一种改进的数字信号调制方式自动识别算法

数字调制方式的识别对于通信信号分析有着重要的作用。针对数字信号(2ASK,4ASK,2PSK,4PSK,2FSK和4FSK信号)的调制方式,提出了一种改进的数字信号调制识别算法(DMRA),并且对该算法提出了最佳门限的设置方法,使其适用于信噪比在5 dB-30 dB范围内变化的信号。该算法能够快速、自动地识别出已调数字信号的调制方式。计算机仿真表明:当噪声采用高斯白噪声,该算法在信噪比不低于7 dB时,对实际信号的识别正确率不低于92%。     

基于深度学习的无人机数据链信噪比估计算法

无人机数据链通信受到各种自然与人为的干扰,信噪比（SNR）是信道状态和通信质量的有效评估指标。为解决传统估计算法信噪比估计精度不足的问题,提出了一种卷积神经网络（CNN）与长短时记忆（LSTM）网络结合的估计模型。利用仿真与实测相结合的方式,构建了一个包含不同信噪比、调制方式、衰落信道等信息的无人机通信信号数据集;在网络训练阶段,将样本序列进行分割,对分割后的每一部分序列使用CNN-LSTM网络提取深度特征,多次训练并保存模型参数;在测试阶段,利用构建好的测试集完成对算法的验证与测试,得到信噪比估计值。实验表明,相比于传统信噪比估计算法与单一网络结构的深度学习算法,所提算法的均方误差最低,实现了对信噪比的高精度估计。      

基于多分类AdaBoost的航空发动机故障诊断

对航空发动机运行数据进行数据挖掘的方法,是发动机故障诊断研究领域的重要研究内容。由于各种算法自身的局限性,通过某种单一算法很难大幅度提升故障分类的准确性。运用组合分类的AdaBoost算法,综合多个分类模型进行诊断,是提升故障识别精度的一种较好的方法。通过AdaBoost算法及其改进算法的结合,建立一种多分类的AdaBoost算法,以支持向量机（SVM）为基础分类器,进行综合诊断模型的建立。通过单位向量法、比值系数法和相关系数法将指印图中统计的故障标识数据进行处理,得到不受故障程度影响的训练数据,再进行建模。实验表明,AdaBoost相关结合算法能够显著提升分类器性能。根据实际故障案例,验证了所建立的诊断模型能够较好地用于发动机的故障诊断。      

基于目标性权值度量的多示例学习目标跟踪

针对多示例学习(MIL)跟踪算法在包概率计算过程中对示例样本不加以区分导致分类器性能下降,及采用最大化似然函数选择相应的弱分类构造强分类增加了算法复杂度的问题,提出了一种基于目标性权值学习的多示例目标跟踪算法,该算法利用目标性测量每个示例样本对包概率的重要性,根据其目标性测量结果对每个正示例样本赋予相应的权值,从而判别性地计算包概率,提高跟踪精度。同时在弱分类器选择过程中,采用最大化弱分类器与似然函数概率内积的方法从弱分类器池中选择弱分器构造强分类器,减少算法的计算复杂度。通过对不同复杂场景下视频序列的跟踪,实验结果表明,本文所提出的目标性权值学习的多示例目标跟踪算法优于其对比算法,表现出较好的跟踪精度和鲁棒性能。     

卷积神经网络卫星信号自动调制识别算法

自动调制识别是空间认知通信系统的关键技术，有助于实现自适应信号解调。深度神经网络虽然具有特征提取能力强的优势，但也存在参数众多、计算量大的问题，难以实现空间在轨应用。针对以上问题，提出了一种轻量化、高性能的卷积神经网络结构。网络先提取信号的同相正交相关特征，再提取时域特征，最后提取各通道特征均值进行分类。对11种调制方式分类的实验结果表明:当信噪比高于0 dB时，平均识别准确率能达到86.94%，较传统的高阶累积量的方法提高了31.54%;与目前高识别准确率的深度神经网络模型相比，仅使用不到10%的模型参数，在树莓派4B上计算速度平均提高了20倍。      

