一种用于雷达信号调制分类的特征评估方法

针对用于调制分类过程中雷达信号脉内特征参数评估问题,提出了一种多指标联合评估方法。该方法使用复杂性、可分离性和稳定性3个指标对特征参数的调制分类性能进行联合评估,克服了传统评估手段仅使用单一指标难以进行全面科学评估的缺陷,并可以根据应用需求获取相应的最合理的综合评分值。理论分析和计算机仿真结果表明,该方法可以有效评估特征的调制分类性能,具有较强的工程应用价值。     

雷达辐射源分类识别方法综述

阐述了雷达辐射源识别研究的必要性,详细介绍了现有雷达辐射源基本分类识别方法,系统梳理了现有分类识别技术的优缺点,合理分析了多、大且杂的电磁环境下雷达辐射源识别研究趋势,提出将深度学习与雷达辐射源识别全面结合,实现雷达辐射源识别智能化。     

基于深度学习的跳频信号识别

针对跳频信号分选存在人工提取参数特征具有复杂性的问题,提出了一种基于深度学习的识别方法。首先对跳频信号进行短时傅里叶变换,得到二维的时频矩阵;接着提取信号的轮廓特征,构造三维矩阵作等高线图,并对等高线图进行预处理;最后把预处理后的等高线图输入到卷积神经网络中进行训练、测试,进而实现分类识别。仿真结果表明,在不需要复杂的人工提取参数特征的基础上,在分选率为100〖WT《Times New Roman》〗%〖WTBZ〗时,所提方法经裁剪处理下的信噪比为-15 dB,比支持向量机和传统K-Means聚类算法都低10 dB。实测数据的算法验证表明,所提方法能够将大疆精灵4Pro、hm无人机、司马航模X8HW以及大疆悟2这四类无人机正确分类。     

改进的基于CNN的高光谱遥感图像分类办法

由于高光谱遥感图像光谱维度大,标注样本相对较少,提出了一种结合主成分分析和改进的二维卷积神经网络的高光谱遥感图像的分类方法。首先,通过主成分分析,降低光谱维度,消除光谱亢余信息。然后,将数据进行分块处理,获得分块数据的样本标签,并将数据分为训练集和验证集,用训练集和验证集训练改进的针对高光谱遥感图像分类的卷积神经网络的参数。最后,将测试集投入训练好的2D-CNN上进行分类,得到分类结果。实验结果表明,提出的模型的分类精度明显提高,从而验证了该方法的有效性和实用性。     

一种基于3D-CNN的微表情识别算法

微表情是一种持续时间很短暂的面部表情。针对其识别率低的问题,提出了一种基于三维卷积神经网络（3D Convolutionnal Neural Network,3D-CNN）的微表情识别算法。使用Keras作为网络框架,在3D-VGG-Block(3Dimension Visual Geometry Group Block,3D-VGG-Block)的基础上加入批量归一化算法以及丢弃法,提升网络深度与训练速度的同时有效地防止过拟合;针对数据集稀少的问题,采取随机设置起始帧的位置,提前设定每次读取帧序列的长度,循环操作,在将所有数据均遍历的同时,达到数据增广的目的。该算法在CASME II数据集上的识别率最高达68.85%,在识别率上有一定优势。     

模拟雷达回波杂波背景的一种数字式杂波源实现方法

本文提出了一种用数字滤波器形成特定杂波谱的方法,并说明了该方案优于模拟电路方案的卓越性能。     

一种雷达回波数据的实时压缩算法

本文研究了脱靶量测量中的雷达回波数据的实时压缩问题,通过对作匀速直线运动目标的多普勒信号特征的分析,提出了一种基于离散余弦变换（DCT）的多普勒信号的变换域压缩算法,并讨论了根据重构信号由高分辨率谱估计及非线性最小二乘拟合进行脱靶量测量的问题。     

一种基于3D-BN-VGG网络的行为识别算法

针对当前人体行为识别准确率低、计算量大等缺陷,提出了一种基于三维卷积神经网络（3D Convolutionnal Neural Network,3D-CNN）结合批量归一化（Batch Normalization,BN）及改进的视觉几何组(Visual Geometry Group,VGG)网络的行为识别算法。该算法首先对3D-CNN结构进行优化,在三维空间采用了多个小卷积核卷积层堆叠的Block结构;同时在网络结构中引入BN算法,将卷积层输出的特征图每一维进行独立的批量归一化处理;之后在Block结构中增加了Dropout层以提高网络泛化能力以及将3D-CNN网络层数加深到了13层,提高了高层次抽象特征的提取能力;最终使用softmax进行分类得出结果。实验结果表明所设计的3D-BN-VGG网络在行为识别方面有较高的识别率。     

一种利用多核解卷积提高雷达角分辨力的方法

解卷积方法可以提高雷达的角分辨力,但传统的解卷积算法对噪声很敏感,且有可能无解。给出了多核解卷积方法的最优滤波器,分析了多核解卷积的输出信噪比,指出其抗噪声性能要优于单核解卷积。最后将多核解卷积的方法运用到单脉冲雷达中。仿真结果表明,在输入信噪比为20dB的情况下,该方法还能够得到很好的结果。     

一种基于深度学习的交通标志识别新算法

针对特定场景交通标志精度低与识别速度慢的问题,基于交通标志边缘信息与卷积神经网络,提出了一种交通标志图像识别T-YOLO算法。该算法基于YOLOv2算法检测思想,融合残差网络、卷积层填充0等结构,下采样舍弃池化层改用卷积层,并提取边缘信息与上采样以提升精度,设计7层特征提取网络以缩短识别速度,随后使用Softmax函数归一化实现多分类,并采用批量归一化、多尺度训练等方法缩短训练时间。实验表明,该算法真实有效,图形处理单元（Graphic Processing Unit,GPU）平台上最快检测速度13.69 ms/frame,每帧缩短9.51 ms,最高平均准确率97.3%,提高7.1%,满足实时高精度识别要求。与其他算法相比,该算法在交通标志识别速度与精度方面均有大幅提高,更加适用于现实场景,更贴近车载嵌入式系统。     

