-
题名基于去噪卷积神经网络的雷达信号调制类型识别
被引量：21
- 1
-
-
作者
肖易寒
王亮
郭玉霞
-
机构
哈尔滨工程大学信息与通信工程学院先进船舶通信与信息技术工业和信息化部重点实验室
中国空空导弹研究院
航空制导武器航空科技重点实验室
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2021年第8期2300-2307,共8页
-
基金
国家自然科学基金(61571146)
中央高校基本科研基金(3072020CF0810)
航空科学基金(201801P6004)。
-
文摘
针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统。首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Inception-V4网络进行特征提取,并使用softmax分类器进行分类,实现LPI雷达信号的有效分类识别。仿真结果表明,该方法在–10 dB信噪比(SNR)下,识别率仍然可以达到90%以上。
-
关键词
低截获概率雷达信号
Choi-Williams分布时频变换
去噪卷积神经网络
Inception-V4网络
-
Keywords
Low Probability of Intercept(LPI)radar signal
Choi-Williams Distribution(CWD)time-frequency transform
Denoising Convolutional Neural Network(DnCNN)
Inception-V4 network
-
分类号
TN957.51
[电子电信—信号与信息处理]
-
-
题名基于去噪卷积神经网络的面波噪声压制方法
被引量：20
- 2
-
-
作者
唐杰
韩盛元
刘英昌
张文征
孟涛
-
机构
中国石油大学(华东)地球科学与技术学院
-
出处
《石油物探》
CSCD
北大核心
2022年第2期245-252,共8页
-
基金
国家自然科学基金项目(41504097,418741533)资助。
-
文摘
提高地震资料的信噪比是地震数据处理的重要任务之一,与依赖信号模型及其相应先验假设的传统地震噪声衰减算法相比,基于大型训练集的深度神经网络的去噪方法通过对大型数据集进行学习,训练完成后可以对面波进行自适应智能降噪。根据叠前高密度地震数据的特点,建立面波去噪训练库,通过去噪卷积神经网络来衰减地震数据的面波噪声。为了准确高效地提取地震数据面波噪声的特征,采用残差学习和批量标准化相结合的方式来加快训练过程并提高算法的面波去噪效果,去噪卷积神经网络能够有效处理未知噪声水平的面波降噪。模型数据和单点高密度地震数据测试结果表明,常规带通滤波及变分模态分解方法对有效信号损伤较大,而去噪卷积神经网络在高效去除面波噪声的同时能够较好地保护有效信号。
-
关键词
面波压制
去噪卷积神经网络
残差学习
批量标准化
深度学习
智能去噪
人工智能
-
Keywords
surface wave attenuation
denoising convolutional neural networks
residual learning
batch normalization
deep learning
intelligent denoising
artificial intelligence
-
分类号
P631
[天文地球—地质矿产勘探]
-
-
题名基于近似U型网络结构的图像去噪模型
被引量：3
- 3
-
-
作者
靳华中
张修洋
叶志伟
张闻其
夏小鱼
-
机构
湖北工业大学计算机学院
-
出处
《计算机应用》
CSCD
北大核心
2022年第8期2571-2577,共7页
-
基金
国家级大学生创新创业训练计划项目(202010500003)。
-
文摘
针对图像去噪中的去噪效果差、训练周期长的问题,提出一种基于近似U型网络结构的图像去噪模型。首先,使用不同步长的卷积层将原有的线性网络结构修改为近似U型的网络结构;然后,将不同感受野的图像信息叠加以尽可能地保留图像的原有信息;最后,引入反卷积网络层进行图像恢复和噪声的进一步去除。在Set12与BSD68测试集上与去噪卷积神经网络(DnCNN)模型相比,所提模型的峰值信噪比(PSNR)平均提升了0.04~0.14dB,训练时长平均缩短了41%。实验结果表明,所提模型具有更好地去噪效果和更短的训练时长。
-
关键词
图像去噪
去噪卷积神经网络
反卷积
U-Net
残差学习
-
Keywords
image denoising
Denoising Convolutional Neural Network(DnCNN)
deconvolution
U-Net
residual learning
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名电力线载波通信中基于深度学习的信道估计
被引量：5
- 4
-
-
作者
敬天成
段红光
赵旭
张佳鑫
-
机构
重庆邮电大学通信与信息工程学院
北京智芯微电子科技有限公司
-
出处
《光通信研究》
北大核心
2024年第2期49-56,共8页
-
基金
国家电网资助项目(ZX-2020BC02-FW14)。
-
文摘
