基于神经网络的认知无线电合作频谱感知

认知无线电是一种可用于有效缓解当前频谱资源紧张的技术，而频谱感知是认知无线电的前提。针对低信噪比情况下频谱感知性能差的问题，提出一种将信号高阶统计量、协方差矩阵特征值与神经网络相结合的合作频谱感知算法。该算法考虑到认知用户与授权用户的信道衰落情况，利用神经网络较强的多分类能力，将最大-最小特征值之比、平均-最小特征值之比以及高阶统计量作为特征参数，通过神经网络实现合作频谱感知。仿真结果表明，该算法不仅在低信噪比情况下较其他算法具有更高的频谱检测率，而且对频谱中信号的调制类型也有较高的识别率。     

基于图像超分辨重建的低轨卫星频谱感知 数据空间分辨率提高方法

在低轨卫星物联网系统中,卫星感知的频谱数据空间分辨率低,空间电磁环境的细节难以分析。针对该问题,提出将频谱的空间分布情况以二维图像形式处理,根据空间频谱感知数据的特点采用适当的图像超分辨率重建算法,提高了频谱的空间分辨率,增强了频谱态势中的细节。仿真结果表明,根据灰度值可以从图像中直接观察信号的存在性,并且依据频谱数据图像特点选择的双三次插值、基于L₁范数先验的贝叶斯方法和基于匹配图像块的学习方法都有效地提高了频谱数据的空间分辨率,用PSNR评价时,基于L₁范数先验的重建算法效果更好,但是基于匹配图像块的学习方法增强了频谱感知数据中的波纹,从视觉上看,提高细节效果略优。     

宽频带频谱感知中的快速边界识别方法

以认知无线电为核心的动态频谱共享接入作为解决万物智联时代频谱稀缺问题的关键技术之一,快速、鲁棒的频谱感知是动态接入的基础。优化改进一种基于能量检测的宽带频谱感知方法,在无需先验信息的情况下实现了快速频谱边界识别与信道状态判定。实验结果表明,本方法适用于宽频带频谱盲感知,且在低信噪比情况下具有良好的性能。     

基于奇异值分解的压缩感知GNSS信号捕获算法

信号捕获是全球导航卫星系统(GNSS)信号接收的关键步骤,其搜索过程运算量较大。压缩感知可以减少捕获的运算量,但对捕获性能有一定影响。为提高压缩感捕获算法的性能,在GNSS信号稀疏性的基础上,构造基于奇异值分解的高斯测量矩阵,该测量矩阵比传统高斯测量矩阵具有更好的非相关性和重构性能,利用该矩阵进行基于压缩感知的捕获算法仿真。仿真结果表明,与传统高斯压缩感知捕获算法对比,改进算法在较低信噪比情况下捕获概率有明显提升。     

基于视觉感知模型的大容量视频隐写算法

为了获取较大隐写容量和较好不可感知性,结合人眼视觉感知特性,提出一种视觉感知指导数据嵌入的大容量视频隐写算法.该算法综合了多参数空间对比灵敏度函数、基于DCT(discrete cosine transform)块分类的纹理掩蔽效应及运动注意机制,以确定各DCT系数的失真掩蔽测度,进而控制隐写容量.实验结果表明,该隐写算法具有较大隐写容量,同时较好地保持了含密视频的不可感知性.     

一种基于感知特性的鲁棒性语音认证算法

提出了一种基于感知域的鲁棒性语音认证算法,将语音的感知特性与签名算法相结合,在满足内容认证和身份认证的同时,能够有效地抵抗通信噪声微扰.算法基于语音的掩蔽效应和非线性效应等人耳感知特性,着重去除其时频域掩蔽阈值下的冗余信息,进行非线性滤波后提取感知参数,并运用改进的Rainbow算法对这些语音参数进行签名.实验证明,该算法的唯一性和针对通信噪声的鲁棒性都很好,兼有Rainbow签名的安全性保证,可以满足语音通信中的鲁棒性认证要求.     

基于多种群遗传神经网络的船舶发电机故障诊断

为及时发现船舶发电系统的早期故障,通过多种群遗传算法与反向传播（BackPropagation, BP)神经网络算法相结合,提出一种基于多种群遗传神经网络算法的船舶发电机故障诊断方法.利用该算法对实例进行故障诊断,结果证明该算法能有效克服BP神经网络收敛速度慢和易出现局部极小值的缺点.该算法有全局搜索能力强、优化速度快的特点,具有一定的应用前景.     

