• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于深度學(xué)習(xí)的無(wú)線電特征提取

      2018-09-13 07:40:58何學(xué)智林林黃自力解金豹
      無(wú)線互聯(lián)科技 2018年11期
      關(guān)鍵詞:無(wú)線電卷積神經(jīng)網(wǎng)絡(luò)特征提取

      何學(xué)智 林林 黃自力 解金豹

      摘要:文章針對(duì)現(xiàn)實(shí)環(huán)境下無(wú)線電通信環(huán)境復(fù)雜,通信方式復(fù)雜多變,且人工提取無(wú)線電特征工作量巨大又存在不穩(wěn)定因素,提出基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的無(wú)線電特征提取方法。用深度卷積神經(jīng)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)的特征提取算法對(duì)無(wú)線電時(shí)域信號(hào)進(jìn)行編碼學(xué)習(xí);然后通過(guò)深度學(xué)習(xí)特征矢量的相似度,實(shí)現(xiàn)同類調(diào)制信號(hào)相同特征的自動(dòng)匹配;最后,利用訓(xùn)練數(shù)據(jù)的類別標(biāo)簽信息自上而下對(duì)無(wú)線電特征進(jìn)行微調(diào),得到無(wú)線電深度學(xué)習(xí)表示向量以此訓(xùn)練全連接分類器實(shí)現(xiàn)無(wú)線電調(diào)制分類。實(shí)驗(yàn)結(jié)果表明,本方法能夠有效克服傳統(tǒng)線性分類方法的缺點(diǎn),有效地提升無(wú)線電調(diào)制方式分類性能。

      關(guān)鍵詞:無(wú)線電;特征提??;深度學(xué)習(xí);非線性映射;卷積神經(jīng)網(wǎng)絡(luò)

      人們?cè)谕ㄐ诺倪^(guò)程中希望達(dá)到快速有效、安全準(zhǔn)確的目的。為了更好地利用信道容量,以滿足用戶的大量需求,信道采用了不同的調(diào)制方式。調(diào)制方式是區(qū)分不同信號(hào)的一個(gè)重要特征,而當(dāng)我們需要準(zhǔn)確獲得信號(hào)的內(nèi)容,就需要知道信號(hào)的調(diào)制方式和調(diào)制參數(shù)[1]。有些情況下,甚至需要監(jiān)視通信信號(hào)的活動(dòng),了解信號(hào)的性質(zhì),甚至截獲其傳輸?shù)男畔?nèi)容。無(wú)線電認(rèn)知就是要提取出多信號(hào)和有噪聲干擾的無(wú)線電信號(hào)特征,其目的就是在未知調(diào)制信息的前提下,判斷出通信信號(hào)的調(diào)制方式[2]。

      近年來(lái),出現(xiàn)了一些基于信號(hào)的循環(huán)周期性,通過(guò)循環(huán)譜密度函數(shù)的循環(huán)周期出現(xiàn)的位置、大小等來(lái)確定調(diào)制方式,更多的是采用參數(shù)識(shí)別的方法[3]。以前的方法采用接收信號(hào)時(shí)域統(tǒng)計(jì)特征或者變換域的統(tǒng)計(jì)特性來(lái)識(shí)別其調(diào)制方式。在信噪比較高時(shí),這些方法會(huì)有很好的識(shí)別效果。然而,現(xiàn)實(shí)中無(wú)線電信號(hào)都在一個(gè)相對(duì)較低的信噪比環(huán)境下且噪聲的大小和種類都不是固定的,在某些噪聲較大的情況下,我們根據(jù)能量提取出的某個(gè)參數(shù)甚至是噪聲所引起的,這對(duì)于信號(hào)識(shí)別來(lái)講影響是巨大的[4]。因此,對(duì)高信噪比信號(hào)進(jìn)行識(shí)別沒(méi)有實(shí)際意義,而且不能單一地根據(jù)某幾個(gè)參數(shù)來(lái)作出最終的判決,因?yàn)槿魏我粋€(gè)參數(shù)所占的比例太大,對(duì)結(jié)果影響不可忽略。

      無(wú)線電特征提取的難點(diǎn)在于如何在循環(huán)周期密度中找到有用的信息[5]。頻率特征、包絡(luò)特征以及對(duì)比度特征等傳統(tǒng)的人工特征[6],不能準(zhǔn)確描述復(fù)雜電磁環(huán)境下的不穩(wěn)定特征,且不具備對(duì)位置、大小、時(shí)間等的不變性,無(wú)法作為