基于特征序列的时域STBC-OFDM盲识别算法

为有效解决STBC-OFDM信号盲识别过程中存在的低信噪比适应能力弱等问题，在OFDM块大小已知的前提下，提出了一种在时域上构造特征序列的识别算法。该算法推导了空时分组码接收信号的时域特性，以及四阶特征向量，并构造特征序列，通过检测特征序列达到识别4种STBC-OFDM信号的目的。推导和仿真结果表明:所提算法无需信道、噪声、调制方式和OFDM块起始位置等先验信息，在较低信噪比条件下也具有良好的识别性能，且对频偏、多普勒频移和时延的鲁棒性能好，计算量较低，具有较高的实用价值。      

基于宽带调制信号的无源互调测试研究

随着收发共用和数字调制技术（如BPSK、QPSK）在卫星通信中大量使用，原有的连续波（continous wave,CW）无源互调（passive intermodulation，PIM）测试系统存在验证不充分的问题。设计了宽带调制信号PIM测试方法改进了原有的测试系统，通过采用通道功率测试PIM，测试研究结果表明BPSK、QPSK数字调制无源互调量值均高于连续载波信号2~9dB，考虑到卫星运行可靠性，采用数字调制宽带工作模式改进原有测试系统后更接近实际工作方式，提高了地面验证可靠性。     

基于块对角投影表示的人脸识别

针对大多数特征表示算法在挖掘高维数据内在结构时容易受到噪声的影响，以及特征学习与分类器设计割裂导致分类性能降低的问题，提出了一种新的基于特征表示的人脸识别方法，称为块对角投影表示（BDPR）学习。首先，利用样本信息对每类样本的编码系数施加一个加权矩阵，通过局部约束来加强表示系数之间的相似性，从而降低噪声对系数学习的影响，使所提方法能够更好地保持数据的局部结构。其次，为了实现数据与编码系数相关联，降低表示系数的学习难度，构造了块对角化判别约束项来学习一个判别投影，通过投影从低维数据中提取样本表示系数，使系数包含更多的样本间全局结构信息且具有更低的计算复杂度。最后，将系数学习和分类器学习整合到同一框架下，同时增大不同类别样本间的“标签距离”，采用迭代求解的方式交替更新判别投影和分类器，最终得到最适合当前表示特征的分类器，使得所提方法能自动完成分类。多个公开的人脸数据集上的实验结果表明:较之传统的协作表示分类和多个主流的子空间学习方法，所提方法均取得了更优的识别效果。      

基于Adaboost的填充式防护结构超高速撞击损伤预测

填充式防护结构的显式弹道极限方程在对弹丸进行超高速撞击损伤预测时,由于填充材料、填充方式的不同,会导致预测结果与实测数据存在一定偏差。对此,采用机器学习方式将该问题转化为二分类问题,以碰撞过程中的弹丸撞击参数、防护结构参数作为分类特征,构建了基于Adaboost的填充式防护结构超高速撞击损伤预测模型。该模型以分类回归树（CART）作为弱分类器,通过对一系列弱分类器的加权组合生成强分类器,并通过对训练样本的循环使用,实现了小样本集下的撞击损伤预测。实验结果表明,建立的Adaboost预测模型对填充式防护结构的超高速撞击损伤具有良好的预测效果,总体预测率与安全预测率相比于NASA的弹道极限方程均提高了14.3%,具有更强的通用性。通过不同训练样本规模下的交叉检验,证明了该模型具有良好的鲁棒性与准确性。      

一种改进的近似支持向量机算法

标准近似支持向量机受类别差异影响和噪声、野值数据干扰较重,使得分类能力不高.提出一种改进的近似支持向量机算法——加权近似支持向量机,通过为不同类别设定不同的惩罚参数和为每个样本引入模糊隶属值,有效补偿类别差异带来的倾向性并去除噪声和野值数据的影响.模糊隶属函数的选取采用样本与类中心的距离和样本紧密度的加权平均值计算,以有效去除噪声和野值数据的干扰.经过分析,改进后的算法可近似归结为一种岭回归模型.实验表明,与标准近似支持向量机相比,该算法有更好的分类能力.      