低信噪比环境下的多通道语音端点检测算法

传统的端点检测算法仅利用信号的时频信息,在低信噪比环境下,尤其是非平稳噪声环境,会出现准确率下降的问题,而多通道语音信号具有丰富的空间信息,可以对时频域的信息进行补充,从而提高检测的准确率。因此在多通道空间特征研究的基础上,利用接收阵列信号的协方差矩阵,提出一种全新的基于多通道协方差矩阵最大特征值的多通道语音端点检测算法。首先通过提取每一帧信号的协方差矩阵的最大特征值作为端点检测的特征参数,从而对语音信号进行跟踪,然后采用双门限阈值法判断当前帧是否为语音帧。实验结果表明,在VCTK及实验室语料库上,与梅尔能量比及新能零熵算法相比,所提出的算法具有更高的检测准确率,并且对于-5 dB的低信噪比环境及非平稳噪声环境具有更好的鲁棒性。     

基于分簇波束成形算法的MIMO-OFDM系统信道容量的分析

提出了一种在有限反馈条件下多输入多输出-正交频分复用(MIMO-OFDM)系统中基于信道容量的分簇波束成形算法。该算法针对MIMO-OFDM系统在高信噪、低信噪比等不同情况时选择不同的波束成形向量来提升系统的容量。根据簇间、各子簇间均存在一定的相关性,设计出了次优波束成形算法。通过对所提出的算法仿真可知,在高信噪比、低信噪比情况下针对系统容量采用分簇的波束成形算法能够在一定程度上提升MIMO-OFDM系统在确定性信道与随机性信道的信道容量。     

双线性极化天线的CAPS信号合成捕获算法

针对中国区域定位系统(China area positioning system,CAPS)接收机采用圆极化天线接收极化信号时会引入3 dB的极化损失问题,提出一种基于双线性极化天线的信号合成捕获算法.该算法先对双线性极化天线接收的两路CAPS导航信号进行捕获,并根据捕获结果进行信号同步;进而利用最大信噪比合并来合成两路信号,从而提高接收信号的信噪比.通过实测数据分析表明,该算法得到的合成信号的信噪比比单路信号得到的信噪比增加1.5dB,提高了信号接收的灵敏度.     

勺型网络：用于Landsat遥感图像云检测的新型网络

针对目前用于遥感图像云检测的神经网络模型存在光谱信息未能充分利用而导致的细节信息易损失、碎云漏检率大、计算复杂等不足,提出一种新型且轻量的网络,称为勺型网络（spoon-net,S-Net）,应用于Landsat遥感图像的云检测。S-Net分为2个阶段,第1阶段,使用1×1的卷积核提取图像光谱特征,避免图像细节被模糊;第2阶段,使用encoder-decoder框架提取图像空间特征,并引入分组卷积,对第1阶段提取的每一层光谱通道单独进行卷积,保持光谱特征并减少模型参数。模型在Landsat8 biome数据训练测试并评估,结果表明模型在内存与时间上具有较大优势,并达到95%的准确率。     

基于改进粒子群的BP神经网络WSN数据融合算法

针对无线传感器网络（WSN）数据融合算法中传统反向传播（BP）神经网络收敛速度慢、对初值敏感和易陷入局部最优解的问题,提出基于改进粒子群的BP神经网络WSN数据融合算法（BSO-BP）。用天牛须搜索（BAS）算法对粒子群算法进行改进,利用改进后的粒子群算法优化BP神经网络权值和阈值,引入WSN数据融合中,簇首节点通过优化训练后的BP神经网络对采集数据进行特征提取,将融合后的数据发送至汇聚节点。仿真实验表明,BSO-BP算法能有效地提高融合精度和收敛速度,减少冗余数据传输,延长网络生命周期。相较于传统BP数据融合算法和PSO-BP算法,BSO-BP算法减少了至少11%的平均相对误差和13.89%的均方根误差。     

基于改进灰狼算法优化BP神经网络的无线传感器网络数据融合算法

为提高无线传感器网络数据融合精度,降低网络能耗,延长网络生存时间,提出基于改进灰狼算法优化BP神经网络的无线传感器网络数据融合算法(IGWOBPDA).首先为平衡灰狼算法全局与局部搜索能力提出改进控制参数和动态权重更新位置的改进灰狼方案,利用改进灰狼算法对BP神经网络初始阈值和初始权值进行优化以解决数据融合中BP神经网...     

