基于稀疏深度神经网络的电磁信号调制识别

为在低复杂度约束条件下提升电磁信号调制识别的性能,提出了一种基于稀疏深度神经网络(Sparse Deep Neural Network,SDNN)的电磁信号调制识别方法。首先,通过提取电磁信号同相和正交两路数据绘制出信号的星座图,作为信号的浅层特征表达;然后,基于星座图中各信号点密度大小对星座图进行上色,增强星座图中信号特征;最后,通过SDNN对增强后的星座图进行识别分类。实验结果表明,SDNN模型选取合适的剪枝率后,能够有效降低模型存储规模和计算量,其中模型参数压缩了72%,浮点运算量压缩了45%,与原模型97%的综合识别率相比,稀疏化处理后模型的综合识别率为96.8%,在小幅度识别精度损失范围内大幅降低了模型复杂度。

基于深度稀疏学习的鲁棒视觉跟踪

视觉跟踪中,高效鲁棒的特征表达是复杂环境下影响跟踪性能的重要因素。提出一种深度稀疏神经网络模型,在提取更加本质抽象特征的同时,避免了复杂费时的模型预训练过程。对单一正样本进行数据扩充,解决了在线跟踪时正负样本不平衡的问题,提高了模型稳定性。利用密集采样搜索算法,生成局部置信图,克服了采样粒子漂移现象。为进一步提高模型的鲁棒性,还分别提出了相应的模型参数更新和搜索区域更新策略。大量实验结果表明:与当前主流跟踪算法相比,该算法对于复杂环境下的跟踪问题具有良好的鲁棒性,有效地抑制了跟踪漂移,且具有较快的跟踪速率。

基于指标关联的舰载机出动架次率预测方法

舰载机出动架次率作为衡量航母战斗力的关键指标,对航母舰载机系统的安全高效运行十分重要。建立根据实时数据预测当前出动架次率的模型,将会为航母指挥官的实时调度提供重要参考。首先,从指标原始数据出发,基于大数据关联度分析、社区发现及主成分分析法,确定指标之间的树状关系,从而建立稀疏深度神经网络。同时,为了保证更好的训练效果,选取标准化、L2正则化、Adam优化器作为神经网络的优化算法进行训练。仿真结果表明,在航母舰载机持续性出动任务下,所提方法能够实现对舰载机出动架次率的快速、准确、实时预测。

基于深度特征自适应融合的运动目标跟踪算法

针对传统跟踪算法在复杂场景下抗遮挡能力和鲁棒性差的问题,提出一种基于深度特征自适应融合的运动目标跟踪算法。考虑到深层特征强鲁棒性和浅层特征高精度的优点,首先利用稀疏自编码器构建深度稀疏特征以提取目标特征,再根据相邻帧之间的关联信息和跟踪置信度对深度特征和纹理信息进行自适应融合以提高跟踪器的性能。为了提高跟踪算法鲁棒性的同时抑制跟踪漂移,当置信度低于设定阈值时,引入改进SURF算法对目标进行定位。实验结果表明:与主流跟踪算法相比,所提算法的跟踪精度高,在遮挡场景中具有良好的鲁棒性,并且能够有效抑制跟踪漂移。