基于残差神经网络的天然地震与非天然地震信号分类

以准确区分天然地震与非天然地震为目标,构建了一种基于一维卷积和残差结构的神经网络模型:ResNet-1D。该模型利用不同长度卷积核的卷积层、最大池化构成的池化层和残差结构自动提取三分量地震记录特征,采用适应性矩估计方法(Adams)作为优化参数,利用线性判别函数(Linear)实现天然地震与非天然地震区分。以2008—2020年中国地震台网中心统一编目报告的天然地震和非天然地震共40000条速度记录,随机划分为6∶2∶2的比例构建训练数据集、验证数据集和测试数据集。研究结果表明:天然地震和非天然地震的分类准确率分别为92.65%和94.30%,与传统机器学习方法比较,ResNet-1D模型在准确率、精确率、召回率和F1分数的测试结果均有明显提升,有效地提高了天然地震和非天然地震识别的准确性。同时,震级和震中距的变化对模型分类准确率都有影响,具体表现为震级越高,准确率越低;震中距越大,准确率越低。文中提出的模型具有更高的准确性,可为地震监测中的天然地震与非天然地震准确区分提供技术支撑。

基于多信号分类-改进早晚功率锁相环的5G机会信号定位算法

随着5G技术的不断发展,5G蜂窝网络已被广泛应用于城市地区。然而,基于5G的机会信号定位技术中存在着测距精度不高的问题。针对此问题,提出一种改进型5G机会信号定位算法,该算法将多信号分类(multiple signal classification,MUSIC)算法与改进的早-晚功率锁相环(phase-locked loop,PLL)结合,不仅简化了锁相环结构,更保证了测距精度;同时搭建了基于5G机会信号定位的原理样机,并对改进算法方法的有效性和可行性进行了验证,试验结果表明伪距均方误差为3.03 m。本文所提出的算法不仅结构简单、系统稳定,而且在测距精度上也有一定的优势。

基于并行多尺度时间卷积网络的运动想象信号分类方法

运动想象信号的非线性和低时空域分辨率会导致基于深度学习分类方法的准确性较低。因此,提出一种并行多尺度时间卷积网络分类方法对运动想象信号进行分类。所提方法可提取运动想象信号在时间和空间上的信息,并在时间维度上使用并行卷积计算方法,更好地提取信号的时间特征。此外,在不影响分类准确率的前提下,使用一种简化的预处理方法,简化复杂的预处理过程。实验结果表明,所提方法在BCI Competition IV数据集上的分类准确率为74.4%,待训练的参数量减少到35663;对比FBCSP和DeepNet等经典分类方法,分类准确率分别提高了2.2%和6.6%,参数量分别降低了86.4%和87.5%,验证了所提方法的有效性。

基于Mel频谱特征的水声信号分类研究

为解决传统的时域、频域特征不足以完全表征水声信号非线性、非高斯的问题,文章以海洋环境下采集的水声信号为对象,选用Mel频谱特征作为水声信号特征,提取了四类水声信号的Mel频谱特征制作数据集,分别用SVM分类器、BP神经网络分类器以及VGG16卷积神经网络分类器进行训练与分类测试,以验证水声信号识别能力。结果表明,三种分类器模型对四类水声信号的平均分类精度均可达89%以上,证明Mel频谱特征能够有效表达水声信号特征的能力。而BP神经网络分类器可获得优于SVM的分类精度,卷积神经网络的分类精度则高出BP神经网络6.0%,其平均分类准确率为97.5%,因此,基于VGG16卷积神经网络构建的分类器具有更好的识别能力。

通信干扰信号分类识别方法综述

通信干扰信号的分类识别作为通信抗干扰的前提和基础,被广泛运用于无线通信和通信电子战等诸多领域。从通信干扰信号分类识别的基本原理出发,将分类识别方法分为基于人工特征提取(Manual Feature Extraction,MFE)和自动特征学习(Automatic Feature Learning,AFL)两大类进行介绍。系统阐述了两类方法的区别,并对比分析了不同方法的特点和性能。最后,分析了该领域面临的挑战,并对未来的研究方向进行了展望。

