基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率，建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题，采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数（ReLU）改进为带泄露线性整流函数(Leaky ReLU)，以解决遇到卷积输出数据小于0时神经元被抑制的问题，进而达到提高步态识别准确率的目的。实验结果表明：激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%，与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比，步态识别率有所提高。     

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CNN-BiGRU的学术文本分类研究

针对传统的文本分类模型存在特征提取能力不足和分类准确率较低等问题，提出一种基于卷积神经网络和双向门控循环单元相结合(CNN-BiGRU)的文本分类方法。首先，以图书情报领域相关主题文本摘要为数据源，通过Word2vec进行文本向量化；其次，通过CNN获得输入文本信息的局部特征，并使用BiGRU保留文本中的顺序相关性；然后，选择softmax分类器输出分类结果；最后，与传统的机器学习分类方法和单一的深度神经网络模型分类方法进行对比实验。结果表明，在数据量大的情况下，文中提出的CNN-BiGRU分类模型具有更好的分类效果，其准确率、召回率和F1值均达到了95%以上，能够在一定程度上解决学术文本“信息过载”等问题。     

基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度智能预测

部分稳定氧化锆（Partially stabilized zirconia,PSZ）陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标，为了降低磨削表面粗糙度的预测误差，提出了一种基于相关性分析与卷积-双向长短期记忆神经网络（Convolution-bidirectional long short term memory neural network,CNN-BiLSTM）的PSZ陶瓷磨削表面粗糙度声发射预测模型。通过分析磨削声发射信号特征值与磨削表面粗糙度值之间相关性，筛选出磨削声发射信号与磨削表面粗糙度之间的最相关频段和特征矩阵，作为CNN-BiLSTM神经网络的输入参数以降低磨削表面粗糙度声发射预测的误差。研究结果表明，基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度的平均预测误差低于3.92%。     

卷积线性混合模型下的复非高斯信号盲源提取

雷达信号的多径效应导致基于瞬时线性混合模型的盲源分离算法不再适用。为此，提出了一种基于FastICA的复非高斯信号盲源提取方法。该方法将混合系统建模为卷积线性混合模型，使得信号模型中不需要将每个多径信号都看作一个独立的源信号，既节约了接收通道数量，又降低了盲源分离过程的复杂度，利用待提取信号的非高斯性实现高斯背景下复非高斯信源的提取。实验结果表明：在信干比为-30 dB时，所提方法能够快速、有效地处理卷积线性混合模型下复非高斯信源的提取问题，为该场景下的微弱信号提取提供了一种新的方法。     

一种基于地转风模型的平流层风场插值方法

平流层风场水平分量的数据精度和密度对高空气球实验的轨迹预测精度和飞行控制精度有着直接的影响。面向平流层风场，提出一种基于地转风模型的插值方法。该方法通过改进科里奥利频率公式，并用二维卷积计算地转风模型，提升了地转风模型的计算效率和低纬度地区风场精度，再用迭代二元线性回归和改进的自适应观测场偏差权重矩阵减小了观测误差对插值结果的影响。实验结果表明:所提插值方法能有效提升平流层风场插值计算速度，并对平流层风场水平分量的插值精度有显著提升。      

基于视听融合的宽频带振动频谱提取（英文）

提取振动频谱对于旋转机械的故障诊断至关重要。环境和噪声的多样化限制了传统单模态振动提取方法的性能。由于视听信号具有不同的采样频率、噪声和环境限制，视听融合算法可以有效解决单一模态存在的问题。基于此，文中提出了一种基于视听融合深度卷积神经网络的宽带频谱提取方法，该方法充分融合了不同模态的有效信息。该模型基于双流编码器从不同的模态中提取特征，使用深度残差融合模块提取高级融合特征并输出给解码器。实验结果表明，该模型的表现优于最新的振动提取方法，如Reg Net, MFCNN及L2L等，噪声环境下的振动频谱提取准确率提高15%。     

基于卷积神经网络的雷达辐射源稳健识别方法

针对低信噪比下，基于传统统计特征的雷达信号识别方法对复杂调制信号类型识别性能不高，因而处理复杂度高的问题，提出一种基于卷积神经网络的雷达辐射源信号稳健识别方法。该方法通过提取信号的瞬时相位特征，获得变换域的表征信号，将其作为卷积神经网络的输入，实现雷达辐射源信号的快速识别。针对瞬时相位特征对于信噪比敏感的特点，采用主成分分析方法对信号特征域进行降噪处理，提升模型对噪声的稳健性。通过仿真实验验证了所提出方法在不同信噪比下对7种调制信号类型的识别性能，通过理论分析及不同方法的实验对比，验证了算法具有耗时较短、识别准确率较高、噪声稳健性好等优势，具有良好的工程实用性。