【目的】电力线载波(PLC)通信系统采用基于帧突发的传输模式,由于PLC系统的收发信机之间存在载波频偏、PLC信道存在各种噪声以及时变特性,加之PLC系统没有专用参考信号,传统信道估计对PLC信道没有跟踪预测能力,进而造成PLC系统性能恶化。【方法】文章针对现有问题,提出了一种基于长短期记忆(LSTM)神经网络和去噪卷积神经网络(DnCNN)的去噪长短期记忆(DnLSTM)神经网络,并利用该DnLSTM神经网络进行了PLC信道估计。首先对DnLSTM神经网络进行离线训练再保存训练好的DnLSTM参数,之后将其部署到PLC系统中,加载训练完成的参数后再进行在线预测,得到PLC系统信道响应。在电力线系统仿真中,文章采用最小二乘法(LS)、最小均方误差(MMSE)算法以及DnLSTM神经网络进行信道估计,给出在高斯白噪声(AWGN)、组合噪声、色噪声和脉冲噪声条件下的仿真结果,同时调整了用于信道估计的前导符号数量并进行了对应的仿真。【结果】仿真结果表明,DnLSTM神经网络进行信道估计的精度与采用的前导符号数量有关,采用4个前导符号进行信道估计,其估计精度优于LS,接近MMSE算法,并且DnLSTM神经网络具有很好的抵抗载波频偏以及信道时变的能力。当用于信道估计的前导符号越多时,低信噪比(SNR)情况下的PLC系统性能越好,高SNR情况下的PLC系统性能相似。【结论】通过以上仿真可得出,基于LSTM和DnCNN的DnLSTM神经网络可以很好地估计存在频偏的PLC系统信道响应,可实时跟踪其变化。
-
关键词
电力线载波通信
信道估计
深度学习
长短期记忆神经网络
去噪卷积神经网络
-
Keywords
PLC communication
channel estimation
deep learning
LSTM neural network
DnCNN
-
分类号
TN915.853
[电子电信—通信与信息系统]
-
-
题名基于改进DnCNN的机车信号抗干扰算法
被引量：8
- 5
-
-
作者
杨世武
楚少童
刘淑贤
刘倡
熊奇慧
-
机构
北京交通大学电子信息工程学院
中国银行股份有限公司软件中心(合肥)
-
出处
《北京交通大学学报》
CAS
CSCD
北大核心
2022年第2期73-81,共9页
-
基金
国家重点研发计划(2020YFC2200704)
国家铁路局标准项目(22T051)。
-
文摘
在高速和重载铁路牵引电流干扰严重区段,机车信号对于谐波干扰难以采用传统的时域或频域滤波方法有效抑制,导致掉码、延迟上码、误码等现象出现,影响运营效率.为此,本文首先改进去噪卷积神经网络(Denoising Convolutional Neural Networks,DnCNN),将网络中堆叠的单一尺度的卷积核替换为多尺度卷积核,在保证网络性能的同时降低网络深度,并通过残差学习方式得到预估的噪声分布,进而通过对消的方式抑制落入有效频带中的骚扰,使FSK(Frequency-shift Keying)信号低频幅值在有用频带附近最大化,提高信噪比(Signal-to-Noise Ratio,SNR).通过将本方法与常见的信号去噪算法进行仿真对比分析,并利用现场实测信号解码验证,结果表明,该方法能提升信噪比约13 dB,可以更准确地提取FSK机车信号特征频率,为提高机车信号抗干扰性能提供了新的途径.
-
关键词
机车信号
谐波骚扰
抗干扰算法
去噪卷积神经网络
多尺度卷积
-
Keywords
cab signalling
harmony disturbance
anti-interference algorithm
denoising convolutional neural network
multiscale convolution
-
分类号
U284
[交通运输工程—交通信息工程及控制]
-
-
题名基于DnCNN的海面目标一维距离像识别方法
被引量：6
- 6
-
-
作者
王哲昊
简涛
王海鹏
张健
-
机构
海军航空大学信息融合研究所
[
-
出处
《信号处理》
CSCD
北大核心
2021年第6期932-940,共9页
-
基金
国家自然科学基金(61971432,61790551)
泰山学者工程专项经费资助(tsqn201909156)
+1 种基金
山东省高等学校青创科技支持计划(2019KJN031)
基础加强计划技术领域基金(2019-JCJQ-JJ-060)。
-
文摘
针对低信噪比条件下海面目标分类识别精度差的问题,该文提出了一种基于去噪卷积神经网络(Denoising convolutional neural network,DnCNN)的海面目标高分辨一维距离像(High Resolution Range Profile,HRRP)识别方法。所提方法设计了一个海面目标分类识别模型,该模型通过其中的降噪模块提高信噪比。首先,分析了HRRP和二维图像的相似特性,将HRRP降噪转变为二维图像降噪。其次,利用深层次卷积层与批归一化层相结合的结构,提取图像深层次的噪声特征,最后采用残差学习技术,减轻深层次网络的学习负担的同时重构图像进行分类识别。实验结果表明,该模型可以有效提升低信噪比条件下的海面目标分类识别正确率,在不同信噪比条件下其识别性能均优于对比模型,具有良好的识别性能和鲁棒性。
-
关键词
去噪卷积神经网络
海面目标识别
高分辨一维距离像
残差学习
-
Keywords
denoising convolutional neural network
sea-surface target recognition
high resolution one-dimensional range profile
residual learning
-
分类号
TN957.51
[电子电信—信号与信息处理]
-