复杂环境下辐射源信号分类算法

为提高复杂电磁环境下辐射源信号的分类精度,提出了一种基于邻近传播(Affinity Propagation,AP)聚类和支持向量机(Support Vector Machine,SVM)的联合决策分类算法。该算法通过AP聚类剔除电磁干扰信号,同时获取空间信号初始类别数和聚类簇。为获得更好的分类效果,引入基于概率模型的SVM对聚类簇中的样本进行再分类,然后联合样本类别概率和该类别中样本个数在原聚类簇中的占比,对输入信号类别进行判别,并确定样本威胁等级。仿真结果表明,该算法在电磁信号特征交叠和复杂体制辐射源背景下可以有效地提高信号分类精度,提升武器系统在复杂环境中的适应能力。

基于CNN与BiLSTM相结合的心电信号分类方法

目的:基于卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)相结合的方法在心电信号数据集上训练深度学习模型,实现对心电信号的高效分类。方法:提出CNN+BiLSTM模型实现心电信号数据集分类,采用CNN对心电信号进行初步特征提取;通过BiLSTM对这些特征进行更深层次地学习,以捕捉信号中的时序信息和空间关联性。结果:通过对比实验证明CNN与BiLSTM对模型性能提升的有效性,模型分类精度为98.91%,召回率为98.71%,精确度为99.79%,F1指数为99.14%。结论:将CNN与BiLSTM相结合并应用在心电信号数据集分类,能有效提升临床诊断的精确性,为心电信号的自动分析提供了有效参考。

基于L型声阵列多重信号分类声源测向研究

变电站二次设备故障声源复杂多变,且在空间狭窄、位置不易接触的设备上采用接触式振动传感器采集振动信号有很大的局限性,基于非接触式的声阵列装置采集到的声音信号可以解决这些问题。针对变电站二次设备故障声源的测向问题,通过最小描述长度(Minimum Description Length,MDL)准则改进了多重信号分类算法,设计和制做了L型声阵列的声源采集装置并进行故障声源采集。结果表明,改进的算法能够有效地估计出声源数,并为二维测向提供先验条件,使得测向精度准确,且2个声源的俯仰角或方位角相同时不会相互影响。该方法能有效测量出源信号的方向且具有一定抗干扰性,对于变电站二次设备故障诊断有较好的指导意义。

基于脑功能网络的抑郁脑电信号分类方法

通过探究多种脑功能网络构建方法在抑郁脑电信号分类中的性能,提出了一种基于相位滞后指数、自适应阈值和卷积神经网络的高精度抑郁脑电信号分类方法。首先,利用不同连通性方法和二值化方法的组合构建了多种抑郁脑功能网络;然后,基于图论分析从脑功能网络中提取网络参数;最后,将脑网络参数输入多种分类器,实现抑郁脑电信号分类。此外,建立了一种基于可分性测度和量子粒子群优化的自适应阈值法和自适应密度法,以避免人工设置阈值和网络密度的主观性。实验结果表明:与其他常用方法相比,在alpha频带上,所提分类方法的性能最好,分类准确率和灵敏度分别为88.03%、89%。

基于卷积神经网络的3“A”信号分类

信号分类是一种重要的无线电技术,相比传统的分类方法,基于深度学习的方法具有更高的准确率和鲁棒性,可以应用于更加复杂的信号环境中。为了更好的区分ACARS、AIS、ADS-B这3种海空通信信号,本文提出了一种基于卷积神经网络的3“A”信号分类方法。将3种信号的I/Q数据加入噪声,转变为二维信号输入卷积神经网络实现对信号的分类。实验结果表明,在测试集上得到90%的准确率,对比传统基于特征的分类方法,该网络对信号的分类效果较好。

