基于深度学习的多进制相移键控信号调制识别研究

国内外众多的学者针对信号的调制识别做了许多深入的研究,并不断地研究出各种调制识别方法。针对多进制相移键控信号(multiple phase shift keying, MPSK)的识别效果不理想,给出了基于深度学习的识别模型,利用信号的时频图和星座图相关特征进行MPSK调制信号类型的识别,并基于时频图和星座图的识别结果进行决策融合,对比3种方法的识别效果,实现对MPSK信号识别效果的有效提升。

基于EfficientNet网络的水声通信信号调制识别

提出一种基于EfficientNet网络的复杂水声信道下非合作水声通信信号调制识别方法。与传统的深度学习网络相比,EfficientNet网络具有更高的效率和更小的模型大小。该方法通过对2FSK、4FSK、BPSK、QPSK、DSSS-BPSK和OFDM水声通信信号的时频特征进行分析,将二维时频图作为EfficientNet网络的训练集和测试集,使用训练集训练EfficientNet网络模型,并使用测试集确定模型的准确性和效率,完成对水声通信信号的调制识别。实验结果表明:在内场实验中,信噪比大于8 dB时,所研究6种信号的调制识别率均在85%以上;通过外场数据测试,信号调制识别率均在80%以上,验证了该方法在减少模型的大小和计算成本的同时,可保证较高的水声通信信号的调制识别准确率。

基于联合残差网络和Bottleneck Transformer的调制格式识别方法

针对未来光网络链路中的传输需求,提出一种基于联合残差网络(ResNet)和Bottleneck Transformer(BT)的调制格式识别(MFI)方法。该方法结合ResNet和BT对6种不同调制格式的信号进行识别,并应用OptiSystem和TensorFlow对其进行仿真。仿真结果表明:在较宽的光信噪比(OSNR)范围内,所提方法的准确率达到了99.72%,并且能够很好地应对传输损伤的影响;与其它深度学习方法相比,该方法性能显著提升。

基于CNN-BiLSTM混合神经网络的雷达信号调制方式识别

针对具有时频特性的雷达信号,传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求,因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积-双向长短时记忆(Convolution-Bidirectional Long Short-Term Memory,CNN-BiLSTM)混合神经网络模型,主要通过BiLSTM的时序记忆特性深度挖掘雷达信号的时域特征,结合权值共享特性和CNN层捕获雷达信号的时频特征,再利用二者信号特征联合完成对雷达信号调制方式的识别。通过对比实验验证,所提方法对若干种雷达信号的识别具有较高的准确度,平均值达到95.349%;优于只使用单一特征的网络和传统算法,具有良好的抗噪声能力。

基于特征线性调制深度学习网络的馈线负荷构成特征识别

随着电网规模越来越大,结构越来越复杂,供电可靠性的要求越来越高,通过现场试验的方式获取电力负荷的动态特性变得十分困难。提出了基于统计综合法的思想,运用电力系统仿真软件,通过仿真计算的方式得出对应电力负荷的动态特性。为了获得馈线负荷构成比例识别所需的负荷数据库,建立了包含变频空调负荷、分布式光伏负荷、感应电机负荷以及静态负荷的电网模型,通过设置电压跌落,得到不同负荷情况馈线功率数据,建立馈线负荷数据库,运用基于特征线性调制的改进深度学习网络的方法挖掘负荷节点或馈线功率变化的特征,并对负荷构成进行识别。结果经过训练后,与传统BP神经网络进行对比,识别准确率达到99%以上,部分负荷可以达到99.6%以上,有着较高的识别准确度。

基于深度学习的多进制相移键控信号调制识别研究

众多学者深入研究了信号调制识别方法,但对于多进制相移键控信号(MPSK)的识别效果不佳。本文提出基于深度学习的识别模型,利用时频图和星座图特征识别MPSK信号类型,并融合两种识别结果进行决策。对比三种方法,有效提升了MPSK信号的识别效果。

