基于深度学习进行信号自动调制识别在分类精度、可迁移性等方面普遍优于传统方法,引起广泛关注。但是,当前方法多数针对单信号样本进行识别,无法适用于混叠信号识别场景。针对该问题,对混叠信号调制识别方法进行了研究,结合长短期记忆(l...基于深度学习进行信号自动调制识别在分类精度、可迁移性等方面普遍优于传统方法,引起广泛关注。但是,当前方法多数针对单信号样本进行识别,无法适用于混叠信号识别场景。针对该问题,对混叠信号调制识别方法进行了研究,结合长短期记忆(long short term memory,LSTM)网络和深度残差收缩网络(deep residual shrinkage network,DRSN),设计了时序深度残差收缩网络模型,其中包含残差模块、收缩模块和LSTM模块。残差模块和收缩模块负责提取混叠信号中的显著信息并自适应生成决策阈值,LSTM模块用于提取混叠信号中的时序隐含特征。三者结合可以有效提高混叠信号的识别精度。公开和实测数据集测试结果表明,所提方法识别精度优于5种典型方法,在高信噪比下的平均识别分类准确率可以达到92.7%;21种混叠信号中有12种识别准确率接近100%。展开更多
针对水下掩埋目标探测中目标回波信混比较低的问题,提出将混响视为一类信源的与目标回波盲分离方法,研究了目标回波与混响在时域统计特性、时频域以及时域波形上的可分离性与分离原则问题,解决了传统时频方法不适用于当混响与目标回波...针对水下掩埋目标探测中目标回波信混比较低的问题,提出将混响视为一类信源的与目标回波盲分离方法,研究了目标回波与混响在时域统计特性、时频域以及时域波形上的可分离性与分离原则问题,解决了传统时频方法不适用于当混响与目标回波在时频域内混叠时的抑制混响问题。海上掩埋目标探测实验数据处理结果表明,经过时域二阶统计盲分离与时频域盲分离处理后,目标回波的信混比提高了约5 d B,在时频分布上可以更清楚的观察到目标几何亮点,从而提高对目标回波识别的准确性。展开更多
文摘基于深度学习进行信号自动调制识别在分类精度、可迁移性等方面普遍优于传统方法,引起广泛关注。但是,当前方法多数针对单信号样本进行识别,无法适用于混叠信号识别场景。针对该问题,对混叠信号调制识别方法进行了研究,结合长短期记忆(long short term memory,LSTM)网络和深度残差收缩网络(deep residual shrinkage network,DRSN),设计了时序深度残差收缩网络模型,其中包含残差模块、收缩模块和LSTM模块。残差模块和收缩模块负责提取混叠信号中的显著信息并自适应生成决策阈值,LSTM模块用于提取混叠信号中的时序隐含特征。三者结合可以有效提高混叠信号的识别精度。公开和实测数据集测试结果表明,所提方法识别精度优于5种典型方法,在高信噪比下的平均识别分类准确率可以达到92.7%;21种混叠信号中有12种识别准确率接近100%。
文摘针对水下掩埋目标探测中目标回波信混比较低的问题,提出将混响视为一类信源的与目标回波盲分离方法,研究了目标回波与混响在时域统计特性、时频域以及时域波形上的可分离性与分离原则问题,解决了传统时频方法不适用于当混响与目标回波在时频域内混叠时的抑制混响问题。海上掩埋目标探测实验数据处理结果表明,经过时域二阶统计盲分离与时频域盲分离处理后,目标回波的信混比提高了约5 d B,在时频分布上可以更清楚的观察到目标几何亮点,从而提高对目标回波识别的准确性。
