基于ResNet_NSCS的通信信号调制识别

针对通信信号调制识别的特征提取问题,为进一步提高识别准确率,提出了一种基于嵌套式跳跃连接结构的残差网络（ResNet of Nested Shortcut Connection Structure,ResNet_NSCS）调制识别算法。该算法在残差神经网络（Residual Neural Network,ResNet）基础上,通过借鉴ResNet多通路选择思路,引入嵌套式恒等跳跃连接结构,利用提取的特征实现不同调制方式的分类。仿真结果表明,面向RadioML2016.10a数据集,较卷积神经网络（Convolutional Neural Network,CNN）算法和卷积神经网络_长短时记忆网络（Convolutional Neural Network_Long Short Term Memory Network,CNN_LSTM）算法,以增加网络复杂度为代价,ResNet_NSCS算法收敛速度快,识别准确率高。     

一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。     

一种基于星座图恢复的多进制相位调制信号识别算法

在实际调制过程中,无线电波传输多径及衰落引起的符号间干扰和信号接收端的载波频偏会造成星座图难以识别。针对这一问题,提出了一种基于星座图恢复和卷积神经网络的多进制相位调制信号识别算法。首先,设定相邻采样点距离和相位角的阈值以筛除发生符号间干扰时的采样点,保留剩余的有效采样点并形成聚类组;然后,通过旋转相邻聚类组抵消载波频偏带来的影响,实现星座图的恢复;最后,利用卷积神经网络对星座图进行特征自动提取和调制识别。实验结果表明,对于实测信号,所提算法能够较好地恢复星座图并实现BPSK、QPSK和8PSK的准确识别。最终的识别准确率达到了99.9%,较星座图恢复前提高了24.2%。     

一种欠完备自编码器调制识别技术

基于信号特征进行模式识别的调制识别方法需要先计算信号的高阶特征、高阶累积量再进行模式识别，整体设计复杂，特征不易计算。机器学习技术由于其强大的特征提取能力和分类能力，被广泛应用到模式识别领域中。针对调制识别问题，提出了一种基于欠完备自编码器的调制识别技术，使用欠完备自编码器进行调制信号的特征自动提取，再使用神经网络分类器进行分类识别。整体模型更为简洁，运算复杂度较低，有利于部署在硬件上进行实时识别。对常见的BPSK、QPSK、2ASK、2FSK、16QAM数字调制方式进行的识别实验表明，算法在信噪比10 dB时平均识别率高于0.97，并且在信噪比为0 dB时仍然有0.92以上的平均识别率。     

采用航迹特征的智能机型识别

针对空战目标识别中机型自动识别比较困难的问题，提出了采用航迹特征的智能目标识别方法。利用卷积神经网络（Convolutional Neural Network，CNN）分层学习特征的能力，训练CNN算法模型自动地从航迹数据中学习有用的特征并分类。利用沿海实地采集的15个类别的飞机航迹数据，经一系列数据预处理后作为智能识别算法的训练和测试数据，在验证实验中描述了算法网络的相关配置,对比了CNN与其他分类器的识别结果。实验结果表明，CNN具有很好的识别性能。     

一维卷积神经网络用于雷达高分辨率距离像识别

针对人工提取高分辨率距离像（HRRP）优良特征比较困难的问题，研究了基于一维卷积神经网络（CNN）的HRRP识别方法。利用CNN具有分层学习特征的能力，训练CNN自动地从HRRP中学习有用的特征并分类。在仿真实验中描述了网络的相关配置，分析了不同激活函数、不同参数、不同网络结构的识别性能，对比了CNN与其他分类器的识别结果，用可视化特征图直观地说明了CNN通过卷积层能够学习到易于分辨的特征。实验结果表明CNN具有很好的识别性能。     

一种基于视觉感知的舰船目标智能化识别方法

为有效识别视觉系统采集的可见光图像中的舰船目标，提出了基于YOLO（You Only Look Once）网络模型改进的10层的卷积神经网络（Convolutional Neural Network,CNN）用于水面舰船目标的智能识别，通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征，将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明，与YOLO网络模型相比，综合精确率、召回率和效率3个舰船目标识别的性能指标，改进后的CNN性能更好，从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势，有利于推动综合性视觉感知框架的构建。     

一种有效的雷达信号快速识别方法

针对多种调制类型的雷达信号快速侦察识别成功率较低的问题，提出了基于瞬时频率特征提取的雷达信号快速识别新算法。首先，由短时傅里叶变换（STFT）得到信号每一部分的瞬时频率特征；其次，对得到的瞬时频率进行两次归一化分别得到各自特征值；最后，用层次决策方法对雷达信号进行分类识别。仿真实验结果证明该方法能有效识别各种雷达信号，在信噪比高于-3 dB时，各种脉内调制的识别成功率都达到90%以上。     

