噪声图像压缩编码的小波变换方法

基于小波变换理论，研究小波变换域噪声图像的压缩编码方法，以实现在小波变换域同时达到对图像噪声的去除与图像压缩编码的目的，并且使两者均获得较好的效果。最后给出的实验结果证明了本文方法的有效性。     

基于深度学习的网络攻击检测模型

为提高复杂网络条件下网络攻击的检测检测精度、降低时间开销,提出一种基于卷积神经网络、双向长短时记忆网络和注意力机制融合的网络攻击检测模型GP-CABL。GP-CABL能够有效抽取网络流量的最优特征,并能够充分学习网络流量的空间和时序特征,有效提升了检测精度、降低了计算开销。实验表明,GP-CABL针对主要网络攻击识别精度可达99.87%,相较当前研究有较大性能提升,并具有较好的鲁棒性。     

一种基于CAE的HRRP去噪重构与识别方法

针对HRRP识别研究中面临的噪声污染问题,提出了一种基于卷积自编码器(convolutional auto encoder, CAE)的HRRP识别方法。此方法将CAE的重构功能与卷积神经网络(convolutional neural network, CNN)的分类性能相结合,将未含噪声的数据作为标签,利用CAE学习含噪声HRRP的噪声特征,实现对HRRP的去噪重构,后利用CNN对重构后的HRRP进行识别。仿真实验表明：在10 dB、20 dB、40 dB峰值信噪比的噪声环境下,该方法对HRRP的识别准确率分别可达到76.48%、95.14%、98.33%,能够一定程度上克服噪声对HRRP识别带来的不良影响,保证识别精度。     

基于多域卷积与自注意机制的SAR图像变化检测

针对基于深度卷积神经网络的合成孔径雷达(synthetic aperture radar, SAR)图像的变化检测方法,在利用图像块分析特征的过程中易将噪声引入到边缘区域,造成SAR图像变化检测精度较差等问题。提出了一种基于多域卷积与自注意机制的SAR图像变化检测方法。该方法先通过多域卷积模型增强输入SAR图像块的中心区域,减少边缘噪声的影响;然后,再利用注入空洞卷积的改进自注意机制模型充分挖掘SAR图像的重要空间结构信息,来提高变化检测的性能;最后采用3种不同类型的SAR数据集进行实验结果表明,本文中所提出方法能获得较高的检测准确率和KC系数,优于各种对比方法。     

对象边框标注数据的弱监督图像语义分割

针对图像语义分割应用中像素级标注数据费时昂贵的问题,主要研究以对象边框标注数据为代表的弱监督模型下的图像语义分割方法。使用基于金字塔的密集采样全卷积网络提取图像的像素级特征,并用GrabCut算法转化对弱监督数据进行数据标记,通过将图像特征和标记数据进行联合训练,构建了基于金字塔密集采样全卷积网络的对象边框标注弱监督图像语义分割模型,并在公开数据集上进行了验证。实验结果表明,所构建的弱监督模型与DET3-Proposed模型、全矩形转化模型以及Bbox-Seg模型相比,达到了更好的分割效果。     

基于MC-CNN网络的磁性舰船目标运动参数估计

传统磁性目标运动估计效果依赖于目标的初始状态信息,为克服这一缺陷,建立了磁性运动目标三分量投影模型,并据此生成了磁性舰船运动目标在运动速度、航向、信噪比等参数变化情况下的10类目标的训练数据集、验证数据集以及测试数据集。进一步,设计了多通道卷积神经网络（MC-CNN）对目标的正横距离和运动速度进行了估计,并比较和分析了不同的学习方式和激活函数对网络性能的影响,结果表明Adam+tanh的组合方式的估计性能要优于其它的组合方式,而且对磁性目标运动参数的估计效果比较精确,此方法相较于卡尔曼滤波、粒子滤波等估计算法的优越性在于运算复杂度低以及参数估计不需要目标初始状态信息。     

面向癫痫脑电的简化深度学习模型

针对脑电信号随机性强、动态变化迅速等特点,提出了一种简化深度学习模型研究癫痫脑电识别问题。提出的模型以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。基于所提模型,从三个方面研究了癫痫脑电识别问题,即:利用经验模态分解,分别选取前三阶、前五阶、前七阶、前八阶的本征模态函数分量,在简化模型上进行对比分析;利用提出模型所具备的深度学习特点,直接识别原始脑电信号而无须特征提取环节;增加了三种不同方法分别提取7类特征,对相同的脑电数据进行对比分析。性能分析结果表明:对于五类不同的脑电信号,前三阶的本征模态函数分量的识别率达到92.1%,比其他几种处理方式识别率高;前八阶的本征模态分量识别率不及原始信号,表明人工数据处理时会给数据带来噪声; 所提出的简化深度学习模型能高效处理癫痫脑电识别问题,具备较高效率和较好性能。     

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。     

北斗卫星导航系统多进制LDPC编码性能评估

考虑到卫星导航系统传输距离远、落地信号功率低,导航接收机在复杂遮挡环境下可能受到干扰不能正常解调电文,导航电文设计中一般采用纠错编码获取编码增益来提升恶劣环境下的解调性能。随着技术水平的提高,各大系统在现代化升级过程中越来越多地采用性能更优的纠错编码,北斗全球系统现代化信号导航电文将采用多进制LDPC编码。在研究多进制LDPC编译码原理基础上,首次对北斗采用的64进制LDPC进行了软件仿真和硬件实现,对北斗卫星导航系统多进制LDPC编译码性能和实现复杂度进行了仿真分析和试验平台测试,结果表明,多进制LDPC编码方案具有较高的编码增益,相对二进制LDPC有0.4~0.8 dB的优势,对于恶劣环境下的解调性能具有较大改善,该研究可为北斗现代化信号接收终端研发提供参考。