基于小波变换熵值及高阶累积量联合的卫星信号调制识别算法

调制识别是信号检测与解调的关键环节，针对卫星调制中采用的MAPSK，MQAM，MFSK，MPSK方式，提出了一种计算小波变换熵值并结合高阶累积量的联合调制识别算法.根据小波变换对时频信息敏感的特点，不同调制方式高阶累积量计算结果的区分性以及不同复杂度的调制信号熵值结果不同，分析了以上4类调制信号的计算结果，提出了基于小波变换熵值及高阶累积量联合的卫星信号调制识别算法.计算调制信号小波系数，据此计算熵值，实现对调制信号的类别划分，使用高阶累积量实现类别内的信号分类.经过仿真分析，可实现在8dB以上达到0.9识别率的效果，该方法对高阶（64阶调制）信号识别具有一定借鉴意义.      

基于改进YOLOv5s的安全帽检测算法

针对现有安全帽检测算法难以检测小目标、密集目标等缺点，提出一种基于YOLOv5s的安全帽检测改进算法。采用DenseBlock模块来代替主干网络中的切片结构，提升网络的特征提取能力；在网络颈部检测层加入SE-Net通道注意力模块，引导模型更加关注小目标信息的通道特征，以提升对小目标的检测性能；对数据增强方式进行改进，丰富小尺度样本数据集；增加一个检测层以便能更好地学习密集目标的多级特征，从而提高模型应对复杂密集场景的能力。此外，构建一个面向密集目标及远距离小目标的安全帽检测数据集。实验结果表明：所提改进算法比原始YOLOv5s算法平均精确率（mAP@0.5）提升6.57%，比最新的YOLOX-L及PP-YOLOv2算法平均精确率分别提升1.05%与1.21%，在密集场景及小目标场景下具有较强的泛化能力。     

一维GTD散射中心模型参数估计的改进MUSIC算法

针对利用多重信号分类（MUSIC）算法估计一维几何绕射理论（GTD）的散射中心模型时噪声鲁棒性较差、参数精度不高这一问题，提出一类改进的MUSIC算法。首先，构建原始回波数据的共轭矩阵，有效提高了原始回波数据的利用率；其次，将原始回波数据的协方差矩阵、共轭数据的协方差矩阵叠加取平均，得到一个新的总协方差矩阵；最后，对矩阵作2次方、4次方等偶次方处理，得到另一矩阵，以达到增大信号特征值与噪声特征值之间差距的作用，等效为增大了信噪比。仿真结果表明:所提改进算法的参数估计性能及噪声鲁棒性均要优于经典MUSIC算法。      

基于离散系数改进的VWKNN位置指纹定位算法

位置指纹算法是研究室内定位技术的主要方法,其中在线阶段的匹配算法是影响室内定位精度的主要因素之一。目前,在线阶段的匹配算法有最近邻算法、K近邻算法以及加权K近邻算法。其中,最近邻算法和K近邻算法都没有考虑到不同参考点和待定位点之间的欧氏距离对定位精度的影响,而加权K近邻算法虽然考虑到了欧氏距离对定位精度的影响,对最终的定位结果采用欧氏距离归一化处理进行加权,却没有考虑到AP信号的波动性对定位结果也会产生很大的影响。因此,针对在线阶段的匹配算法作出改进,提出了基于离散系数改进的加权K近邻算法。在离线阶段建立位置指纹数据库,在在线阶段使用离散系数来反映各AP信号的稳定性,进而对待定位点与参考点之间的欧氏距离进行加权,计算出所有的加权欧氏距离后,从中选取距离最近的k个参考点,估算出待定位点的物理位置。实验结果表明:基于离散系数改进的加权K近邻算法可以实现平均定位精度比K近邻算法提高15%~17%,较加权K近邻算法提高了11%~13%的定位效果。      

基于样本类别确定度的半监督分类

在对遥感图像进行分类时,全监督算法往往需要足够的标记样本进行训练,然而标记的过程是耗时和昂贵的,相反收集大量的无标记样本是很容易的。为了在学习过程中能够有效利用未标记样本的信息,本文提出了基于样本类别确定度（CCS）的半监督分类算法。首先,利用多分类支持向量机（SVM）得到未标记样本属于各类别的确定度,有效地衡量了未标记样本类别可靠性;其次,对样本类别确定度进行预处理,提升利用未标记样本的安全性;最后,基于样本类别确定度设计了半监督线性判别分析（LDA）降维算法并对其进行核化,使得样本在降维后的子空间更具有可分性,并根据降维后的数据特点,采用最近邻分类器对新样本进行分类。利用真实的合成孔径雷达（SAR）图像进行测试,验证了在标记样本较少的情况下,本文算法在性能上优于全监督和其他半监督算法,并能够快速收敛。      

