复杂电磁环境下基于信号时频图像的调制识别

为解决调制识别研究中较少考虑到不同信号的特征之间联系性的问题,搭建了卷积神经网络(CNN)来提取信号的彩色时频图对应的特征,并利用时频变换的分析方法,将一维信号处理成彩色时频图,通过卷积神经网络架构提取图像特征;同时为了提升算法在低信噪比下的分类识别准确率,对时频图像的纹理特征进行了特征提取,将提取到的纹理特征与卷积神经网络中提取到的特征进行特征融合。仿真实验结果表明,采用的时频卷积神经网络(TF–CNN)和TF–Resnet网络框架能够达到高精确度信号自动调制识别分类的目的。     

基于深度卷积特征的场景全局与局部表示方法

场景识别是计算机视觉研究中的一项基本任务.与图像分类不同,场景识别需要综合考虑场景的背景信息、局部场景特征以及物体特征等因素,导致经典卷积神经网络在场景识别上性能欠佳.为解决此问题,文中提出了一种基于深度卷积特征的场景全局与局部表示方法.此方法对场景图片的卷积特征进行变换从而为每张图片生成一个综合的特征表示.使用CAM...     

基于希尔伯特黄变换和深度卷积神经网络的房颤检测

房颤是一种常见的心律失常,其发病率会随着年龄增长而升高.因此,从心电(ECG)信号中尽早识别出房颤,有助于降低中风风险和心源性死亡率.为有效提高其检测准确率,该文提出一种基于希尔伯特黄变换(HHT)和深度卷积神经网络的房颤检测方法.1维的时域心电信号通过希尔伯特黄变换,转换为时频域信号,旨在通过时频分析,丰富原始信号的...     

宫颈细胞的生物学特征-卷积神经网络联合分类方法

为了改善在宫颈细胞的分类工作中,出现的将异常的病变细胞与正常细胞判断混淆的误诊问题,提出了一种细胞生物学特征-卷积神经网络联合分类方法.首先,使用ResNet分类网络提取出特征向量,然后再将其与手动提取的DNA指数、细胞核/浆比特征一起输入到全连接层,并使用基于MSE损失值的逻辑回归分类,对宫颈细胞进行分类识别.使用5折交叉验证法在Heer数据集上的实验结果表明,这种将卷积神经网络与细胞生物学特征相结合的联合分类方法相较于ResNet卷积神经网络,分类结果的整体准确率提高4％,达到了95％;同时优化MSE损失函数的方法在准确率达到瓶颈的情况下,能够将严重错分率由2.10％降为0.248％,且保持了细胞的整体识别准确率.提出的方法进行计算机辅助检测,能够提升宫颈细胞分类工作准确率、降低误诊率.     

通信特定辐射源识别的多特征融合分类方法

针对通信辐射源个体识别问题,提出了一种基于多通道变换投影、集成深度学习和生成对抗网络的融合分类方法.首先,通过对原始信号进行多种变换得到三维特征图像,据此构建信号的时频域投影以构建特征数据集,并使用生成对抗网络对数据集进行扩充.然后,设计了一种基于多特征融合的双阶段识别分类方法,利用神经网络初级分类器分别对3类特征数据...     

基于SET和AlexNet的雷达动目标检测方法

针对传统的雷达动目标检测方法在杂波背景下目标识别率低的问题，提出了基于时频分析和卷积神经网络的雷达动目标检测方法。首先，通过同步提取变换将动目标的回波信号转换为时频分布，初步提取回波信号的时频特征；然后，对回波信号时频分布的脊线进行提取，并基于此构建数据集；最后，将数据集输入AlexNet进行训练和测试，实现雷达动目标的识别和分类。仿真实验表明，基于SET和AlexNet的方法在噪声环境下能够有效检测动目标，对匀速、匀减速、匀加速三类动目标都具有较高的识别率。脊线提取的应用增强了低信噪比下回波信号的时频特征，提高了检测方法的准确率和噪声鲁棒性。     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。     

一种雷达辐射源智能个体识别的方法

针对使用传统的卷积神经网络及低信噪比环境下雷达辐射源智能个体识别研究中识别性能不够的问题,提出了一种基于短时傅里叶变换(STFT)和EfficientNet的雷达辐射源个体识别方法。首先对雷达信号进行短时傅里叶变换,提取时频特征,然后利用EfficientNet中多个MBconv模块对不同时频特征图像的叠加,挖掘出信号图像隐含的更加复杂和抽象的深层次时频特征,包括信号强度的分布、时频模式、周期性变化等,从而完成个体分类识别。EfficientNet可以同时改变网络深度、宽度、图像分辨率3个参数,解决了梯度消失、梯度爆炸等问题。实验结果表明,基于STFT和EfficientNet的雷达辐射源智能个体识别的方法,相比于传统卷积神经网络在低信噪比环境下具有更好的识别性能。     

