分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。     

基于卷积神经网络与循环谱图的调制识别方法

为提高调制分类识别精确度,降低计算复杂度,提出了一种基于卷积神经网络(CNN)与红绿蓝(RGB)循环谱二维图的智能调制识别方法。基于循环谱特征可识别调制类型的机理,为了降低计算复杂度,将三维的循环谱转换为二维平面的RGB循环谱图,并将其用于构建数据集;将一种计算复杂度较低的CNN作为调制类型分类识别器。仿真结果表明,所提出的智能调制识别方法能够以较低的计算复杂度,获得更高的分类精确度。     

基于卷积神经网络的数字调制分类识别

基于特征提取和模式识别的信号调制方式分类识别技术是非协作通信领域内应用广泛的重点研究对象。提出一种基于深度学习的通信信号数字调制识别算法,采用卷积神经网络找到数据的内在表达,实现逐层化地识别和分类MPSK、MFSK和MQAM中的六种调制信号。仿真实验结果表明,所提出的方法分类识别效果良好,基本达成了数字调制信号自动识别的目的。     

基于卷积神经网络的调制样式识别研究

自动调制样式识别分类是解调前的重要步骤,在频谱管理、认知无线电、智能调制解调器、监视和干扰识别等许多应用中发挥着重要作用。深度学习具有强大的分类能力,基于深度学习中的卷积神经网络,将映射成星座图的具有不同调制样式的通信信号馈送进神经网络,从而达到通信信号调试样式识别分类的目的。基于实验目的,提出一种改进的卷积神经网络结构可实现对七种不同的调制样式的分类,在信噪比≥5dB时,识别率可达97.99%,信噪比≥9dB时,识别率可达100%。     

应用深层卷积神经网络的交通标志识别

在实际交通环境中,由于运动模糊、背景干扰、天气条件以及拍摄视角等因素,所采集的交通标志的图像质量往往不高,这就对交通标志自动识别的准确性、鲁棒性和实时性提出了很高的要求。针对这一情况,提出一种基于深层卷积神经网络的交通标志识别方法。该方法采用深层卷积神经网络的有监督学习模型,直接将采集的交通标志图像经二值化后作为输入,通过卷积和池采样的多层处理,来模拟人脑感知视觉信号的层次结构,自动地提取交通标志图像的特征,最后再利用一个全连接的网络实现交通标志的识别。实验结果表明,该方法利用卷积神经网络的深度学习能力,自动地提取交通标志的特征,避免了传统的人工特征提取,有效地提高了交通标志识别的效率,具有良好的泛化能力和适应范围。     

基于深度LSTM辅助卷积网络的新型自动调制分类

自动调制分类在无线频谱异常检测和无线电环境感知中将发挥重要作用.随着深度学习算法的突破,调制分类任务可利用神经网络达到前所未有的高分类精确度.文中提出了一种新颖的神经网络,称为长短期卷积深度神经网络(LCDNN).该网络创造性地结合了长短期记忆网络(LSTM)、卷积神经网络(CNN)和深度网络体系结构的优点.该模型无需...     

基于卷积神经网络的调制识别新方法

针对通信信号调制方式识别问题,提出了一种基于卷积神经网络的通信信号调制方式识别新方法,利用深度卷积网络实现了通信信号特征的自学习,避免了传统算法中特征提取与选择问题,并设计了基于自学习特征的分类器,实现了通信信号调制方式的识别。仿真结果表明,利用卷积神经网络实现通信信号调制方式的识别是可行、有效的。     

基于深度学习的自动调制识别方法综述

自动调制识别(Automatic Modulation Recognition,AMR)是复杂电磁环境下的信号感知和识别领域中的重要技术,广泛应用于频谱感知、链路自适应、干扰防护等领域。传统的AMR方法主要依赖于人工提取特征、决策理论和识别器的选择。而深度学习(Deep Learning,DL)算法直接从海量数据中自动获取信号特征,同时实现特征提取和识别。因此,针对复杂多变的电磁环境中的信号识别问题,提出了将DL算法应用于AMR任务。首先,从数据集、信号表示和网络模型三个层面系统地综述基于DL的AMR方法;其次,详细总结了针对不同的信号表示所设计的神经网络模型,其中接收信号可以由专家特征、序列和图像来表示;最后概述了AMR存在的问题、潜在的研究方向和结论。     

