杂等问题,提出一种基于深度卷积神经网络的汽车车型识别方法。该方法借助于深度学习,对经典的卷积神经网络做出改进并得到由多个卷积层和次抽样层构成的深度卷积神经网络。根据五种车型的分类结果,表明该方法在识别率方面较传统方法有明显的提高。实验还研究了网络层数、卷积核大小、特征维数对深度卷积神经网络的性能和识别率的影响。     

基于深度神经网络的视频播放速度识别

针对目前的视频播放速度识别算法大多存在的提取精度差、模型参数量巨大的问题,提出了一种双支轻量化视频播放速度识别网络。首先,该网络是基于SlowFast双支网络架构组建的一个三维（3D）卷积网络;其次,为了弥补S3D-G网络在视频播放速度识别任务中存在的参数量大、浮点运算数多的缺陷,进行了轻量化的网络结构调整;最后,在网络结构中引入了高效通道注意力（ECA）模块,以通过通道注意力模块生成重点关注的内容对应的通道范围,这有助于提高视频特征提取的准确性。在Kinetics-400数据集上将所提网络与S3D-G、SlowFast网络进行对比实验。实验结果表明,所提网络在精确度差不多的情况下,模型大小和模型参数均比SlowFast减少了大约96%,浮点运算数减少到5.36 GFLOPs,显著提高了运行速度。