基于一维卷积神经网络的HRRP雷达目标分类方法

雷达一维高分辨距离像(high resolution range profile, HRRP)信号能够反映目标的结构信息,且具有易于获取的优势,因此利用雷达HRRP回波信号对目标进行分类识别获得了广泛的关注。传统的分类识别方法大多基于提取人工设计的特征然后利用分类器进行分类。然而人工设计提取的特征依赖于专家的先验知识,且人工设计的特征在识别性能上已经趋于平稳。本文将神经网络引入HRRP分类识别中,提出一种基于一维卷积神经网络的HRRP雷达目标分类识别方法。所提方法根据HRRP数据的形式,采取一维的神经网络算子构成一维卷积神经网络。且在网络主体采用一种纺锤形状的残差结构,该结构能够在提取深层抽象特征的同时有效减轻梯度消失和梯度爆炸问题。所提方法在多个数据集上相比于传统对比方法取得了更好的分类识别性能。     

基于Gist特征与CNN的场景分类方法

针对大多数场景分类方法只能学习浅层特征,忽略图像之间的相关结构信息,提出一种基于Gist特征与卷积神经网络结合的场景图像分类方法.其中Gist特征用于提取场景图像的全局特征,并将其作为深度学习模型的输入,通过逐层训练卷积神经网络,提取更高层次的特征,并用训练好的卷积神经网络进行分类.实验在O&T室外场景图像数据集和MNIST手写体数据集上考察了batchsize、卷积核对分类结果的影响,并与DBN,NN,SVM和CART作为分类器的分类结果进行比较,充分说明了本文方法的有效性.     

基于自注意力的TCN-Transformer的电网单相故障检测方法

小电流接地系统单相故障选线问题是配电网电力系统故障中的一个重要问题.由于电力故障数据具有时间延续性,并且电力故障数据的数据长度过长,现有的研究工作不能有效区分具有时序性的单相接地故障电流的特征.针对这些问题,提出一种基于自注意力的TCN+Transformer混合神经网络模型(称为TTHNN-SA模型).由于电力故障数据的特征单一,使用小波变换分解和主成分分析(PCA)方法能增加样本数据的特征量.TTHNN-SA模型使用时间卷积网络(TCN)分别对原故障数据和对原故障数据使用小波变换分解后的数据进行卷积操作提取特征,使用Transformer对经过主成分分析方法处理后的样本数据进行特征提取.然后将三个模型提取的特征矩阵进行融合后输入到自注意力层,通过自注意力机制的矩阵计算给重要特征分配更高权重,并且能解决模型的长时依赖问题.最后将自注意力层的输出通过全局平均池化后使用softmax函数进行分类.TTHNN-SA模型能更全面的学习到不同波形故障之间的电流数据关系,TTHNN-SA模型对配电网单相故障的检测具有良好的效果.     

基于BP神经网络的人脸识别系统研究

本文设计了一种基于BP神经网络的人脸识别系统,并对其进行了性能分析.该系统首先利用离散小波变换获取包含人脸图像大部分原始信息的低频分量,对图像数据进行降维;再由PCA算法对人脸图像进行主成分特征提取,进一步降低图像数据的处理量;最后使用经过训练后的BP神经网络对待测人脸进行分类识别.详细介绍了离散小波变换、PCA特征提取以及BP神经网络分类设计.通过系统仿真实验与分析发现:人脸特征的提取是该系统的关键;同时,由于人脸灰度信息的统计特征与有监督训练BP神经网络分类器,使该系统只在固定类别,并且光照均匀的人脸识别应用场景中具有较高的识别准确率.因此,很难在复杂环境中应用.     

小波变换在目标识别中的应用

利用小波变换具有易于消除噪声、运算方便、能够体现图像特征等优点,研究了基于小波变换的目标识别方法.首先采用二次B样条小波滤波器组对样本图像进行小波变换,提取多尺度边缘,然后提取不变矩,以此作为图像的特征向量,最后应用小波神经网络进行分类识别.计算机仿真实验表明,该方法取得了较好的识别效果.     

基于小波分解和1D-GoogLeNet的心律失常检测

心电图(ECG)信号的准确分类对于心脏病的自动诊断非常重要.为了实现对心律失常的智能分类,该文提出一种基于小波分解和1D-GoogLeNet的精确分类方法.在该方法中,利用Db6小波对ECG信号进行8级分解,得到既含时域信息又有频域信息的多维数据.随后,分解的样本用作1D-GoogLeNet的输入训练该模型.在提出的1D-GoogLeNet模型中,借鉴Inception在图像特征提取中的优异性能,将2维卷积变换为1维卷积学习ECG的特征,并且简化各个Inception的结构,降低模型参数.该文提出的神经网络分类器能够有效缓解计算效率低、收敛困难和模型退化的问题.在实验中,选用MIT-BIH心律失常数据集测试所提模型的性能,对比了信号的不同分解分量组合作为输入的检测结果,当输入数据由{d2-d7}组合时,所提1D-GoogLeNet模型可以达到96.58％的平均准确率.此外,还对比了该模型与未经结构优化的简单1维GoogLeNet在数据集上的表现,前者在准确率上比后者提高了4.7％,训练效率提高了118％.     

