基于卷积神经网络和半监督学习的无线电信号检测和识别分析

阐述对未知信号进行精准检测与识别,采用半监督学习以及卷积神经网络技术,搭建全新的无线电信号检测与识别框架,并对现有的网络结构进行优化设计。     

结合局部增强与反向残差的点云语义分割网络北大核心CSCD

激光点云是3D传感器的输出,且对它的语义分割任务是理解真实世界的基础。基于图卷积的点云分割网络在许多场景下都展现了优异的性能。然而,现有的图卷积方法存在部分问题:点云局部表示的能力未得到加强,忽略了全局几何信息,并且聚合操作只保留局部最大响应值信息,而次最大值信息丢失。为了处理这些问题,本文提出GRes-Net网络。利用局部几何加强(Local Geometry Augment,LGA)模块,使网络对Z轴具有旋转不变性,以便加强点云局部信息表示;采用全局几何特征(Global Geometry Feature,GGF)模块,计算局部与全局的球体体积比,将其与坐标特征X进行连接,使全局几何信息特征得以保留;通过多个对称聚合操作将局部信息多方面地保留;网络中每层都使用残差操作,将上一层信息传递到下一层,以及利用反向残差模块(Reversed Residual MLP,RevResMLP)挖掘更深层次的语义信息。本文在S3DIS数据集上进行语义场景分割实验,验证网络分割的性能。实验结果表明该方法在分割精度上达到61%,相比于基准网络DGCNN提高14%,有效地提高了模型性能。     

基于卷积神经网络学习的盲突发通信信号检测方法

为了解决工程应用中传统数字信号处理方法对于低信噪比条件下盲突发通信信号检测存在检测正确率低和虚警率高的问题,提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的突发通信信号检测方法。该方法将传统数字信号处理提取检测特征与CNN深度学习结合,提高了低信噪比条件下突发通信信号检测的正确率,降低了虚警率。对比实验表明,对于QPSK突发通信信号,该方法比多分辨分析数字信号处理方法性能提高大约4 dB,比自适应门限能量数字信号检测处理方法性能提高大约8 dB。     

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络（CNN）特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。     

基于时序时空双流卷积的异常行为识别

针对地铁站特定场合下,人体异常行为识别无法有效利用帧间运动时间维度信息,导致人体异常行为识别准确率不高的问题,提出一种深层次残差长短期双流网络结构。将RGB帧和连续光流帧作为双流网络的输入,分别利用ResNet34提取低层特征信息,空间流网络提取运动外观特征信息,时间流网络提取光流运动信息,然后将特征信息输入长短期记忆（LSTM）网络,有效学习空间外观和光流运动的帧间关联时间信息,并且通过多种加权融合策略加强模型识别效果。最后在地铁站异常行为数据集上验证提出的网络结构,并与原双流网络进行对比,改进后的网络识别准确率提高了4.7%,融合后的模型准确率提高了12.9%。实验结果表明,所提方法能够充分利用时间维度信息,可有效提高异常行为识别准确率,在昏暗环境下仍有较好的识别效果。     

基于CTCNet对球结膜进行糖尿病视网膜病变分类

糖尿病视网膜病变(diabetic retinopathy, DR)是一种糖尿病性微血管病变,会在球结膜微血管上有所体现,球结膜血管图像的获取比眼底图像更加便捷,但微血管的特征变化微小且难以量化。为了能够对患者进行早期辅助诊断,本文依据球结膜微血管形态与DR的关联,首先对球结膜图像进行预处理,使用限制对比度自适应直方图均衡(contrast limited adaptive histogram equalization, CLAHE)算法进行图像增强,随机处理使数据增强,然后结合卷积神经网络(convolutional neural network, CNN)和Transformer各自的网络优势构建CTCNet,对处理后的球结膜血管图像进行DR分类,分类准确率达到了97.44%,敏感度97.69%,特异性97.11%,精确度97.69%,通过实验对比CNN和Transformer, CTCNet网络性能优于其他模型,能够有效识别DR。     

BLAC:注意力机制时序网络流量异常检测模型

入侵检测的难点之一是如何准确识别流量数据的异常特征。文中提出一个基于卷积神经网络（CNN）、双向长短期记忆网络（Bi-LSTM）和注意力（Attention）的时序流量异常检测模型,即BLAC。为提高BLAC模型的特征提取准确度,使用CNN提取流量数据中的空间特征,利用Bi-LSTM提取流量数据的完整时间特征,解决Attention难以对复杂时间序列数据位置信息进行编码的问题。通过对Attention权重的可视化分析,推测出异常在窗口中发生的时间点。使用雅虎的Webscope S5数据集进行对比试验,结果表明,BLAC模型的性能优于其他SOTA模型,其中关键指标召回率高达98.69%,表示二分类精确度的F1得分达到97.73%。     

基于ＭＥＭＳ红外热电堆传感器阵列的智能手势识别系统

本文提出了基于MEMS红外热电堆传感器阵列实现智能手势识别的方案,针对性设计出MEMS红外热电堆传感器阵列的信号调理电路,实现信号的高效处理。进一步地,基于单片机中加载的的卷积神经网络模型,对处理后的信号进行高精度识别与分类。测试结果表明,该系统对于四种静态手势的识别准确度达92.00 %,并且能够实现通过识别手势来控制多级外设运作的功能。本系统还采用蓝牙技术,实现了系统与移动终端之间的数据交换,实际最大通信距离可达15米,符合非接触测温场景的需求。最后还开发了相应的移动终端小程序,提高了人机之间的可交互性,进一步拓宽了该技术的应用场景。     

基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法

为了充分挖掘不同尺度影响因子对短期电力负荷的影响,以及解决预测精度受数据非平稳特性影响的问题,提出了一种基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法。该方法先采用变分模态分解(Variational Mode Decomposition, VMD)将历史负荷分解为若干平稳性好的本征模态函数(Intrinsic Mode Function, IMF)分量,再把VMD分解得到的各个历史负荷的IMF分量和气象数据分别送入时间卷积网络(Temporal Convolutional Network, TCN)进行特征提取;将所有TCN网络提取的特征融合为一个新的特征向量;最后将融合得到的特征向量与经过One-Hot编码的日期因素特征向量拼接,把拼接得到的向量送入随机森林网络进行预测。通过公开的电力负荷数据集对本方法进行验证,结果表明所提方法与现有模型相比具有更高的预测精度。     

基于ZigBee室内定位算法研究

研究了基于信号强度的 ZigBee 定位算法,以接收信号强度指示(RSSI)定位算法为基础。通过全局坐标系中已知的参考节点位置以及与各个参考节点之间的信号强度,分析计算得到盲节点的坐标位置,即室内移动机器人当前的坐标位置。通过实验研究和数据分析,可以借助 ZigBee 低功耗及组网稳定等特性对室内定位领域有进一步的理解和应用。