基于通道融合的调制信号识别方法

针对现有调制方式识别存在的计算量大、网络模型复杂、识别准确率低等问题,文中提出一种基于通道融合的新型调制方式识别方法。该方法由双流卷积神经网络模块和GRU神经网络模块构成,其中双流卷积神经网络为两条并联的深度可分离卷积子网络,分别提取信号不同尺度下的空间特征,同时添加短路连接来增加特征传递与重用。将两通道提取到的特征在通道维度上进行融合,进而形成更为丰富的融合特征。将融合特征输入至GRU神经网络模块中提取信号的时序特征,提取的互补信息可使网络学习到更加全面的信号特征,从而提高调制方式识别的精度。在数据集RadioML2016.10a上进行实验,实验结果表明,所提方法的网络性能优于其他神经网络算法,信噪比在0 dB以上时识别率可达到90.8%,能够有效提高自动调制识别的准确率。

基于多信号流图的测试性建模与分析方法

为了实现大型设备高效、精准的故障诊断与预测,针对故障监测点的设计与分布,本文提出了以信息流模型为基础,融合多信号流模型的测试性建模与分析方法;该方法通过层次化的多信号流模型构建大型设备的测试性模型,生成故障-测试依赖矩阵;以依赖矩阵为基础,进行测试性指标分析,生成测试性分析报告;最后利用某雷达发射机系统进行验证,结果表明,该方法对于系统级的测试性建模与分析方法是有效的,具有良好的应用前景。