基于三维特征的雷达信号脉内调制识别

针对低信噪比条件下雷达信号识别算法对噪声敏感的问题，提出了一种基于三维特征的雷达信号脉内调制识别算法。该方法通过提取信号的差分近似熵、调和平均分形盒维数和信息维数特征组成三维特征向量，使用遗传算法优化的BP神经网络分类器实现雷达信号的分类识别。仿真结果表明，所提取的三维特征在信噪比为-4~10 dB变化范围内具有较好的类内聚集度和类间分离度，可以实现对不同雷达信号进行识别，证实了该方法的有效性。     

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。     

基于人工智能的足迹识别与特征提取

针对战场感知及侦破现场中传统人工主观经验检验与识别模式误差较大的问题，提出了一种基于人工智能的足迹识别与特征提取方法。采用三维形貌重构系统进行足迹图像采集，并将数字图像处理算法与传统足迹检验法结合，提取足迹的区域关系特征和形状长度特征，进而采用支持向量机的模式识别方法对提取的特征进行立体足迹身份鉴别对比实验。实验结果表明，所提方法准确率超过人工鉴别准确率，达到99.1%，可应用于战场感知及侦破现场足迹准确检测与识别，也可推广应用于人体身份鉴别的相关领域。     

基于对角切片特征提取和深度学习的辐射源识别

针对复杂电磁环境下辐射源识别率低的问题,提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性,提取信号双谱对角切片特征作为深度学习模型的输入数据,采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试,结果表明该算法能识别个体辐射源,在低信噪比条件下也能获得高的辐射源识别率;相比于其他识别算法,双谱对角切片特征有更鲁棒的分辨性。     

基于同步压缩短时傅里叶变换的微型无人机识别

针对利用雷达微多普勒效应的微型无人机识别问题,提出了一种基于同步压缩短时傅里叶变换（Synchrosqueezing Short-Time Fourier Transform,SSTFT）的分类识别方法。首先对无人机的微多普勒回波信号进行SSTFT从而获得信号时频谱,然后对时频谱进行多维度特征提取获得回波信号的时频特征及频率变化特征,最后将所获得联合特征输入到支持向量机（Support Vector Machine,SVM）中进而实现无人机的分类识别。基于实际雷达数据的实验结果表明,所提无人机分类方法准确率可达到97.03%。     

利用指数范数的QAM信号调制识别方法

针对高阶正交幅度调制（QAM）类信号的调制识别问题，提出了一种利用指数范数的调制识别分类方法，实现了由5种QAM类信号所组成信号集的调制识别。首先，对信号集内待识别信号提取指数范数特征，依次将16QAM和32QAM信号从信号集内识别出来；然后，对信号集内剩余信号提取高斯指数范数特征，依次识别64QAM、128QAM和256QAM信号；最后，根据决策树原理设计分类器，实现信号集内5种QAM类信号的识别。仿真结果表明，在信噪比大于6 dB时，该方法对信号集内的信号的识别正确率超过96%。     

一种敌我识别辐射源暂态信号指纹特征提取方法

信号的指纹特征是辐射源个体识别的重要依据。针对敌我识别辐射源的个体识别问题，提出了一种基于双树复小波和多重分形的信号暂态特征提取方法。该方法通过双树复小波变换实现信号多分辨率分解，求解分解信号Hilbert谱的信息熵和指数熵，计算信号的多重分形奇异指数和谱值，最终组成表征辐射源的特征向量。通过实验验证，提取的特征向量能充分代表辐射源个体之间的差异；被测信号的信噪比满足8 dB或9 dB的条件时，对辐射源的识别正确率能达到90%以上。统计分析表明该方法提取的特征具有很高的稳定性。     

采用积分二次相位函数的雷达脉内调制类型识别

为了在低信噪比条件下获得较好的识别准确率,提出了一种基于积分二次相位函数（IQPF）的识别分类方法。根据不同信号的调频斜率的正负值完成信号的预分类,然后再利用不同信号的IQPF峰值-能量比以及功率谱估计实现信号的自动化分类。给出了识别流程图并进行了仿真实验,结果表明,该方法在信噪比大于-3dB时,其识别正确率达到90%以上,证明了方法的有效性和可行性。相关研究为雷达脉内调制类型的识别提供了一种切实可行的方法,具有一定的应用价值。     

结合多源特征与高斯过程模型的SAR图像目标识别

针对合成孔径雷达（Synthetic Aperture Radar，SAR）图像目标识别问题，提出结合多源特征和高斯过程模型的方法。分别利用主成分分析（Principal Component Analysis，PCA）、非负矩阵分解（Non-negative Matrix Factorization，NMF）以及单演信号提取SAR图像的特征矢量，并将它们串接为单一矢量。三类特征从不同角度描述SAR图像目标特性，从而为目标识别提供更为有效的信息。决策分类过程采用高斯过程模型进行多元分类，基于融合特征矢量获得概率意义上的最佳决策。实验中，采用MSTAR数据集设置3类目标、10类目标、型号差异以及俯仰角差异识别问题，结果验证了提出方法的优越性能。