数据驱动的双通道CNN-LSTM调制分类算法

为同时利用卷积神经网络(Convolutional Neural Network, CNN)的空间特征提取能力和长短时记忆(Long Short-Term Memory, LSTM)网络的时序特征提取能力,提出了一种由双通道一维CNN与LSTM相互串联的调制分类算法。算法采用数据驱动的方式,直接将信号送入至2路CNN提取其在不同维度的空间特征信息;把2个通道的特征融合信息输入至LSTM学习其时序上的特征;与全连接网络连接实现对5种目标信号的调制分类。实验结果表明,CNN与LSTM相互串联能够学习到更加丰富的特征信息,更有利于分类;与传统方法相比,提出的方法无需人工提取信号特征,减少了预处理步骤并有效提升了识别性能。

基于星座图和密集连接网络的QAM信号识别

利用深度神经网络对图像数据的显著学习能力,提出了一种基于通信信号星座图和密集连接网络(DenseNet)的正交幅度调制(Quadrature Amplitude Modulation,QAM)信号调制分类算法。算法首先对接收信号进行预处理,获取训练所需的星座图数据集,然后采用DenseNet对其进行训练学习,进而实现调制分类。同时在DenseNet网络中引入通道注意力机制,进一步增强特征的学习能力,提升分类性能。对不同信号长度、不同神经网络以及存在频偏和相偏估计误差等场景进行了多组实验。仿真结果表明:DenseNet相比卷积神经网络(Convolutional Neural Network,CNN)和残差网络ResNet-20能够有效提升分类准确率;相比基于累积量、累积分布及原始IQ(In-phase and Quadrature)数据等现有方法也均取得了较优的识别性能。

基于循环谱和深度神经网络的调制识别算法

针对通信调制信号的循环谱存在数据量大、采用神经网络训练耗时等问题,提出了一种联合自编码器(Auto-Encoder,AE)和卷积神经网络(Convolutional Neural Network,CNN)同时完成数据降维和调制识别的算法——AE-CNN。该算法以循环频率轴的投影作为输入,采用AE实现对数据压缩,并将AE隐层输出至CNN,通过联合训练实现对6种不同信号的调制识别。同时分析了基于CNN、主成分分析(Principal Component Analysis,PCA)和AE三种方法的识别性能。实验结果表明,与基于PCA和AE的算法相比,AE-CNN的识别性能分别提高了约1.6%和2.1%;相对于基于CNN的方法能够大幅减少训练时间,并在识别性能上提升约1.2%。

鲁迅《两地书》中称呼与署名探微

《两地书》所收书信中使用的称呼与署名有着微妙的变化 ,本文根据这些变化对鲁迅与许广平由师生、战友发展为恋人、伴侣的情感变化历程进行了探讨。

鲁迅小说中“跨篇人物”初探

优秀的文艺作品,其成功之处并不单纯在某一方面,而是许多方面,甚至是全方位的立体给读者提供其所要表达的思想内容和所要反映的社会问题,鲁迅先生的小说中“跨篇人物”正是这方面一个突出的实例。