管道漏磁信号分类的多特征融合网络研究

【目的】地下管道如预应力钢筒混凝土管(PCCP)等检漏是城市基础设施管理和维护中至关重要的一项工作。提出一种识别地下管道弱磁分布类型的磁异常多特征融合网络(MMF)。【方法】充分利用标准正交基函数(OBF)和最小熵(MED)两种检测特征,以全面而准确地捕捉漏磁信号的复杂特性。首先,在不同物径距离上利用OBF和MED进行磁异常检测,获取实测目标磁场特征;其次,融合磁场特征设计多特征融合网络MMF,并引入多头注意力机制捕捉序列磁场中的复杂关系和特征;最后,采用多特征熵权法MFEW,根据输入特征熵分配网络权重。【结果】实验结果显示,MMF网络异常分类达到了98.86%的精度,AUC评估结果为99.25%,同时模型更加精简,具有更高的计算效率,能够在相对较短的训练时间内取得令人满意的性能。

基于空间平滑算法的改进多重信号分类算法

为了提高传统解相干算法的估计精度,提出了一种基于空间平滑算法的改进多重信号分类算法。将空间平滑算法的子阵互相关产生的前向平滑修正矩阵和后向平滑修正矩阵与子阵自相关矩阵互相关产生的前向平滑修正矩阵和后向平滑修正矩阵分别相加,得到新的前向平滑矩阵和后向平滑矩阵,再通过矩阵分解法将新的前向平滑矩阵和后向平滑矩阵进行组合,使用奇异值分解对组合后的矩阵进行分解得到信号的噪声子空间,并通过多重信号分类算法进行估计,最大限度的利用了前向平滑修正矩阵和后向平滑修正矩阵的信息。经过仿真验证,该算法在信号相干条件下能精确地估计入射角度,并且对比现有的解相干算法在信噪比相同条件下估计性能提升了9%。

基于非负矩阵分解的次声信号分类方法

在中国科学院声学研究所大气次声波观察网实地采集的爆炸、地震、闪电、再入4类次声事件105组阵列数据集的基础上,提出应用非负矩阵分解的特征提取方法,对次声信号的自动分类方法进行了研究。针对特征设计过程复杂的问题,该方法使用非负矩阵分解自动挖掘目标信号的隐含结构作为特征。将此特征作为支持向量机和卷积神经网络输入进行分类,以提高特征设计的效率与分类的识别准确率。研究结果指出,在测试集上的平均识别准确率达到了83.13%,相对于传统方法,简化了特征设计过程,并取得更好的分类结果。

基于FVC-CNN模型的野外车辆声信号分类

针对野外环境下单通道车辆声信号受风噪影响严重、分类性能较低的问题,提出一种基于声阵列4通道同步采集信号的一维卷积神经网络模型(FVC-CNN)。该模型借鉴注意力机制加权平均的思想对Inception网络结构进行改进,作为输入层有针对性地提取4通道声信号多个不同时间尺度的特征,抑制噪声干扰,再根据不同车辆声信号特征分布特点,分别训练3个特征提取网络SWNet、LWNet和TNet来提取相应车辆的特征,最后对提取的特征进行多分支多维度的融合以供分类。在相同数据集上进行验证,实验结果表明,FVC-CNN模型总识别率可达94.22%,相较于传统方法识别率提高14.08%,取得了较好的分类效果。

基于LMD和CSP的多域融合脑电信号分类方法

运动想象脑电信号非平稳、非线性和微弱性特征明显,采用传统单一维度特征进行分类时存在识别率低、鲁棒性差的问题。提出一种基于局部均值分解(Local Mean Decomposition,LMD)和共空间模式(Common Spatial Pattern,CSP)的多域融合脑电信号分类方法,采用LMD对运动脑电信号进行自适应分解得到多个乘积分量(Product Function,PF),进而从PF中提取反映不同信号差异特性的12维时-频域特征,将PF作为CSP的多通道数据进行分解,并提取18维空域特征。利用相关向量机(Relevance Vector Machine,RVM)分类器对30维时-频-空域特征进行特征选择和分类识别,在自动确定最优分类特征的同时获得理想的分类结果。基于BCI竞赛数据开展实验,结果表明,所提方法可以获得优于95%的正确分类性能,并且在低信噪比条件下具有较强的噪声稳健性。

