基于对数条件似然比的无偏自同步扰码识别

为克服现有无偏自同步扰码识别算法在低信噪比(SNR)下存在适应性差的缺点,该文提出一种基于对数条件似然比的软判决识别方法。该方法首先构建了线性分组码自同步加扰和卷积码自同步加扰的对偶向量积线性约束方程;然后推导了基于软判决的对数条件似然比函数衡量方程的成立概率,并分析了其均值和方差的分布特性;最后通过2元假设和推导的相应判别门限来完成两种自同步加扰的识别。仿真结果表明,所提算法能够在低信噪比下完成生成多项式的识别,具有较好的适应能力,与基于求解代价函数的识别方法相比,在信噪比低于3 dB时的算法识别率得到较大提高,识别率为90%时,约有3 dB的性能增益。

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio,SNR)下雷达信号脉内调制类型识别率较低的问题,提出了基于时频特征提取和残差神经网络的雷达信号识别算法。时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解,按照Chirp基载频与调频率的不同组合对信号划分类别,并设置对应的分类特征参数。然后,计算信号的伪Wigner-Ville时频分布并提取Zernike矩。上述特征参数组成信号特征矢量,使用残差神经网络分类器实现雷达信号识别。仿真结果表明,在SNR=-2 dB时识别准确率能达到93%以上,同时鲁棒性验证良好,算法复杂度能够满足现实要求。

基于Hilbert-Huang变换与对抗训练的特定辐射源识别

为有效解决特定辐射源的个体识别问题,提出一种基于Hilbert-Huang变换与对抗训练相结合的方法。首先根据辐射源硬件差异,建立辐射源信号的数学模型;其次,对信号进行Hilbert-Huang变换得到Hilbert谱;然后,在预处理过程中,从信号所有的Hilbert谱时频点对应的能量值中,确定最具区分度的一组能量值,并记录其对应的时频点;最后,对每一类辐射源信号的Hilbert谱提取上述记录的时频点对应的能量值,将其送入卷积神经网络进行训练与测试,并通过对抗训练的方式提升网络的抗噪性能。识别准确率实验表明,对比不进行对抗训练的方法以及不进行预处理与对抗训练的方法,所提算法的识别率分别平均提升3.1%与5.45%。识别鲁棒性实验表明,所提算法训练样本为100时即可达到较好识别效果,同时随着辐射源个数增多优势更加明显。复杂度分析表明,所提算法能有效降低神经网络在大量训练与识别过程产生的运算量。

基于STM32的语音声纹识别系统设计

采用嵌入式技术,设计的基于STM32的语音声纹识别系统能实时录入语音信息并提取语音特征,与预先训练的语音特征数据库进行比对,从而实现身份识别。该系统采用基于梅尔倒谱系数的矢量量化算法,通过语音声纹的不同进行人员身份识别。设计过程首先提取Mel倒谱系数并矢量量化压缩数据,提高系统处理速率,再通过MATLAB仿真实验证明算法的可行性,最后开发嵌入式程序,搭建以STM32为核心的系统电路,以实现语音识别功能。测试结果表明,该系统识别准确率95%以上,且工作性能良好,可靠性较高。

基于卷积神经网络与对抗训练的通信调制识别方法

针对传统的基于卷积神经网络的通信调制识别方法存在的缺陷,本文提出一种基于卷积神经网络与对抗训练的通信调制识别方法。该方法首先构建卷积神经网络作为深度学习模型,然后通过卷积核提取调制信号的特征参数,并通过对抗训练的方法提升网络的抗噪性能。最后采用SoftMax层输出识别概率,达到多调制识别的目的。实验结果表明,在缺少信道和噪声等先验信息的条件下,该方法的识别率得到了进一步提升,能有效识别16QAM,64QAM等11种调制类别,具有较好的工程应用价值。