基于卷积长短时网络的调制识别技术研究

随着深度学习的发展,更多的研究者将调制方式识别与深度学习网络结合,充分利用了神经网络无需先验信息的特点,促进了自动调制识别(Automatic Modulation Recognition, AMR)技术的发展。但是AMR技术存在低信噪比下泛化能力有限,分类精度不高的问题,提出了一种由卷积神经网络(Convolutional Neural Network, CNN),长短时记忆(Long Short-Term Memory, LSTM)网络和深度神经网络组成的模型-卷积长短时深度神经网络(Convolutional Long Short-Term Deep Neural Networks, CLDNN)。将预处理的数据集通过CNN对信号进行空间特征提取,再通过LSTM模块对数据集进行时间特征提取,最后通过全连接层对数据集分类。实验结果表明,CLDNN模型相对于主流使用的残差网络(Residual Network, ResNet)模型、CNN模型等在性能上有显著的提高,在信噪比为30 dB时保持93.09%的高效识别,在信噪比为-10 dB时,实现54.32%的有效识别。

一种信号调制识别网络的轻量化设计

神经网络在信号调制识别领域得到了广泛关注和研究。针对现有调制识别算法为提高识别准确率,导致模型尺寸过大、计算时间过长的问题,提出了一种调制识别神经网络的轻量化设计方案。该方案由信号失真校正模块和分类模块两部分组成。其中,信号失真校正模块通过参数估计器提取相位偏移信息,再经参数转换器对相位偏移进行参数校正,保证信号识别精度;分类模块由一维卷积神经网络(One-Dimensional Convolutional Neural Network,1D-CNN)、选通递归单元(Gated Recurrent Unit,GRU)和高斯衰减层构成,从时间和空间的角度有效提取信号特征,并减少冗余参数量以缩减模型大小。仿真结果表明,所提方案与同精度网络相比,平均识别准确率提升0.21%,计算时间缩减到1/3.4,模型尺寸缩减到1/7.77。

基于自监督对比学习的信号调制识别算法

近年来,基于深度学习的信号调制识别技术发展迅速,但大多数解决方案以监督学习方法为主,需要大量带标签样本。考虑到信号数据样本分析标注难度大、成本高,提出了一种通过自监督对比学习利用大量无标签样本进行模型预训练、基于预训练特征值提取及利用少量带标签样本进行调制识别训练的学习方法,可大幅降低训练所需的带标签样本数量。在RadioML2018.01A上的试验表明,所提方法仅需1%的带标签数据就能达到全数据集上与监督学习模型相当的性能,且带标签数据减少至0.1%时,对信噪比大于等于8 dB的24类调制信号的识别准确率仍然能达到93%以上。

改进MobileNetV2算法的番茄叶片病害种类识别

番茄叶片病害种类具有差异较小、肉眼难以辨别的特点.针对经典卷积神经网络参数多、计算量巨大、模型识别率较低以及预测误差较大等问题,提出一种改进MobileNetV2网络的病害识别方法.在适当的网络层加入通道和空间注意力机制增强网络对于病叶片特征的细化能力以及减少无关特征的干扰,使用Ghost模块替换原模型中部分倒残差块,保证模型精度的同时减少参数量.利用LeakyReLU激活函数保留特征图中更多的正负特征信息,增强模型的鲁棒性.在公共数据集PlantVillage选取早疫病,晚疫病,班枯病,细菌性溃疡病,红斑叶螨病,叶霉病,细菌性斑点病等10种番茄病叶片作为数据集进行实验.实验结果表明,改进MobileNetV2网络分类准确率达到98.57%,相较于原MobileNetV2,准确率提高了2.29%,模型大小减小了22.52%,优化效果较为显著.