一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。     

基于深度学习的电磁信号调制识别方法

电磁信号调制识别是电磁信息安全领域的重要技术基础。该文针对无线衰落造成电磁信号调制识别准确率低的问题,研究比较了基于深度学习的无线衰落信道电磁信号的调制识别方法。通过Matlab仿真生成同向正交(IQ)电磁信号数据,比较分析了AlexNet、VGGNet、ResNet和DenseNet四类神经网络模型的信号调制识别准确率,得到适合应用于无线衰落信道电磁信号调制识别的模型。结果表明,DenseNet神经网络对信号调制识别的准确率最好,达到82.10%。本研究为电磁信号调制识别在电磁信息安全等领域的应用提供重要参考。     

通道门控Res2Net卷积神经网络自动调制识别

针对低信噪比条件下自动调制识别准确率不高的问题,提出了通道门控Res2Net卷积神经网络自动调制识别模型。该模型主要由二维卷积神经(Two-dimensional Convolutional Neural Network, 2D-CNN)网络、多尺度残差网络(Residual 2-network, Res2Net)、压缩与激励网络(Squeeze-and-Excitation Network, SENet)和长短期记忆(Long Short-Term Memory, LSTM)网络组成,通过卷积从原始I/Q数据中提取多尺度特征,结合门控机制对特征通道进行权重调整,并利用LSTM对卷积所得特征进行序列建模,确保数据特征被有效挖掘,从而提升自动调制识别的准确率。在基准数据集RML2016.10a下的调制识别实验表明,所提模型在信噪比为12 dB时识别精度为92.68%,在信噪比2 dB以上时平均识别精度大于91%,较经典CLDNN模型、LSTM模型和同类型PET-CGDNN模型、CGDNet模型能取得更高的调制类型识别准确率。     

基于改进卷积神经网络的交通标志识别方法

针对智能交通系统中小尺度交通标志识别率低的问题,文中提出一种改进卷积神经网络的交通标志识别方法。该方法通过在Faster R-CNN算法的低层特征图上增加优化的RPN网络,提升了小尺度交通标志的检测率。该方法还利用Max Pooling方法实了现图像的局部细节特征与全局语义特征充分融合。在TT-100K数据集上稍微实验结果表明新方法可以明显提高小尺度交通标志的识别率。     

一种基于卷积神经网络特征表征的语音情感识别方法

为提高智能语音情感识别系统的准确性，提出了一种基于卷积神经网络CNN(Convolution Neural Network)特征表征的语音情感识别模型，该卷积模型以 Lenet-5模型为基础，增加了一层卷积层和池化层，并将二维卷积核改为一维卷积核，将一维特征预处理后，输送进该模型中，对特征变换表征。最后利用SoftMax分类器实现情感分类，CASIA与 EMO-DB开数据库上的识别结果显示:与Lenet-5网络相比，所设计网络模型的准确率分别提升了1.3％与2％，与SoftMax分类器相比，准确率分别提升了3.8％与6.1％，仿真结果验证了网络模型的有效性。     

基于GRU-CNN并联神经网络的自动调制识别

为提高非合作通信系统的调制方式识别准确率,提出了一种基于并联门控循环单元(GatedCycle Unit,GRU)神经网络和卷积神经网络(Convolutional Neural Network,CNN)的数字通信信号识别方法.根据调制信号的特性,将笛卡尔坐标下的原始数据转换到极坐标下,同时求原始数据的自相关序列,作为输入数据分别送入GRU和CNN网络中.对含BPSK、QPSK、8PSK、π/4-DQPSK以及四类QAM调制信号集合进行的实测信号实验结果表明,所提方法在低信噪比下能取得较好的识别性能,在0 dB时平均识别率接近90％.     

