针对神经网络提取的信号特征不足导致信号识别率下降的问题,提出基于门控注意力网络的调制信号分类识别算法。该算法先对输入信号进行混合数据增强,生成更多维度的样本以便网络更好地提取信号特征;再将处理后的样本信号输入双通道网络(C...针对神经网络提取的信号特征不足导致信号识别率下降的问题,提出基于门控注意力网络的调制信号分类识别算法。该算法先对输入信号进行混合数据增强,生成更多维度的样本以便网络更好地提取信号特征;再将处理后的样本信号输入双通道网络(CNN and BiLSTM Parallel),并行提取信号的空间特征和时间特征;最后将提取到的特征输入到门控注意力网络中,自适应地调整特征权重,减少网络复杂度。实验表明,文中提出的算法最高分类准确率为92.3%,优于对比的其他网络模型。展开更多
文摘针对神经网络提取的信号特征不足导致信号识别率下降的问题,提出基于门控注意力网络的调制信号分类识别算法。该算法先对输入信号进行混合数据增强,生成更多维度的样本以便网络更好地提取信号特征;再将处理后的样本信号输入双通道网络(CNN and BiLSTM Parallel),并行提取信号的空间特征和时间特征;最后将提取到的特征输入到门控注意力网络中,自适应地调整特征权重,减少网络复杂度。实验表明,文中提出的算法最高分类准确率为92.3%,优于对比的其他网络模型。
文摘由于低照度图像具有对比度低、细节丢失严重、噪声大等缺点,现有的目标检测算法对低照度图像的检测效果不理想.为此,本文提出一种结合空间感知注意力机制和多尺度特征融合(Spatial-aware Attention Mechanism and Multi-Scale Feature Fusion,SAM-MSFF)的低照度目标检测方法 .该方法首先通过多尺度交互内存金字塔融合多尺度特征,增强低照度图像特征中的有效信息,并设置内存向量存储样本的特征,捕获样本之间的潜在关联性;然后,引入空间感知注意力机制获取特征在空间域的长距离上下文信息和局部信息,从而增强低照度图像中的目标特征,抑制背景信息和噪声的干扰;最后,利用多感受野增强模块扩张特征的感受野,对具有不同感受野的特征进行分组重加权计算,使检测网络根据输入的多尺度信息自适应地调整感受野的大小.在ExDark数据集上进行实验,本文方法的平均精度(mean Average Precision,mAP)达到77.04%,比现有的主流目标检测方法提高2.6%~14.34%.
