基于CRNN的汽车发动机声纹个体识别方法

为提高声纹个体识别率,提出了一种基于卷积神经网络(CNN)和深度循环神经网络(RNN)的声纹个体识别方案CRNN,用于发动机声纹个体识别.该方法通过优化CRNN网络参数,挖掘声谱图"纹路"特征和时序特征,解决现有方法不能充分利用声音信号特征的问题.基于实采汽车发动机声音信号的仿真结果表明,相对于传统方法,改进CRNN能获得更高识别率,达到了98.75％.     

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。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。     

基于新型智能特征集的辐射源个体识别

雷达发射机结构上的差异、使用电子器件的不同,决定了辐射源的唯一性。提出了基于新型智能特征集的辐射源个体识别方法,首先对接收到的信号进行时域、频域、时频域、极化域变换并提取特征,构造能够表征每个辐射源的新型智能特征集,然后为了提高运算速度同时去掉冗余信息,用主成分分析法对特征集进行主特征提取,最后再用支持向量机方法,通过选取最优RBF核函数来实现个体识别。通过仿真,验证了构建的新型智能特征集可以对辐射源进行唯一的表征,在低信噪比环境下可以实现对辐射源个体进行快速有效的识别,分别对CW,BPSK,LFM信号进行了仿真,在3 dB信噪比以上都能达到85%以上的识别率,验证所述方法的正确性和可行性。     

基于全矢谱-深度置信网络的转子故障诊断方法研究

针对传统方法采用单通道信息进行设备故障诊断容易造成误判以及传统故障诊断需要大量专家经验知识的不足,结合全矢谱技术在多通道信息融合中可以全面反映振动信号特征的优势,以及深度学习具有强大的自特征提取能力和较好的模式识别能力,提出了一种基于全矢谱-深度置信网络的转子故障智能诊断方法.对采集到的多通道的机械振动信号利用全矢谱技...     

时频分析在战场侦察多目标识别中的应用

在通过仿真研究多目标信号特征基础上,分析了时域、频域在处理战场侦察多目标识别时的不足,提出一种基于时频分析的信号特征的多目标识别方法。本方法充分利用了探测信号的信息,提高了战场环境下多种目标的识别率。     

小波分析及其在核爆与闪电识别中的应用

探讨了基于小波变换的特征提取与识别方法,并将该方法用于核爆信号与闪电信号的识别中,结果表明,该方法是很有效的（正确识别率几乎可达１００％。     

深度多属性增强水声目标识别方法

被动声纳系统由于其隐蔽性好的特点在军事任务中发挥着重要作用。针对被动水声目标识别问题,开展了水声目标多属性特征提取与识别方法研究。利用深度学习方法从舰船辐射噪声中提取目标多属性特征并识别水声目标。提出了深度多属性增强水声目标识别方法,该方法可以从时域舰船辐射噪声中提取水声目标多属性特征及多属性之间的相关性特征,并用来增强深度模型对水声目标类别属性的表达能力。基于海试实测数据的6类水声目标识别实验结果表明,相比于不考虑多属性的识别方法,提出的深度多属性增强水声目标识别方法的平均正确识别率提高了3.6%~18.2%,并且具有更好的识别稳定性。     

基于VMD和SVM的舰船辐射噪声特征提取及分类识别

针对复杂海洋背景下舰船声频辐射噪声特征提取困难的问题，提出一种基于变分模态分解、中心频率、复杂度特征和支持向量机的舰船辐射噪声特征提取及分类识别方法。对四类舰船辐射噪声信号使用变分模态方法分解，得到一定数量的固有模态函数。通过比较提取能量最大的固有模态函数中心频率和排列熵作为特征参数，并利用支持向量机方法对四类舰船信号样本进行分类识别。实验结果表明，该方法可以实现对舰船辐射噪声的特征提取，与已有方法对比，该方法具有较高的识别率。     

模拟电路故障的深度学习融合模型诊断方法

针对传统智能故障诊断方法因装备电路复杂和工作环境噪声等因素引起的诊断困难问题,提出了基于降噪自编码器和高斯深度信念网络的融合模型,来实现模拟电路的故障诊断。首先,降噪自编码器用于处理原始信号的噪声并学习低层特征;然后,深度信念网络基于所学习的低层特征来提取深层特征;最后将融合的深度特征融入softmax分类器中,对智能诊断模型进行训练。融合模型在模拟电路上进行了故障诊断实验,结果表明,所提方法具有优越的诊断性能。