基于去噪卷积神经网络的雷达信号调制类型识别

针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统。首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Inception-V4网络进行特征提取,并使用softmax分类器进行分类,实现LPI雷达信号的有效分类识别。仿真结果表明,该方法在–10 dB信噪比(SNR)下,识别率仍然可以达到90%以上。

基于去噪卷积神经网络的面波噪声压制方法

提高地震资料的信噪比是地震数据处理的重要任务之一,与依赖信号模型及其相应先验假设的传统地震噪声衰减算法相比,基于大型训练集的深度神经网络的去噪方法通过对大型数据集进行学习,训练完成后可以对面波进行自适应智能降噪。根据叠前高密度地震数据的特点,建立面波去噪训练库,通过去噪卷积神经网络来衰减地震数据的面波噪声。为了准确高效地提取地震数据面波噪声的特征,采用残差学习和批量标准化相结合的方式来加快训练过程并提高算法的面波去噪效果,去噪卷积神经网络能够有效处理未知噪声水平的面波降噪。模型数据和单点高密度地震数据测试结果表明,常规带通滤波及变分模态分解方法对有效信号损伤较大,而去噪卷积神经网络在高效去除面波噪声的同时能够较好地保护有效信号。

基于近似U型网络结构的图像去噪模型

针对图像去噪中的去噪效果差、训练周期长的问题,提出一种基于近似U型网络结构的图像去噪模型。首先,使用不同步长的卷积层将原有的线性网络结构修改为近似U型的网络结构;然后,将不同感受野的图像信息叠加以尽可能地保留图像的原有信息;最后,引入反卷积网络层进行图像恢复和噪声的进一步去除。在Set12与BSD68测试集上与去噪卷积神经网络(DnCNN)模型相比,所提模型的峰值信噪比(PSNR)平均提升了0.04~0.14dB,训练时长平均缩短了41%。实验结果表明,所提模型具有更好地去噪效果和更短的训练时长。

基于上下文聚合网络的图像去噪性能分析

近年来,随着神经网络理论的拓展,神经网络模型在图像处理领域得到了广泛的应用。利用上下文聚合网络实现双边滤波器算子逼近,分析其图像去噪性能。结果表明,逼近双边滤波算子的上下文聚合网络能够实现图像降噪,改善图像质量,且处理效果优于传统的双边滤波器。此外,对比分析了上下文聚合网络和去噪卷积神经网络的图像去噪性能。相比于去噪卷积神经网络,逼近双边滤波运算的上下文聚合网络处理多幅图像的速度更快,时效性更好,且随着处理图片数量增多,性能越优。相反,去噪卷积神经网络的去噪性能更优,但处理速度慢。

电力线载波通信中基于深度学习的信道估计

【目的】电力线载波(PLC)通信系统采用基于帧突发的传输模式,由于PLC系统的收发信机之间存在载波频偏、PLC信道存在各种噪声以及时变特性,加之PLC系统没有专用参考信号,传统信道估计对PLC信道没有跟踪预测能力,进而造成PLC系统性能恶化。【方法】文章针对现有问题,提出了一种基于长短期记忆(LSTM)神经网络和去噪卷积神经网络(DnCNN)的去噪长短期记忆(DnLSTM)神经网络,并利用该DnLSTM神经网络进行了PLC信道估计。首先对DnLSTM神经网络进行离线训练再保存训练好的DnLSTM参数,之后将其部署到PLC系统中,加载训练完成的参数后再进行在线预测,得到PLC系统信道响应。在电力线系统仿真中,文章采用最小二乘法(LS)、最小均方误差(MMSE)算法以及DnLSTM神经网络进行信道估计,给出在高斯白噪声(AWGN)、组合噪声、色噪声和脉冲噪声条件下的仿真结果,同时调整了用于信道估计的前导符号数量并进行了对应的仿真。【结果】仿真结果表明,DnLSTM神经网络进行信道估计的精度与采用的前导符号数量有关,采用4个前导符号进行信道估计,其估计精度优于LS,接近MMSE算法,并且DnLSTM神经网络具有很好的抵抗载波频偏以及信道时变的能力。当用于信道估计的前导符号越多时,低信噪比(SNR)情况下的PLC系统性能越好,高SNR情况下的PLC系统性能相似。【结论】通过以上仿真可得出,基于LSTM和DnCNN的DnLSTM神经网络可以很好地估计存在频偏的PLC系统信道响应,可实时跟踪其变化。

