【摘 要】
：
自动调制识别是非合作通信系统中非常关键的一种技术,被广泛应用在军用和民用等诸多领域,具体是在部分或全部通信参数未知的情况下,对接收信号的调制类型进行分类识别,从而有助于后续信号解调等相关信号处理工作,最终提高通信系统的性能。随着日益复杂多变的通信场景,以往很多研究中假设的高斯分布加性噪声已经不再满足实际信道环境的准确描述。实际中,由于飞机、火车等现代交通工具的高速移动,在其中的用户进行通信时会导致
论文部分内容阅读
自动调制识别是非合作通信系统中非常关键的一种技术,被广泛应用在军用和民用等诸多领域,具体是在部分或全部通信参数未知的情况下,对接收信号的调制类型进行分类识别,从而有助于后续信号解调等相关信号处理工作,最终提高通信系统的性能。随着日益复杂多变的通信场景,以往很多研究中假设的高斯分布加性噪声已经不再满足实际信道环境的准确描述。实际中,由于飞机、火车等现代交通工具的高速移动,在其中的用户进行通信时会导致信号遭受多普勒效应影响,信道环境呈现出随着时间具有一定规律变化的特性。而且由于闪电、雷暴、多用户干扰、设备故障等现实原因,信道环境中存在着随机的、不同程度的尖锐脉冲噪声。因此本文分别针对时变信道和脉冲噪声下的自动调制识别问题开展研究,主要内容如下:（1）针对瑞利衰落时变信道,本文第一次提出了格拉斯曼流形特征提取方法,首先通过将一组具有时间相关性的时隙星座图建模于格拉斯曼流形上完成流形特征提取;其次利用具有满秩映射层、保持正交层、投影映射层三层结构的流形学习网络对流形特征进行降维处理并且完成从流形空间到欧式空间的映射;最后通过结构简单的由一层卷积层构成的卷积神经网络完成分类任务。对比传统的卷积神经网络以及其他文献中的分时隙特征融合网络,所提方法在快慢衰落信道下较优的准确率已经得到了实验的有效验证。（2）针对Alpha稳定分布脉冲噪声,本文提出了一种基于轻量级网络的识别方法,前一部分是利用包含对数域映射、阈值处理两步骤的信号预处理操作,从而有效地抑制Alpha稳定分布噪声以及限制信号点至一个合理的范围内;后一部分是通过一个基于Ghost Net思想设计的包含输出通道为16、32、8的三层Ghost单元结构结合一层普通卷积层构建的轻量级网络完成分类任务。实验结果表明,相比于现有的卷积神经网络和残差网络,本文所提方法有着较高的准确率以及较低的计算复杂度。
其他文献
选择性分割是指按照某种方式对图像中单个感兴趣目标的局部分割,是医学影像高效精准分析的前提和基础。基于医学图像的选择性分割,在疾病的病灶识别、早期诊断、治疗方案规划、术中导航等方面起着非常重要的作用,是当前医学图像处理研究中的热点和难点问题。本文研究基于偏微分方程的图像选择性分割方法,主要研究内容和创新点如下:（1）研究选择性分割模型-RCI模型的快速数值求解方法。现有的求解RCI模型算法是基于加性
全世界每年因为线虫侵染和寄生农作物经济损失巨大,传统的物理和化学方式防治线虫具有许多局限性。随着生物研究领域的快速崛起和发展,线虫的生物防治逐渐具有可能性,其中杀线虫真菌成为最具有潜力的生防制剂之一。而捕食线虫真菌是一种主要的杀线虫真菌,利用线虫诱导或在特定环境下可以由腐生转化为寄生,从而形成了各种捕食器官如三维菌网、收缩环、粘性分枝等来捕获并侵染线虫,从而达到防治线虫的目的。本论文利用RNA-s