基于深度卷积神经网络的图像分类识别方法

图像分类是通过图片所给的特征信息将不同的事物进行识别的一种图像处理技术。随着科学技术的快速发展以及人们对生活质量越来越高的需求,图像的自动分类技术已经运用到各个发展领域当中。当我们在图像上进行分类操作时,传统的图像分类方法由于不能准确掌握识别对象之间的内在联系,同时传统方法也因数据的特征性维度太高而导致识别对象的特征表达受到限制,所以取得的实验结果并不理想。针对以上内容文章提出了一种基于卷积神经网络的图像检测方法,该实验的算法主要借鉴了深度学习及卷积神经网络。与以往的传统图像分类方法不同,深度卷积神经网络模型可以同时进行特征学习和图像分类。通过对实验的各个部分结构进行改进和对卷积神经网络模型进行优化,从而防止过拟合现象,继而提高图像检测的准确度,在CIFAR-10数据库上进行的实验表明,该方法改进后的深度学习模型在图像检测方面取得了有效的结果。     

模拟调制信号的神经网络识别方法

本文提出模拟调制信号的人工神经网络识别方法，从信息幅度、相位、频率及功率谱等特 提取四种特征参数，用于训练神经网络对模拟调制信号的识别。采用神经网络，不仅可提高识别的智能化，而且能提高正确识别率。该算法的识别性能明显高于目前广泛采用的各种方法，实验表明信噪比为８ｄＢ时，对各类模拟调制信号的正确识别率在９６％以上。算法能识别的调制类型多，包括ＡＭ、ＤＳＢ、ＵＳＢ、ＬＳＢ、ＶＳＢ、ＦＭ、ＦＭ－ＡＭ等多     

一种混合模式的神经网络自动调制识别器

数字信号自动调制识别(AMR)有基于决策论和统计模式两种方法,该文提出一种将两者相结合的自动调制识别系统,利用提取决策论特征向量集和统计特征向量集相结合的特征参数,使用带动量项的自适应权重的BP神经网络对MASK,MFSK,MPSK,MQAM等4类信号进行分类识别。当信噪比在0-10dB,在估计载频与实际载频相差0-100Hz的情况下正确识别率仍高达97%以上,实验证明这种分类识别方法的鲁棒性和实用性。     

基于软阈值深度学习的自动调制识别算法

自动调制识别是认知无线电、电子侦察、电磁态势生成中重要的环节.由于电磁环境日益复杂,噪声对能否正确调制识别影响显著.本文针对低信噪比（signal-noise ratio,SNR）环境条件设计了一种基于软阈值的深度学习模型,在卷积神经网络（convolutional neural networks, CNN）的基础上加入软阈值函数.将IQ数据转化为幅度相位信息作为模型的输入,CNN用于提取幅度相位数据中的特征,软阈值学习网络可以针对不同特征设置不同阈值,用于滤除样本噪声,提高低SNR条件下的识别率.在开源数据集RML2016.10a上验证了所提算法的有效性,对比其他网络结构,本文提出的模型识别率更高且效率更高.     

深度卷积神经网络在SAR自动目标识别领域的应用综述

深度卷积神经网络（DCNN）可自动学习目标层次化特征,在合成孔径雷达（SAR）自动目标识别（SAR-ATR）领域具有广泛应用前景。首先,介绍了DCNN的基本原理以及DCNN在光学图像上的应用与发展;然后,介绍了SAR-ATR的基本概念,综述了DCNN在SAR图像语义特征提取、片段级SAR图像分类、基于数据增强技术的SAR自动目标识别、异质图像变化检测等领域中的前沿应用研究及代表性网络架构;最后,总结并讨论了DCNN在SAR-ATR应用中存在的参数设置经验化、算法泛化能力较弱等不足,并对未来研究方向进行了展望。