基于包络指纹特征的辐射源分类识别技术

辐射源识别技术是当前电子侦察的重要研究方向。文中利用雷达模拟器的脉冲包络指纹特征,构建特征数据库,提出一种新的指纹特征向量匹配识别方法。该方法根据自适应评分机制,衡量不同特征向量之间的相似性,实现对辐射源脉冲的分类和识别处理。利用同型号雷达模拟器的外场实录数据,验证了该识别方法的有效性,分类性能优于传统的M-距离法。文中还定量分析了辐射源分类正确率与信噪比的关系,结果表明,分类正确率与SNR成正相关,当信噪比高于20 dB时,分类正确率超过95%。     

基于瞬时特征谱的联合特征调制识别算法

传统调制识别算法的识别效果受信号的信噪比、成型脉冲形状、采样率等参数影响,适用范围有限。为了提高对具有不同参数的信号的识别正确率,通过对数字调制信号的瞬时特征进行多阶变换,基于变换后的功率变化和分布信息,提出了一种基于瞬时特征谱的联合特征调制识别算法。该算法以集成学习器XGBoost对数据进行训练,能够适应不同条件下的信号数据,使其识别正确率得到明显提高。仿真结果显示了该方法的有效性。     

核典型相关分析的融合人脸识别算法

为了更有效地映射图像数据样本到可分类特征空间,提高分类正确率,提出了一种新的基于核函数的典型相关分析的融合人脸识别算法.该方法首先把图像矩阵通过核函数影射到核空间,然后从核空间的行和列两个方向进行特征抽取,同时避免分解映射后的数据矩阵,简化了数据运算,获得了更具鉴别力的分类特征.在Ohio州立大学的OTCBVS可见/红外人脸数据库中进行了分类识别实验,实验结果表明:该方法可以获得90%以上的识别正确率,优于其他的典型相关分析的人脸识别方法的分类正确率.此外,对不均匀光照变化,表情变化等人脸识别的常见问题具有很好的抵抗能力.     

基于卷积神经网络融合编码与解码特征的降水强度识别

为高效地利用红外降雨图进行雨量强度分类，提出了一个融合编码与解码卷积特征的雨量强度识别模型。引入编码与解码卷积于深度卷积神经网络分类模型中，在减少局部信息丢失的同时提取深层次的雨纹信息特征。于编码、解码卷积模块中考虑多尺度感受野卷积，融合不同范围的局部特征，同时在解码时融合相同尺度的编码与解码卷积特征图，提高特征利用率，从而构建一种融合编码与解码卷积特征的雨量强度识别模型。所提模型的分类精度优于主流卷积神经网络框架，分类正确率最高达到了91.7%，且消融实验结果验证了编码与解码模块的有效性。     

基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.     

基于小波和分形理论的调制信号特征提取方法研究

本文针对通信信号这种非平稳的、信噪比(SNR)变化范围较大的信号,应用小波分析和分形理论,提出了有效的特征提取方法,所提取的分形特征包含了区别不同调制类型所需的幅度、频率和相位等主要信息。同时这种特征具有较好的抗干扰特性,基于这种特征的分类器的设计简单、高效。计算机模拟结果表明此方法的有效性。     

垃圾短信的智能识别和实时处理

本文提出了短信语义和号码特征相结合的垃圾信息智能识别方法.在分类器的设计上,采用了BP神经网络与支撑矢量机(SVM)的分类集成技术,使得分类识别效果明显.垃圾短信的学习样本识别正确率达99.86%,测试样本识别正确率达到97.4%.由于本文方法提取的特征构成了稀疏矩阵,因此大大缩短了,机器学习时间,使得系统具有实时学习和实时提高分类能力的功能.     