基于优化CBAM改进YOLOv5的农作物病虫害识别

针对多种农作物病虫害图像,在自然环境下因虫害种类繁多,小目标特征相似的技术问题,导致检测困难难以达到令人满意的精度.本文提出了一种自然背景下加强局部特征和全局特征信息融合的害虫检测识别模型YOLOv5-EB,在公开的大规模害虫数据集IP102上进行实验,结果表明该研究比YOLOv5模型精确度提高了5个百分点.引入一维卷积替换CBAM中通道注意力的MLP操作,优化了通道注意力经过全局处理后容易忽略通道内信息交互的问题;其次使用6×6卷积替换Focus操作,来增强提取害虫特征的能力.实验结果表明,对害虫进行检测时,YOLOv5-EB的平均精度值达到了87%,与Faster R-CNN、EfficientDet、YOLOv3、YOLOv4、YOLOv5模型相比,不仅有效提高了作物害虫图像的识别性能,而且有效提高了检测速度.研究表明,YOLOv5-EB算法满足对多种农作物病虫害目标检测的准确性和实时性要求.

基于卷积神经网络的自动调制识别方法

针对调制信号识别精度不足的问题,提出了基于卷积神经网络和注意力机制的识别方法。该方法在卷积神经网络的卷积层与池化层之间增加了注意力机制,赋予调制信号关键特征更高的权重,对信号进行时频分析并转换为频谱图作为模型的输入,模型分别对八种数字调制信号及三种模拟调制信号进行识别。按照控制变量原理设置了两组对比实验,将该文方法与现有方法进行对比,实验结果表明,该文方法在信噪比为-10~14 dB时,识别准确率提高了0%~9%,在信噪比为0 dB时准确率提高了近9%,由实验结果可知该文提出的方法优于现有方法。

基于差分星座轨迹图的多任务802.11b/g信号识别方法

针对802.11b/g无线信号的调制方式识别和辐射源个体识别问题,提出了一种基于差分星座轨迹图的多任务卷积神经网络识别方法。将调制识别和辐射源个体识别看作两个相互关联的学习任务,通过共享参数的深度网络提取差分星座轨迹图的特征,并由结构不同的两个分支网络进行分类识别,同时对这两个任务进行联合优化训练并相互促进学习。实验中使用6个不同的路由器进行验证,结果表明相比于单任务模型的识别方法,多任务模型所用的训练时长和模型所占内存均比两个单任务模型之和少,同时对辐射源个体、调制方式的识别率分别平均提高了1.17%和3%。

基于深度学习的电磁信号调制识别方法

电磁信号调制识别是电磁信息安全领域的重要技术基础。该文针对无线衰落造成电磁信号调制识别准确率低的问题,研究比较了基于深度学习的无线衰落信道电磁信号的调制识别方法。通过Matlab仿真生成同向正交(IQ)电磁信号数据,比较分析了AlexNet、VGGNet、ResNet和DenseNet四类神经网络模型的信号调制识别准确率,得到适合应用于无线衰落信道电磁信号调制识别的模型。结果表明,DenseNet神经网络对信号调制识别的准确率最好,达到82.10%。本研究为电磁信号调制识别在电磁信息安全等领域的应用提供重要参考。

基于LCNN-Ⅱ模型的光通信信号调制格式识别方法

针对光通信信号调制格式识别准确率较低的问题,提出了一种基于改进Inception结构的轻量级卷积神经网络(Lightweight Convolutional Neural Network with Improved Inception,LCNN-Ⅱ)模型的光通信信号调制格式识别方法。以不同传输条件下调制格式的星座图为基础,使用二值化、灰度增强、邻域灰度增强这3种特征图像生成算法对星座图进行处理,生成特征图像矩阵,构建调制信号的特征参数的数据集。利用改进的Inception结构,设计集成Inception模块的LCNN-Ⅱ模型,以提高模型的识别准确率。仿真结果表明,所提方法可以较好地保存光通信信息图像的特征,在传输距离为120 km的条件下,识别准确率达到了95.71%。与相关方法相比,所提方法的识别准确率较高。