基于改进DnCNN的RIS辅助毫米波系统信道估计

RIS是第六代移动通信系统中潜在的候选技术之一。然而,由于无源的RIS缺乏信号处理能力,这给RIS辅助毫米波大规模MIMO系统的信道估计带来了挑战。为了获得更精确的信道状态信息,将信道估计转化为图像去噪问题,提出改进的DnCNN来完成信道估计任务。具体地,采用LMMSE对信道进行粗估计。融合注意力机制网络和噪声水平估计子网络对DnCNN进行改进,以提高网络对噪声的提取性能和自适应性能,实现从信道的粗估计中得到高精度信道估计值。仿真实验表明,所提算法在低信噪比下具有较好的估计性能。

基于改进DnCNN的机车信号抗干扰算法

在高速和重载铁路牵引电流干扰严重区段,机车信号对于谐波干扰难以采用传统的时域或频域滤波方法有效抑制,导致掉码、延迟上码、误码等现象出现,影响运营效率.为此,本文首先改进去噪卷积神经网络(Denoising Convolutional Neural Networks,DnCNN),将网络中堆叠的单一尺度的卷积核替换为多尺度卷积核,在保证网络性能的同时降低网络深度,并通过残差学习方式得到预估的噪声分布,进而通过对消的方式抑制落入有效频带中的骚扰,使FSK(Frequency-shift Keying)信号低频幅值在有用频带附近最大化,提高信噪比(Signal-to-Noise Ratio,SNR).通过将本方法与常见的信号去噪算法进行仿真对比分析,并利用现场实测信号解码验证,结果表明,该方法能提升信噪比约13 dB,可以更准确地提取FSK机车信号特征频率,为提高机车信号抗干扰性能提供了新的途径.

基于DnCNN 的侵彻过载时频去噪方法

目的提高从侵彻过载中准确估计刚体过载信号的能力。方法提出一种基于前馈去噪卷积神经网络(DnCNN)的侵彻过载时频去噪方法,该方法首先应用短时傅里叶变换(STFT)提取侵彻过载信号的时频图像,使DnCNN能够充分利用时频图像信息,估计出刚体过载时频图像。最后,通过逆STFT将时频图像转换回时域,得到估计的刚体过载信号。结果在5-Fold交叉验证中,所提方法在测试集上的平均绝对误差(MAE)为0.968%,Pearson相关系数(r)为90.35%。与低通滤波、总体经验模态分解(EEMD)和小波变换方法相比,所提方法的平均MAE分别降低了1.82%、1.00%、0.75%,平均相关系数r值分别提高了47.81%、17.48%、22.93%。结论所提方法可以从侵彻过载中准确估计出刚体过载信号,在去噪能力上优于低通滤波、EEMD和小波变换方法,且在去噪过程中,无需调整参数,能够自动完成去噪任务。

基于DnCNN的海面目标一维距离像识别方法

针对低信噪比条件下海面目标分类识别精度差的问题,该文提出了一种基于去噪卷积神经网络(Denoising convolutional neural network,DnCNN)的海面目标高分辨一维距离像(High Resolution Range Profile,HRRP)识别方法。所提方法设计了一个海面目标分类识别模型,该模型通过其中的降噪模块提高信噪比。首先,分析了HRRP和二维图像的相似特性,将HRRP降噪转变为二维图像降噪。其次,利用深层次卷积层与批归一化层相结合的结构,提取图像深层次的噪声特征,最后采用残差学习技术,减轻深层次网络的学习负担的同时重构图像进行分类识别。实验结果表明,该模型可以有效提升低信噪比条件下的海面目标分类识别正确率,在不同信噪比条件下其识别性能均优于对比模型,具有良好的识别性能和鲁棒性。

基于光谱快速探测的光纤随机激光动态传感

拉曼光纤随机激光结合无源传感单元可以实现超长距离的准分布式传感。然而,受限于光谱探测速度,该传感方案通常只适用于静态传感领域。针对该问题,将拉曼光纤随机激光与拍频光谱探测技术相结合,提出了一种新型的拉曼光纤随机激光长距离动态传感技术。首先,基于含时光谱稳态模型论证了光谱快速测量对长距离动态传感的适用性。随后,在原理性验证实验中通过处理本振光与光纤随机激光拍频后的时域信号,实现了对光纤随机激光光谱的快速测量,并突破了光波往返时间对传感带宽的限制。同时,利用去噪卷积神经网络对光谱的中心波长变化进行标定,大幅提高了扰动信号探测的信号质量,实现了对不同频率、不同波形的扰动信息的准确测量。该研究为进一步拓展光纤随机激光的应用领域提供了新的思路。