基于小波变换的MFSK/MQAM信号类内识别法

提出了一种基于小波变换的FSK/MQAM信号类内调制方式识别的改进算法,该方法通过深入分析MFSK和MQAM信号在小波域的不同特征,充分利用小波变换模值的奇异性信息,通过对该信息的有效检测,实现MFSK信号类内识别,并将其推广应用到16QAM和64QAM的分类。对该方法的适应性进行了理论分析和计算机仿真,结果表明,新算法大大提高了MFSK/MQAM信号的识别正确率,并有效降低了识别的信噪比门限。     

基于模糊积分的通信信号调制识别方法研究

本文针对通信信号这种非稳定的、信噪比(SNR)变化范围较大的信号,应用小波分析和模糊测度、模糊积分理论,提出了有效的特征提取和组合分类方法,来实现通信信号调制类型的分类识别,使得识别的正确度和效率得到了明显的改善.计算机模拟结果证明了此方法的可行性.     

基于DnCNN的海面目标一维距离像识别方法

针对低信噪比条件下海面目标分类识别精度差的问题,该文提出了一种基于去噪卷积神经网络(Denoising convolutional neural network,DnCNN)的海面目标高分辨一维距离像(High Resolution Range Profile,HRRP)识别方法。所提方法设计了一个海面目标分类识别模型,该模型通过其中的降噪模块提高信噪比。首先,分析了HRRP和二维图像的相似特性,将HRRP降噪转变为二维图像降噪。其次,利用深层次卷积层与批归一化层相结合的结构,提取图像深层次的噪声特征,最后采用残差学习技术,减轻深层次网络的学习负担的同时重构图像进行分类识别。实验结果表明,该模型可以有效提升低信噪比条件下的海面目标分类识别正确率,在不同信噪比条件下其识别性能均优于对比模型,具有良好的识别性能和鲁棒性。      

一种采用卡尔曼滤波与正则匹配的信号盲检测法

信号检测是电磁频谱感知的有效手段之一，但受电磁环境非平稳特性、样本数据有限性及傅里叶变换全域能量分布特性等诸多因素影响，使得基于快速傅里叶变换(Fast Fourier Transform, FFT)的频谱数据抖动较大，无法适应低信噪比、大动态范围的信号检测。为了提高信号检测性能，提出了一种采用卡尔曼滤波的频谱累积平滑方法，在此基础上提取了能够反映信号能量分布变化的曲率特征，设计了基于符号正则匹配的方法，实现对信号能量分布特征的检测。介绍了处理方法的主要原理并进行了仿真分析，结果表明在信噪比大于2 dB时，信号检测准确率达到100%,且相比能量检测门限法具有更优的搜索动态范围。     

一种图像多级分类方法北大核心

为了满足不同的图像分类需求,并考虑到单一显著特征能快速准确地分类差别大的图像,提出了图像多级分类方法。分析研究了多种特征提取方法,确定了各底层视觉特征的提取方法,以不同的特征向量作为SVM的输入对图像进行比较,研究不同的图像特征对图像分类的影响。通过实验验证,利用多级分类思想进行粗分类后,缩小了需要再进行细分类的图像范围,避免了不相关图像的干扰,使得多级分类方法的整体分类正确率较传统的单级分类方法得到有效提高。     

基于信号投影能量特征的脑电意识动态分类

针对脑电意识任务动态分类问题,本文提出了一种基于投影能量的特征提取方法来提取反映不同思维状态的脑电特征,并结合信息累积后验贝叶斯方法进行分类以提高脑-机接口系统的分类正确率。该方法通过使两类信号在投影基上的平均投影能量比达到极值,从而达到提高脑电信号分类准确度的作用。实验结果表明两个运动想象数据集上的最大正确率都达到90%左右,最大分类准确率、kappa系数和最大互信息等评价指标的比较也表明该方法能够有效提高BCI系统的性能,具有较好的实用性。     

一种图像多级分类方法

为了满足不同的图像分类需求,并考虑到单一显著特征能快速准确地分类差别大的图像,提出了图像多级分类方法.分析研究了多种特征提取方法,确定了各底层视觉特征的提取方法,以不同的特征向量作为SVM的输入对图像进行比较,研究不同的图像特征对图像分类的影响.通过实验验证,利用多级分类思想进行粗分类后,缩小了需要再进行细分类的图像范围,避免了不相关图像的干扰,使得多级分类方法的整体分类正确率较传统的单级分类方法得到有效提高.     