总所众知,电力变压器在整个电力系统占据举足轻重的地位。目前国内大型电力变压器主要为油浸式,其内部在某些情况下可能会有空气进入,例如在一些生产出厂或者高负荷运行的场合,当电力变压器中的绝缘油与一些绝缘材料长时间与空气接触后,可能会发生劣化现象,造成产生故障的隐患,所以难免会出现一些故障。当故障发生时,电力变压器绝缘油中将会产出一些故障气体,然而不同的故障气体往往对应着不同的故障类型,且不同的故障之间
近年来,图神经网络（Graph Neural Networks,GNN）已成功的广泛应用于生物医药、系统建模、推荐系统、文本分类、社交网络等当今时代重要的各项领域。随着人工智能应用的不断发展,图结构数据库的规模也越来越大,如何对大规模图结构数据库进行有效训练,是图神经网络发展面临的重要挑战。本文首先采用随机游走图采样算法以随机游走的方式形成多批次子图,以解决大规模图结构数据库的训练复杂度问题,同时
作为人机交流的桥梁,基于脑电图（EEG）的脑机接口（BCI）旨在将大脑活动直接解码为不同的控制命令,该技术在多个领域大放异彩。近年来过劳死报道频出,工程施工过程中因疲劳施工而导致的死亡人数逐年上涨,因此找到一种高效、便捷的疲劳检测方法成为工程施工安全研究的重点方向。同时,在医疗康复领域,脑电信号也有广泛应用。比如医学康复治疗瘫痪患者和脑控机器人中,通过解码脑电信号,可以分析其中的运动想象信息,实现
由于照明强度以及数字设备动态范围的约束,拍摄的照片通常会出现能见度低、对比度不高和噪声放大等退化现象,这种低质量图像不仅视觉效果不佳,而且难以支持后期高级的计算机视觉任务。针对以上问题,本文在传统方向,基于Retinex模型的局限之处,提出了基于Retinex的纹理结构感知的非均匀光照图像增强算法;在深度学习方向,基于Retinex-Net网络模型存在的色彩保真度低以及放大噪声等缺点,提出了改进R
表格结构识别是文档识别（Document Recognition）领域中一项基础且具有挑战的任务,目的是获取单元格的结构信息。最近,深度学习已经成为解决表格结构识别的主流方法,通过训练神经网络得到最佳的拟合模型。基于深度学习的表格结构识别有两种主要算法,分别是识别表格行与列算法和识别表格框线算法。识别表格行与列算法通过获取表格的行与列来识别表格结构,现有的有效方案是使用语义分割（Semantic
图像增强是计算机视觉及图像处理领域的一项重要研究内容。由于成像所处环境的不同,在夜间、背光、雾霾以及水下等条件下由图像采集设备采集到的图像通常为不同程度损坏的低质量图像。对低质量图像进行增强处理可以提升图像的整体色彩,凸显图像中物体的细节特征,以此提高图像质量,为后续高级视觉任务提供有效的数据质量保证。本文主要针对自然场景低照度图像及水下场景降质图像进行研究,根据这两类低质量图像的不同特征,开展的
雷达信号识别技术在军用和民用领域应用广泛,尤其在军事场景中,在现代电子对抗中发挥着重要的作用,是非常具有挑战性的问题。在深度学习技术快速发展的同时,基于深度学习的雷达信号识别技术也取得了非常大的进展,相对于传统的识别方法,在整体性能上有很大的提升,但是在识别精度不断提升的同时,神经网络的深度不断加深,参数量也更加冗余,导致对硬件机器的算力要求日益增大,难以在边缘终端设备上应用,所以设计出高效精简的
在量子力学基本原理保证下,量子密钥分发使合法用户Alice和Bob能够在Eve窃听情形下获取安全密钥,其安全性已得到严格证明,且目前已成为可实用的一种量子技术。光子是量子密钥分发过程中的一种常见的信息载体,其在分发过程中由于信道噪声会丢失从而导致量子密钥分发的安全密钥率存在着上界,该上界也被称为PLOB界。然而,双场量子密钥分发（Twin-Field Quantum Key Distributio