基于混合感知机网络的心音信号分类

根据不同类型心音数据的时频转换双谱图所呈现出的局部与全局分布特性与差异,提出了基于混合感知机网络模型的心音分类方法,旨在构建轻量级深度网络模型,并提升模型对双谱图的局部纹理和全局分布结构的感知能力。该方法首先对心音数据进行预处理以及时频转换,然后以转换双谱图为模型输入,将双谱图划分成大小相等的图像块,通过全连接层分别对各划分块进行预设的投影嵌入,学习各划分块的局部空间信息;其次,设计包含块内通道感知(Channel-Mixing,CM)与块间感知(Token-Mixing,TM)模块的混合感知层,分别学习高层次局部信息以及各划分块之间的区域相关性;最后通过交叉熵函数完成心音信号分类。实验表明,与其他深度模型相比,本文所提方法以较低的计算量取得了较高的分类精度。

基于空间平滑多重信号分类算法的低角目标探测

基于阵列信号处理的目标回波到达方向(DOA)估计算法具有分辨力强、估计精度高、抗干扰能力强的特点,是目标测向的研究热点。多重信号分类(MUSIC)算法就是基于阵列信号处理的目标测向算法之一,传统的多重信号分类算法假设目标回波是互不相关的,这导致其应用效果受到较大的限制。在传统多重信号分类算法的基础上,采用空间平滑多重信号分类算法进行目标回波解相干处理,推导给出了估计目标回波到达角度的表达式以及该算法的实现流程框图,并结合数值模拟结果以及实际应用场景对该算法的优缺点进行了对比分析。空间平滑多重信号分类算法在低角目标探测、单目标多径问题、多目标到达角度与多目标数量估计等方面具有一定优势。

基于深度学习和模糊C均值的心电信号分类方法

针对长时海量心电信号自动分类系统中,心电专家诊断费时、费力和成本高,心电信号形态复杂导致特征提取困难,异常诊断模型适应性差、准确度低等问题,本文提出一种基于深度学习和模糊C均值的心电信号分类方法.该方法主要包括心电信号降噪预处理、心电信号分段和采样点统一化、无监督心跳特征学习、模糊C均值分类4个步骤,给出了模糊C均值深度信念网络FCMDBN模型结构和学习分类算法.仿真实验基于MIT-BIH心率异常数据库表明,与基于传统心电特征人工设计的分类方法相比,本文提出的信号诊断方法具有较高的适应性和准确度.

基于瞬时频率二次特征提取的辐射源信号分类

提出了基于瞬时频率二次特征提取的雷达辐射源信号分类方法.首先利用改进的瞬时自相关算法提取信号的瞬时频率特征.在此基础上,对所获得的瞬时频率进行级联归一化处理,提取分类特征向量.最后,采用层次决策方法实现自动分类.仿真结果表明,该方法提取的特征向量具有较好的类间分离性,整体信号分类方案在信噪比不低于6 dB时,可获得90%以上的分类准确率.

基于压缩多信号分类算法的森林区域极化SAR层析成像

该文研究了一种基于压缩多信号分类算法的森林区域极化SAR层析成像方法。其具体步骤包括:全极化的SAR接收成像区域的反射回波,利用各极化通道的信号建立多观测向量模型;应用小波基对高程向结构进行稀疏表示,采用压缩多信号分类算法对观测区域的高程向后向散射系数进行重建,实现对森林区域层析成像。最后,通过仿真实验、Pol SARpro仿真数据和德宇航E-SAR的P-波段数据验证了该方法在同等测量精度的要求下可以有效减少SAR层析成像所需的航过数,同时降低了虚假目标的出现概率。