基于深度学习的心电图心律失常分类方法

近些年来因心血管疾病导致的人类死亡人数不断增加,心律失常是心血管疾病发病前的常见症状.为了提高心电图对心律失常分类的效率和准确率,使医生能对心律失常及时地作出诊断和治疗,提出一种基于二维卷积神经网络模型的心律失常分类方法.该方法使用美国麻省理工学院提供的研究心律失常的MIT-BIH数据库来生成实验数据集对网络进行训练和...     

基于卷积神经网络联合多域特征提取的干扰识别算法

干扰识别技术是智能抗干扰通信系统中的关键技术,通过对接收信号中干扰类型的准确判别,可为无线通信系统生成最佳的抗干扰方式提供决策依据。针对无线通信系统中典型压制式干扰的识别问题,本文提出了一种基于卷积神经网络联合多域特征提取（Convolutional Neural Network-based Joint Multi-Domain Feature Extraction,CNN-JMDFE）的干扰识别算法,通过CNN同时对两种预处理增强的数据对象:时频图像与频域序列提取干扰特征,有效利用了两种数据对象的优势,提升了干扰识别性能。仿真结果表明,在对于包含动态和参数随机的干扰识别场景下,CNN-JMDFE算法在干噪比（Jamming-to-Noise Ratio,JNR）≥-2 dB时可准确识别14种类型的干扰,识别性能明显优于基于时频图像或频域序列单一数据对象的基于卷积神经网络自动特征提取（Automatic Feature Extraction-based Convolutional Neural Network,AFE-CNN）算法;与传统的人工特征提取的深度神经网络（Manual Feature Extraction-based Deep Neural Network,MFE-DNN）相比,本文算法显著提升了在低JNR下分类准确率,增强了干扰特征的抗噪性能;对于复合干扰,本文算法同样可取得良好的分类效果,当JNR≥0 dB时可准确分类10种复合干扰。      

基于自适应快速S变换和XGBoost的心电信号精确快速分类方法

针对心电信号(ECG)传统分类方法效率较低的问题,该文提出一种基于自适应快速S变换(AFST)和XGBoost的心电信号精确快速分类方法。该方法首先通过快速定位算法确定心电信号特征频率点,再根据特征频率点自适应调节S变换窗宽因子,增强S变换的时频分辨率的同时避免迭代计算,大大减少运行时间。其次,基于自适应快速S变换的时频矩阵提取12个特征量来表征5种心电信号的特征信息,特征向量维数低,识别能力强。最后,利用XGBoost算法对特征向量进行识别。MIT-BIH心律失常数据库和患者实测数据验证表明,该方法显著地缩短了分类时间,对5种心电信号的分类准确率分别为99.59%和97.32%,适用于实际检测系统中心律失常疾病的快速诊断。     

结合三维卷积神经网络和Haar小波滤波器的高光谱猕猴桃品质分类

针对猕猴桃硬度品质无损检测分类困难的问题，提出了结合高光谱成像技术和卷积神经网络的分类模型。该模型融合Haar小波核提取的空间特征信息和三维卷积核提取的空谱联合信息，采用分解数据通道连接的方式确保所有特征能够流到模型末尾，提升了网络特征提取的能力。通过自制的猕猴桃硬度品质Kiwi＿seed数据集上的实验表明，Haar小波变换模块可以显著提升网络的特征提取能力；通过消融实验表明，在增加Haar小波变换模块后模型的分类准确率提升了7.4%，最优可达97.3%，优于经典的图像分类网络，可以很好地解决猕猴桃硬度品质的无损检测分类问题。     

基于时频相关性的复合常规人为干扰分析方法

在军事无线通信中,对进入接收机的干扰信号进行分析、识别并提取特征参数,以支持抗干扰决策,是通信设备有效对抗蓄意人为干扰的前提。提出了基于短时傅里叶变换(STFT)的复合常规人为干扰分析方法,首先对接收的干扰信号进行STFT变换,然后将得到的三维时频域数据进行二值化处理;最后根据不同干扰样式的时域及频域特征,对二值化的时频域数据之间的关系进行分析,分别解析出多音干扰、周期脉冲干扰、扫频干扰。理论分析和仿真结果表明,通过分类搜索算法,能够较为准确地对复合人为干扰进行解析。     

基于CNN-LSTM的运动想象脑电四分类研究

脑机接口通过对运动想象脑电信号的分类识别，帮助运动神经严重受损的患者实现与外部设备的直接交互。为了提高多分类运动想象脑电信号的分类准确率，提出一种基于卷积神经网络（Convolutional Neural Network,CNN）和长短时记忆（Long Short-Term Memory,LSTM）网络的脑电信号识别方法。首先，对原始脑电信号进行预处理，并利用快速傅里叶变换提取出相关频带的能量值；其次，对处理后的脑电信号采用一维卷积神经网络提取空间特征，再利用LSTM网络在序列上的建模能力，将空间特征组成特征序列输入到LSTM网络，提取时间特征；最后，将LSTM网络输出的特征输入到Softmax分类器，把结果分为左手、右手、舌头和脚四种类型。文中使用BCI Competition Ⅳ竞赛的数据集2a对所提的方法进行验证，实验结果表明，所提方法能够有效地提高多分类精度，分类结果的平均准确率达到90.38%。