基于深度神经网络的短波特定信号识别研究

在时变色散信道和低信噪比下,基于时频图利用深度神经网络的短波信号识别的方法对并行多音信号的识别能够取得一定效果,但常用的相位调制的串行单音短波信号识别难以取得较好效果。由于短波信号帧结构中都含有同步帧和发射电平起控帧等特征数据,提出了一种基于同步帧注意力机制的卷积神经网络结构。测试结果表明,使用卷积神经网络（Convolutional Neural Networks,CNN）、双向长短时记忆（Bi-directional Long Short Term Memory,Bi-LSTM）和注意力机制搭建成的深度神经融合网络模型对短波基带信号直接进行检测识别能够取得较好效果。     

使用多智能体反馈神经网络实现的数字预失真器

近年来,深度学习（Deep Learning,DL）在通信场景中的应用逐渐兴起,其中就包括射频发射机的数字预失真（Digital Predistortion,DPD）处理。然而,由于射频功率放大器（Power Amplifier,PA）固有的非线性失真和记忆效应特点,如果直接应用传统DL算法去实现DPD会出现拟合效果不佳、自适应性差等现象。针对这个问题,本文提出了一种由多智能体反馈神经网络实现的数字预失真器（Multi-Agent Feedback Enabled Neural Network for Digital Predistortion,MAFENN-DPD）,该网络引入了具有高纠错能力的反馈智能体结构,其主要特点是基于Stackelberg博弈理论去加速网络训练和收敛,同时我们还应用信息瓶颈理论指导网络超参数设计以增强MAFENN-DPD对PA记忆效应变化的动态适应能力。我们进行了一系列的实验来验证MAFENN-DPD的有效性。与使用典型前馈网络实现的DPD方案相比,基于MAFENN-DPD的方案在相邻信道功率比（Adjacent Channel Power Ratio,ACPR）指标上提高了约5 dB。同时,在没有通信过程中的大量先验知识的情况下,MAFENN-DPD实现了与使用记忆多项式方法建模的DPD方案十分接近的ACPR性能。仿真结果说明MAFENN-DPD相比传统神经网络可进一步提升ACPR性能,同时相比记忆多项式方法具有更好的自适应建模能力和通用性,并且具有多智能体反馈结构特征的神经网络未来在其他的通信场景中也具有应用推广的潜力。      

基于IDE-BPNN的快速反射镜迟滞建模

由压电陶瓷驱动的快速反射镜(FSM)现已被广泛用于自适应光学系统的执行环节,为了对其迟滞效应精确建模,该文提出了一种针对FSM的IDE-BPNN建模方法。基于Madelung法则以最小二乘法构建称迟滞算子作为迟滞运动的基本描述,扩展训练用的数据集,并采用改进的差分进化算法(IDE)对BP神经网络(BPNN)进行训练。实验表明,当输入30 Hz衰减的正弦信号时,IDE-BPNN模型的单轴最大误差为0.745μrad,归一化最大误差为0.87%,归一化均方根误差为0.36%。相较于最小二乘建模法,相对于最小二乘模型误差大幅缩小,有较好的使用价值。     

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CSAPSO-BP神经网络的光纤陀螺温度补偿研究

光纤陀螺是惯导系统的重要组成器件,环境温度变化会造成光纤陀螺的零偏发生漂移,从而降低测量精度。运用传统的BP神经网络进行预测易陷入局部极小值,导致补偿失败。该文采用混沌模拟退火粒子群BP神经网络的光纤陀螺零偏温度补偿模型,优化了网络参数。通过在-40～60℃的升降温实验对模型进行验证,实验结果表明,该温度补偿模型的零偏稳定性比补偿前约有70%的精度提升,与以往BP模型相比,其预测性能和补偿效果更好。     

基于LSTM神经网络的压电执行器位移迟滞建模

该文搭建迟滞测量实验平台,测量一种用于LED晶圆检测压电执行器的迟滞效应,设计了一种基于长短期记忆(LSTM)神经网络的压电迟滞模型,使用时间序列预测法对压电执行器位移迟滞效应建模。将该模型与传统的Prandtl-Ishlinskii(PI)模型进行对比。实验结果表明,神经网络模型具有较好、较广泛的迟滞建模效果,对于正弦波,位移预测精度保证小于2%;对于衰减正弦波,位移预测精度可保证小于3%。较高的模型预测精度为使用压电执行器进行LED晶圆检测提供了依据。     

基于BEMD和KELM的路面病害检测算法

受外界环境以及道路材料本身影响,路面会出现破损。尽管裂缝是路面破损的首要表现形式,但是其他类型病害仍然占重要比重。针对传统路面病害检测算法对常见线性裂缝分类准确度较高但对车辙、松散等复杂病害识别效果一般且适应性较差的问题,提出一种基于二维经验模态分解（BEMD）与核极限学习机（KELM）相结合的复杂路面病害识别方法。该方法首先采用二维经验模态分解对路面病害图像进行筛分,然后结合主成分分析法对分解后得到的固有模态分量进行降维,最后将上述得到的新特征输入到核极限学习机中进行训练。实验结果表明该算法对复杂病害有较高的识别率,其中松散病害识别率为95.6%,车辙病害识别率为92.1%,坑洼病害识别率为96.9%,网状裂缝识别率为97.3%,与传统脉冲耦合卷积神经网络相比,该算法提高了约9.85%。     

基于改进U-Net的低剂量CT图像重建方法

针对低剂量CT图像重建会产生噪声和伪影的问题,在U-Net神经网络基础上引入残差学习和空间注意力机制,在编解码过程中嵌入跳跃连接为上采样增加多尺度信息,使用AAPM公开数据集CT影像进行模型训练和测试。选取峰值信噪比（PSNR）、结构相似性（SSIM）和均方根误差（RMSE）作为图像性能评价指标。在CT重建结果的测试中,与未处理的图像相比,网络模型处理后图像的PSNR、SSIM和RMSE指标平均值分别提升21.699%、2.263%和40.833%。实验结果表明,改进的U-Net神经网络模型能够减少噪声和伪影,保留了更多的纹理细节,对低剂量CT重建图像质量的提高有一定效果。     

基于TW3-C RUS法的骨龄评估方法研究

经典TW3-C RUS (Tanner and Whitehouse 3-Chinese RUS)法将手骨的关键骨骺区域严格划分为9个等级,未充分考虑骨骺发育的连续性,导致骨龄评估存在一定误差。针对该问题,本文提出一种基于TW3-C RUS法的改进骨龄评估方法。采用阈值法的思想,动态选择网络模型输出的前N个等级概率值,并将前N个概率值作为权值计算手骨的加权得分,降低由于手骨单一等级判定引起的误差。针对网络模型冗余问题,采用跨阶段局部网络(cross stage partial network, CSP-Net)轻量化深度残差网络(residual network 50,Resnext50)。实验表明,改进后的方法对男性骨龄评估的平均绝对误差(mean absolute error,MAE)为0.421 4岁,女性MAE为0.412 8岁,相比于经典TW3-C RUS法,骨龄评估准确率有明显提升。轻量化后的网络模型参数量为46.28 MB,相比Resnext50网络模型有明显降低。