基于卷积注意力和胶囊网络的 SAR少样本目标识别方法

合成孔径雷达( SAR)目标识别在军事和民用领域都具有重要的研究价值。但由于SAR数据获取成本高、样本数目少,传统的卷积神经网络提取目标特征的能力不足,准确率低下。提出结合卷积注意力和胶囊网络的分类模型,利用胶囊网络中的多维向量神经元表示目标更多的特征;同时,考虑到少样本情况下目标特征信息缺乏,为提高神经网络的学习效率,对胶囊网络加入注意力机制,通过学习不同特征的重要程度,引导分类网络重点关注对分类结果贡献大的特征,弱化对分类结果贡献小的特征,提高神经网络的学习效率。针对MSTAR数据集和实测车辆数据集的实验结果表明,该算法的准确率高于传统的卷积神经网络和胶囊网络算法。     

基于深度Q网络的水面无人艇路径规划算法

为实现水面无人艇(unmanned surface vessel, USV)在未知环境下的自主避障航行,提出一种基于深度Q网络的USV避障路径规划算法。该算法将深度学习应用到Q学习算法中,利用深度神经网络估计Q函数,有效解决传统Q学习算法在复杂水域环境的路径规划中容易产生维数灾难的问题。通过训练模型可有效地建立感知(输入)与决策(输出)之间的映射关系。依据此映射关系,USV在每个决策周期选择Q值最大的动作执行,从而能够成功避开障碍物并规划出最优路线。仿真结果表明,在迭代训练8 000次时,平均损失函数能够较好地收敛,这证明USV有效学习到了如何避开障碍物并规划出最优路线。该方法是一种不依赖模型的端到端路径规划算法。     

基于不同骨架UNet++网络的建筑物提取

基于深度学习方法的建筑物自动提取具有精度高、速度快的技术特点,对城市规划、防灾减灾等的行业应用具有重要意义。针对高分辨率遥感影像建筑物自动提取,引入深度学习特征功能模块和传统遥感应用技术验证环节,形成不同骨架模块、UNet++网络和真实性检验的建筑物遥感提取功能模块嵌合的深度学习业务化应用技术体系,通过VGG、ResNet和Inception等传统卷积网络模型骨架对基础网络进行改造,提升模型运行效率,强化模型特征学习能力,通过真实性检验验证算法的有效性、适用性,展示完整的遥感应用技术链条。以Mnih公开的马萨诸塞州建筑物数据集为数据源,和传统非全卷积网络模型和全卷积网络模型等方法进行对比分析,结果表明通过增加模型深度和宽度可以有效提升模型建筑物提取效果,基于InceptionV3-UNet++骨架模型在召回率、准确度、CSI、F₁分数、Kappa系数和总精度表现最为优秀,分别达到85.14%、90.50%、0.7816、0.8774、0.8504和95.57%,并在WHU数据集上验证了它的鲁棒性。该方法在建筑物提取结果和细节上都有显著提高,特别是对复杂不规则建筑物的提取上,将极大促进真实、复杂、大场景高分辨率影像的建筑物提取遥感应用。     

基于回归深度卷积网络的船舶图像与视频检测

为解决船舶图像与视频检测算法识别率低、实时性差的问题,提出基于回归深度卷积网络的船舶图像与视频检测方法。结合YOLOv2特征提取层和YOLOv3的特征金字塔网络(feature pyramid network, FPN)层思想设计新的网络结构,验证不同激活函数效果,采用聚类算法设计锚框大小。实验表明,相比于YOLO系列网络,本文的方法在船舶图像与视频检测中效果更好,在测试集上平均精度均值为0.920 9,召回率为0.981 8,平均交并比为0.799 1,在视频检测中每秒钟检测的帧数为78～80。为港口船舶智能管理和无人船视觉处理提供一种准确度高和实时性好的船舶检测方法。     

基于神经网络的集装箱码头泊位分配聚类分析

为充分利用港口既有的建设规模、提高经济效益,对集装箱码头的泊位分配进行研究.采用神经网络和聚类分析两种数据挖掘技术分析相关数据,得到相应的数据挖掘模型.先通过反向传播(Back Propagation,BP)神经网络分析各因素对泊位分配的影响程度,确定出主要因素;然后通过聚类分析中的两步聚类算法进行分析;最终制定集装箱码头泊位分配策略.该方法可为提高集装箱码头生产效率提供帮助.