栈式自编码和残差神经网络的射频信号个体识别

传统基于暂态特征和稳态特征的射频信号个体识别方法存在特征提取困难、特征微小、无法区分射频信号个体差异等问题,识别率较低.随着深度学习技术的发展,结合栈式自编码网络深度融合目标特征优势和残差神经网络在解决退化问题时的优势,提出了一种基于SEA和ResNet网络的射频信号个体识别方法.包括信号时频域特征提取方法分析、多域特征拼接与融合、基于轻量化ResNetLite网络的射频信号个体识别方法等步骤.仿真结果表明,相对于传统时频域特征提取方法和BP分类方法,新方法能够有效提取和融合信号细微、高层次及深层次特征,且识别率有一定幅度的提升,同时,对计算资源、存储资源的消耗有约7倍的降低,可支持嵌入式设备小型化需求,便于工程实现.     

基于独立分量分析和神经网络的钢结构损伤识别方法

为了有效剔除钢结构振动信号中的噪声,提取用于损伤识别的特征量,采用独立分量分析方法分离统计独立信号,同时得到表征结构损伤状态的混合矩阵,然后将混合矩阵作为特征量输入至神经网络进行训练,最后将训练好的神经网络作为分类器进行结构损伤识别.在冲击载荷作用下,针对钢框架结构模型进行了不同损伤部位的振动实验,结果表明:基于独立分量分析和神经网络的损伤识别方法具有较高的识别率和可重复性,而且实现简单,在结构损伤识别领域具有较大的应用潜力.     

基于特征聚合的管制语音声纹深度识别方法

针对带有噪声的管制语音声纹识别问题,提出了一种基于特征聚合的声纹识别算法,能够在音频流中识别不同的管制员和飞行员的声纹特征。在经典的X-VECTORS算法的基础上,通过设计残差语谱图特征提取模块和全局可微的NetVLAD特征聚合模块,构造了端到端的说话人识别神经网络训练框架;最后在实际管制语音数据集上对各种说话人识别方法的精度进行了对比分析。实验结果表明,相较于传统的X-VETCORS方法,提出的基于声纹聚合的说话人识别方法具有更高的识别精度。     

基于多级Sigmoid神经网络的城市交通场景理解

交通场景的理解是交通监控、汽车安全辅助驾驶的基础.提出一种基于多级Sigmoid神经网络的城市交通环境理解方法.将5个3D结构特征与物体外观特征相结合表征城市交通环境,为了提高交通环境识别率,采用多级Sigmoid神经网络(MSNN)进行图像分割与识别.在公共测试视频数据库CamVid dataset 进行实验,实验结果表明了该方法的有效性.     

基于进化规划的自适应高斯神经网络

自适应高斯神经网络能够对目标信号的功率谱有效识别特征进行自动提取和分类,但此网络使用BP算法,其误差能量函数是一个不规则的超曲面,容易陷入局部极小值.因此,提出了一种使用进化规则来设计和训练自适应高斯神经网络的新方法.该方法能够自动地确定网络的最优结构和联结权值,同时避免网络的局部优化.实验结果表明,将该方法用于被动声纳目标的分类识别,能够有效地克服局部最小问题,具有更好的识别率.     

基于PCA和BP神经网络的水下目标识别方法研究

针对被动声纳信号的特点,提出了基于信号线谱特征的主成分分析(PCA)特征选择方法,其优点是从复杂的目标信号中提取目标的特有信息,降低了目标特征维数.将此方法用于实录的三类水下目标数据,采用BP神经网络对目标进行识别分类,仿真结果说明了所提出的方法的正确性和有效性.     

基于卷积双向长短期神经网络的调制方式识别

针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。     

基于改进CNN的红外目标识别方法研究

自动目标识别是红外成像精确制导武器系统的关键技术,针对传统红外目标识别算法在复杂环境作战中存在目标特征建模复杂、识别率低等问题,提出一种基于改进的卷积神经网络(Convolutional Neural Network,CNN)方法。结合红外目标特性,调整ZFNet的卷积层和池化层数量,加入空间变换网络以提高对数据变换的鲁棒性;对Dropout层的丢弃率变化进行可视化分析并确定选取原则,以提高红外目标的识别率。通过试验结果与传统方法相比,该方法具有较高的识别率,能够为红外成像导引头目标识别算法设计提供参考。     

神经网络技术及其在机器耳监测仪中的应用

介绍了利用GAL算法对装备产生的声音信号进行处理,改进完善了基于竞争学习的GAL神经网络。测试结果表明,基于GAL算法的智能耳诊断系统的识别精度和自学习方面优于传统算法。     

基于深度时频特征学习的雷达辐射源识别

针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法。基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理；设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力；利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性。仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性。