-
题名通道门控Res2Net卷积神经网络自动调制识别
被引量：3
- 1
-
-
作者
陈昊
郭文普
康凯
-
机构
火箭军工程大学作战保障学院
-
出处
《电讯技术》
北大核心
2023年第12期1869-1875,共7页
-
文摘
针对低信噪比条件下自动调制识别准确率不高的问题,提出了通道门控Res2Net卷积神经网络自动调制识别模型。该模型主要由二维卷积神经(Two-dimensional Convolutional Neural Network,2D-CNN)网络、多尺度残差网络(Residual 2-network,Res2Net)、压缩与激励网络(Squeeze-and-Excitation Network,SENet)和长短期记忆(Long Short-Term Memory,LSTM)网络组成,通过卷积从原始I/Q数据中提取多尺度特征,结合门控机制对特征通道进行权重调整,并利用LSTM对卷积所得特征进行序列建模,确保数据特征被有效挖掘,从而提升自动调制识别的准确率。在基准数据集RML2016.10a下的调制识别实验表明,所提模型在信噪比为12 dB时识别精度为92.68%,在信噪比2 dB以上时平均识别精度大于91%,较经典CLDNN模型、LSTM模型和同类型PET-CGDNN模型、CGDNet模型能取得更高的调制类型识别准确率。
-
关键词
自动调制识别
卷积神经网络
压缩与激励网络
多尺度残差网络
长短期记忆网络
-
Keywords
automatic modulation recognition
convolutional neural network
squeeze-and-excitation network
multi-scale residual network
long short-term memory network
-
分类号
TN911.3
[电子电信—通信与信息系统]
TN971
[电子电信—信号与信息处理]
-
-
题名基于改进YOLOv5的城市火灾检测算法研究
被引量：2
- 2
-
-
作者
武慧
杨玉竹
卜显峰
曹丽英
-
机构
吉林农业大学信息技术学院
吉林省农业技术推广总站
-
出处
《无线电工程》
2024年第6期1454-1461,共8页
-
基金
国家自然科学基金(U19A2061)
吉林省科技厅中青年科技创新创业卓越人才(团队)项目(创新类)(20220508133RC)
吉林省科技发展计划项目(20210404020NC)。
-
文摘
火灾引发的经济与人员损伤始终是社会的棘手问题,迫切需要能够实时、准确监控火灾发生的方案。针对城市火灾场景复杂、目标小和定位要求高等问题,提出了一种改进YOLOv5的城市火灾场景下烟火目标检测算法。整理收集到的网络数据、构建数据集,并进行数据增强。基于YOLOv5s算法模型,重构网络结构,增加小目标检测层,使模型更加关注小目标的检测。嵌入了压缩与激励网络(Squeeze-and-Excitation Network,SENet),使YOLOv5模型的检测精度进一步提升。讨论了SENet添加位置的问题。实验结果表明,改进YOLOv5算法的精确率达到了93.7%,与原YOLOv5s相比召回率和平均精确度分别提高了1.9%、1.6%;在网络中添加注意力模块的位置不同,所产生的模型效果也不同。
-
关键词
火灾检测
小目标样本
YOLOv5
压缩与激励网络
-
Keywords
fire detection
small target samples
YOLOv5
SENet
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