基于通道注意力机制的行人重识别方法

针对行人特征表达不充分的问题，提出了一种基于通道注意力机制的行人重识别方法。将通道注意力机制SE模块嵌入到骨干网络ResNet50中，对关键特征信息进行加权强化；采用动态激活函数，根据输入特征动态调整ReLU的参数，增强网络模型的非线性表达能力；将梯度中心化算法引入Adam优化器，提升网络模型的训练速度和泛化能力。在Market1501、DukeMTMC-ReID和CUHK03主流数据集上对改进后的模型进行测试评价，Rank-1分别提升2.17%、2.38%和3.50%，mAP分别提升3.07%、3.39%和4.14%。结果表明:改进后的模型能够提取更强鲁棒性的行人表达特征，达到更高的识别精度。      

一种新的基于信号导频的射频指纹识别方法

现有基于深度学习的射频指纹识别技术大多采用原始数据样本作为网络输入，未考虑信号携带内容对分类结果产生的影响，网络结构相对单一。为此，针将信号导频部分作为网络输入展开了研究，提出了一种新的导频提取算法，对10个ADALM-PLUTO软件定义无线电设备(SDR)辐射出的信号提取其导频，并建立了3种不同距离条件下的导频数据集。提出将Inception网络结构用于射频指纹识别，在10 m无线传输距离下达到了98.58%的分类精度，相较于现有基于AlexNet网络改进的卷积神经网络(CNN)，分类精度有所提升。      

基于生成对抗网络的零样本图像分类

在图像分类任务中,零样本图像分类问题已成为一个研究热点。为了解决零样本图像分类问题,采用一种基于生成对抗网络（GAN）的方法,通过生成未知类的图像特征使得零样本分类任务转换为传统的图像分类任务。同时对生成对抗网络中的判别网络做出改进,使其判别过程更加准确,从而进一步提高生成图像特征的质量。实验结果表明:所提方法在AWA、CUB和SUN数据集上的分类准确率分别提高了0.4%、0.4%和0.5%。因此,所提方法通过改进生成对抗网络,能够生成质量更好的图像特征,从而有效解决零样本图像分类问题。      

基于变分推理的网络舆情传播模式分类

随着网络社交媒体的快速发展，对舆情信息的传播模式进行分析成为研究热点。针对网络舆情传播模式分类任务中，小样本数据多路径生成分类正确率低的问题，提出了舆情传播领域知识图谱结构定义，建立了基于微博数据的舆情传播知识图谱与舆情传播分析任务数据集，使用GraphDIVA模型进行舆情传播模式分类，并在自建数据集中进行了舆情传播模式分类25样本测试实验。结果表明:模型在经过20轮训练后，分类正确率从76%提升到89.4%，说明GraphDIVA模型在减少训练次数、提升分类正确率方面具有更优的效果。      

面向天基监视的红外弱小飞行目标识别算法

针对当前红外弱小飞行目标特征不明显、背景干扰大等问题,提出了一种基于深度学习的红外弱小目标识别算法。检测框架以YOLOv4模型为基础,通过使用K-means++算法对训练集的候选框进行聚类处理,在初始大小的选取上放弃随机生成初始点的方式,在样本集里选取某一个样本作为初始中心使锚框（anchor）大小的选取更加合理。在模型结构中引入卷积注意力模块,使算法模型计算资源分配更合理,对红外弱小飞行目标的特征信息更加敏感。改进空间金字塔池化模块,使用平均池化可以更多保留图像的原始信息,降低天基成像中的噪点与坏点的影响。仿真实验表明采用K-means++计算Anchor大小时准确率可以达到80.13%,在加入了SPP和CBAM模块后之后在测试集上算法识别准确率达到了83.3%,经过对模型的修改有效提升了对红外弱小飞行目标识别的准确率。