基于改进VGG16卷积神经网络的烟丝类型识别

为改善人工分拣烟丝效率低下,分类效果差导致香烟品质难以得到保证的现象,提出一种将机器视觉和深度学习相结合的烟丝类型识别方法。实验采集了4种烟丝图像并经过预处理以后送入以VGG16为基础改进的Light-VGG网络模型中进行分类,改进包括减少VGG16中卷积核个数以优化网络结构;增加残差模块以提升模型学习能力;使用全局池化代替全连接层,大幅减少网络参数量,应对网络过拟合。Light-VGG相比VGG16参数量减少96.5%,预测时间减少20.3%,在自建烟丝数据集中准确率达到95.5%,也明显高于其他神经网络(AlexNet、VGG13、GoogLeNet),实现了快速、准确识别烟丝类型的目标。

数据驱动的ADS-B干扰源信号类型识别

传统干扰源信号类型识别方法在提取干扰信号的细微特征时,存在干扰信号调制类型分类精度低、识别效果差等缺点。对此,本文提出一种基于深度神经网络的ADS-B干扰信号调制类型识别算法。首先将ADS-B信号和干扰波形进行叠加混合,通过控制矢量信号发生器(VSG)进行仿真信号发射,并在接收端进行采集;接着对接收的基带I、Q数据进行人为添加随机噪声,并据此构造各种信噪比场景下的张量训练样本数据集;最后,利用训练样本数据对本文设计的神经网络进行训练,并在样本数据集上将传统分类算法和本文所提出的神经网络算法两者的识别性能进行对比分析。实验结果表明本文所提的神经网络算法相比于现有的传统识别算法,具有更好的识别性能。

数据驱动的RF信号深度调制识别方法

基于卷积结构的信号调制识别神经网络的识别性能受信号调制类型种类限制。例如,在12 d B信噪比条件下,同时对24种信号调制类型进行识别,其识别准确率仅为80%。若需要进一步提高识别性能,则要求更复杂的网络模型,导致网络训练所需数据集规模和硬件资源成本增大。鉴于此,针对无线电信号特征,设计一种适用于无线电信号调制识别的紧致残差神经网络,将其作为信号调制类型特征学习和特征提取工具,实现从原始I、Q数据到信号调制类型的端到端识别。利用迁移学习降低网络重新训练所需样本数,增强在无线信道响应发生变化时的环境适应能力,降低训练阶段所需的硬件资源和训练数据集规模。研究表明,当信道脉冲响应改变时,所提的信号调制识别神经网络在信噪比为12 d B条件下的识别性能达到95%,多个对比实验验证本文所设计神经网络的识别性能具有优势。

基于注意力卷积模块的深度神经网络图像识别

对于在深度神经网络的中间层分支进行深度融合,产生潜在可以共享有用信息的基础网络,从而优化信息流动,提升深度神经网络的性能,是近期的深度神经网络研究的挑战。对此提出一种基于注意力卷积模块的深度神经网络的图像识别方法。改进的模块主要分为树干分支与软分支两部分,在树干分支上,由两组残差模块组成,使该模块适用于其他深度神经网络;在软分支上,将给定的中间特征图沿着两个维度(空间与通道)获取注意力特征图,对输入中间特征图进行调整,强化有用信息抑制无用信息。改进的卷积残差模块既能解决输入与输出的尺寸不一致的问题,也能强化图像的关键信息与有效促进网络的信息流动。通过对cifar-10、cifar-100、ck+、AVEC2017数据集进行实验,实验结果表明了提出的方法应用于ResNet-50网络上对比Hu提出的方法在训练耗时相差不到0.3%的情况下,识别图像准确率有0.9%～1.2%的提高。

基于知识蒸馏的雷达调制信号增量识别方法

针对传统雷达信号识别方法无法有效进行识别类型扩展的问题,提出一种基于知识蒸馏的雷达调制信号增量识别方法。本方法首先将雷达信号的平滑伪Wigner-Ville分布作为输入,然后利用基于残差的网络结构与已知的雷达信号数据训练得到最初的识别模型。在进行识别类型扩展时,利用知识蒸馏损失缓解类别增量过程中的灾难性遗忘,最后利用基于样本均值距离的数据集管理方法,保持雷达信号数据所占存储资源有限。实验表明,本文方法在存储资源有限的情况下,不需重新训练,对于扩展类型信号与原有类型信号均有良好识别准确率。