基于深度学习的远程视频监控异常图像检测

针对复杂场景下远程视频监控图像异常检测困难、传统算法功能单一(仅针对某种特定场景或某种异常图像进行检测)等问题,提出一种基于深度学习的全自动远程视频异常图像检测方法。首先采用Xavier方法对自行设计的卷积神经网络(Convolutional Neural Network,CNN)的参数进行初始化,然后将标准化后的视频差分图送入CNN的输入层,通过特征提取及下采样,最后在CNN的输出层获得远程视频异常图像检测结果。实验结果表明,该方法可以对远程视频监控中突然出现遮挡、模糊和场景切换等多种异常同时进行实时在线检测,准确率可达88.75〖WT《Times New Roman》〗%〖WTBZ〗。     

基于区域卷积神经网络和光流法的目标跟踪

为解决基于深度学习的在线目标跟踪算法速度慢的问题,设计并实现了一种基于区域卷积网络和光流法相结合的目标跟踪算法。该算法在T-1帧跟踪结果的基础上使用光流法计算跟踪目标的运动矢量计算出跟踪目标在T帧上的初选框,再将初选框区域作为区域卷积网络的输入,计算目标的精确跟踪结果。通过实验分析对比,算法对目标运动速度和形变具有很好的鲁棒性,并且跟踪速度可以达到50 frame/s。相较于在线跟踪算法,所提方法在满足较高的跟踪准确率的基础上大大提升了目标跟踪算法的速度。     

采用改进型AlexNet的辐射源目标个体识别方法

针对辐射源目标精确识别需求,结合以深度学习为代表的机器学习理论技术,提出将改进型AlexNet作为特征提取器,实现目标细微特征提取固化,形成智能化识别网络模型。以广播式自动相关监视（ADS-B）信号为实验对象,在机场实地采集了13个目标的ADS-B脉冲信号数据作为辐射源目标个体识别的训练和测试样本,利用AlexNet和改进的AlexNet验证了算法的有效性。结果表明,改进的AlexNet网络训练时间更快,综合识别率达到98.32%.     

基于车辆数据的k近邻联合概率数据关联算法

在交通场景中采用一些预警措施能够有效地减少交通事故发生。例如,对车辆轨迹进行跟踪并预测车辆的驾驶行为,就是一个常用的预警方法。在对车辆进行跟踪的过程中,数据关联是很重要的部分,它可以对车辆的观测点和轨迹进行关联,从而更新车辆的轨迹,完成跟踪过程。在此背景下,提出了一种新的数据关联算法,即k近邻联合概率数据关联算法(k Nearest Neighbor-Joint Probability Data Association,kNN-JPDA)。实验结果表明,该算法能够较好地解决在交通场景下车辆数据的数据关联问题,在精度以及运行效率方面都有所提高。     

一种改进的CNN端到端自编码器通信系统

针对现有端到端神经网络通信系统的泛化能力改进及自编码器优化等问题,提出了一种基于卷积神经网络（Convolutional Neural Network,CNN）的端到端通信系统改进方案。该方案在自编码器结构中引入一维卷积层（Conv1D）,通过对参数的重新设计,优化了网络性能。发送端采用多层Conv1D对输入序列进行特征提取,通过训练获得发送信号的最佳调制和编码方案;接收端同样采用多层Conv1D,来恢复受到噪声污染的符号。仿真实验表明,在不同输入比特长度及编码速率条件下,所提系统表现出了良好的泛化能力。并且,在加性高斯白噪声信道和瑞利衰落信道下,训练模型的误码性能与传统的调制方式性能相吻合,验证了系统方案的可行性和有效性。此外,对于数字传输常见的突发信道,所提方案具有良好的适应性,可获得1 dB左右误码性能的改善。     

基于分离卷积的战场目标聚集行为识别

针对大部分行为识别算法效率较低,难以应对大规模影像识别任务的问题,一方面,提出一种结合双流结构与多纤维网络的双流多纤维网络模型,分别以RGB序列、光流序列为输入提取视频的时空信息,然后将两条支路网络的识别结果进行决策相加,提高了对战场目标聚集行为的检测效率与识别准确率;另一方面,提出一种结合分离卷积思想与多纤维网络的双流分离卷积多纤维网络模型,进一步提高网络检测效率与抗过拟合能力。实验表明,在建立的情报影像仿真数据集中,上述算法能够有效识别出战场目标聚集行为,在大幅提升检测效率同时实现了识别准确率的提升。     

采用改进全卷积网络的“高分一号”影像居民地提取

针对现有的高分辨率遥感图像居民地信息提取精度和效率不够高的问题,提出了一种基于改进全卷积网络的“高分一号”（GF-1）遥感影像居民地提取方法。首先,通过专业的目视解译制备大量居民地训练样本;然后,将预训练过的深度卷积神经网络进行全卷积网络的改造,并以具有多尺度卷积核的Inception模块代替由全连接层改造的卷积层,达到减小网络模型参数量、增加特征表达能力的目的;最后,用制作好的高分辨率遥感图像居民地数据集进行训练和验证,生成可直接进行居民地信息提取的全卷积网络。实验结果表明,基于改进全卷积网络的方法可以实现精确有效的居民地信息提取,Kappa系数超过94%。     

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。