应用深度神经网络和集成学习的电台个体识别

提出了一种基于深度神经网络的个体智能识别方法,可用于电台个体分类识别.该方法构建集成多子网络的一维深度卷积模型,以电台时序信号作为模型输入,进行电台个体分类.利用深度神经网络自动特征化的能力,该方法从时序信号中自动获取个体特征,从而以端到端的形式实现从电台信号识别电台个体.该方法能够免去基于专家知识的特征提取工作,自动提取的个体深度特征还有助于区分传统特征无法区分的高度相似电台个体.实验证明,该方法能有效降低模型调参设计难度,能减轻单一网络带来的特征提取识别过拟合问题,能提高电台个体识别算法的泛化能力与鲁棒性.在信噪比12 dB的条件下,对10类电台8PSK调制信号进行特征提取与识别,整体正确率91.83％,平均正确率为89.12％;对MSK调制信号进行特征提取与识别,平均分类精度为89.1％.     

基于RPCA的SAR图像纹理特征去噪

合成孔径雷达(SAR)图像具有丰富的纹理信息,这些纹理信息能反映地物空间结构关系。当前纹理特征被广泛应用于SAR图像分类和SAR图像分割中。受成像因素影响,直接采用从SAR图像中提取的纹理特征效果不够好。为避免传统先滤波再提取纹理特征的方法对纹理、边缘信息造成损失,提出了一种先提取SAR图像纹理特征,再利用Robust PCA方法对纹理特征去噪的新方法,最后采用Kmeans聚类方法检验RPCA处理后的纹理特征表达效果。实验结果表明该方法能将聚类正确率从82%提高到84%。     

粒子群优化算法选择特征的运动图像分类

为了提高图像分类的效果,考虑当前方法准确实现图像分类的难题,提出粒子群优化算法选择特征的运动图像分类方法。对当前运动图像分类方法的研究现状进行分析,提取不同类型的图像,并采用粒子群优化算法选择最优特征,组成特征向量,将特征向量机作为神经网络的输入,实现运动图像的分类。采用具体图像分类实验进行验证,结果表明,该方法可以描述不同运动图像的类别信息,缩小图像的分类误差,避免其他图像分类方法的缺陷,提高了图像的整体分类正确率。     

基于CSI反馈的语义图像传输

语义通信通过构建传输背景知识库、感知传输内容，大大节省传输带宽，提升传输质量。该方面的研究逐步与无线通信物理层融合，从而构建完整的语义传输系统，但现存的端到端语义编码设计无法感知不断变化的无线信道。提出了基于信道状态信息反馈的图像语义分割编码（SS-CSI）方案，根据不同子信道上的信噪比（SNR）对传输的关键特征信息进行分割和编码，并根据实际分类任务需求保护相关语义特征。仿真测试表明，SS-CSI根据实际信道环境，在低SNR下大幅提升了物体传输质量和分类性能，在高信噪比上则进一步传输更多背景信息，提升了整体的图像均方误差性能。     

基于支撑矢量机的通信信号调制识别方法研究

提出了一种应用小波变换提取分类特征的基于支撑矢量机的通信信号调制识别方法。使用多个支撑矢量机分类器构成一个多类分类器用于多类信号的调制识别。在中频进行处理,不需要同步信息;利用支撑矢量机具有更好的推广能力,可以使用较少的训练样本。计算机仿真结果表明该方法可以很好地工作于信噪比变化范围较大的通信环境。     

以非负矩阵分解提取局部特征的SAR目标稀疏表示分类

合成孔径雷达( SAR)目标分类是自动目标识别系统的核心功能之一,对于战场监视等应用具有重要意义。利用SAR图像局部散射明显的特点,提出了通过训练样本的非负矩阵分解获得低维数局部特征编码,并以该编码作为字典进行稀疏表示分类的方法。采用Gotcha项目民用车辆目标的实测数据进行了验证,结果显示在不同信噪比条件下该方法的分类正确率均优于广泛采用的由降采样、随机投影、主成分分析提取低维数特征的稀疏表示分类方法,表明了该方法的性能优势。另外,还通过实验对比分析了非负约束的稀疏表示与标准稀疏表示在分类性能上的差别,结果显示非负约束的稀疏表示导致分类正确率下降,故针对分类问题不宜在稀疏表示时进行非负约束。