      自動(dòng)識(shí)別中的匹配特征[7]。深度學(xué)習(xí)能夠模仿人腦的機(jī)制來(lái)讀取數(shù)據(jù),神經(jīng)網(wǎng)絡(luò)的最大特點(diǎn)是自動(dòng)抽取無(wú)線電的本質(zhì)信息[8]。因此,針對(duì)復(fù)雜電磁環(huán)境中無(wú)線電特征提取的難題,本文提出在基于二階循環(huán)平穩(wěn)特性顯示不同調(diào)制無(wú)線電不同特性的基礎(chǔ)上,利用深度神經(jīng)網(wǎng)絡(luò)自動(dòng)提取無(wú)線電特征,實(shí)現(xiàn)無(wú)線電特征的自動(dòng)識(shí)別,取得了較高的識(shí)別率,滿足復(fù)雜電磁環(huán)境下的無(wú)線電特征提取任務(wù)[9]。

      1 深度學(xué)習(xí)模型構(gòu)建

      深度學(xué)習(xí)是一種特征提取過(guò)程[10],其基本思想是設(shè)計(jì)一個(gè)含有多個(gè)層次的系統(tǒng),前一層的輸出作為后一層的輸入,通過(guò)不斷調(diào)整參數(shù),使原始輸入的特征向量與輸出的特征向量差別盡可能小。其常用的網(wǎng)絡(luò)有以下幾種:自動(dòng)編碼器(Auto Encoder)、多層感知機(jī)(Multilayer Perceptron,MLP),卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)等[11]。本文選用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合徑向基函數(shù)(Radical Basis Function,RBF)作為深度學(xué)習(xí)的模型(見(jiàn)圖1)。因?yàn)镽BF網(wǎng)絡(luò)具有的優(yōu)秀非線性映射能力,在前向網(wǎng)絡(luò)中完成映射功能具有很大的優(yōu)勢(shì),本文中卷積神經(jīng)網(wǎng)絡(luò)(見(jiàn)圖2)在原有輸出層前添加一個(gè)RBF隱層,以進(jìn)一步加大深度學(xué)習(xí)特征分類的能力。本文中的神經(jīng)網(wǎng)絡(luò)其卷積神經(jīng)網(wǎng)絡(luò)部分由兩個(gè)卷積層C和兩個(gè)降采樣層S構(gòu)成。卷積層和降采樣層由若干個(gè)二維特征矩陣構(gòu)成。卷積網(wǎng)絡(luò)的卷積層為特征抽取層,其每個(gè)神經(jīng)元的輸入都與上級(jí)的局部數(shù)據(jù)相連,用以抽取局部特征。每級(jí)的S層為降采樣層,對(duì)上一級(jí)特征進(jìn)行降維處理[6]。

      2 基于深度學(xué)習(xí)的無(wú)線電特征提取

      基于循環(huán)譜方法提取無(wú)線電特征的關(guān)鍵在于找出無(wú)線電信號(hào)中具有循環(huán)周期性的變量,通過(guò)觀察變量的數(shù)量、大小和位置的不同[12]。本文提出基于深度學(xué)習(xí)特征的特征值提取方法,策略是模擬視覺(jué)感知系統(tǒng)的層次結(jié)構(gòu),建立基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)特征提取模型,自動(dòng)抽取循環(huán)譜中的本質(zhì)特征,并組成深度學(xué)習(xí)特征矢量,避免人工選擇及描述特征所存在的弊端,準(zhǔn)確定位循環(huán)密度中的有效特征并統(tǒng)計(jì)其所含有的意義。

      2.1 深度學(xué)習(xí)特征自動(dòng)提取

      本文提出的基于深度卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)特征自動(dòng)提取原理如圖3所示,無(wú)線電循環(huán)譜可直接作為卷積神經(jīng)網(wǎng)絡(luò)的最底層輸入,不需要對(duì)其提取幾個(gè)特征點(diǎn),逐級(jí)逐層抽取數(shù)據(jù)的更高級(jí)本質(zhì)特征。同樣重要的是抽取的特征具有對(duì)平移、強(qiáng)度和縮放的不變性,這正是含有隨機(jī)噪聲無(wú)線電特征提取所必需的。

      該卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、卷積層、池化層、特征矢量層等,神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)及參數(shù)如表1所示。

      2.2 特征匹配

      基于卷積網(wǎng)絡(luò)的深度學(xué)習(xí)網(wǎng)絡(luò)能夠從大量學(xué)習(xí)數(shù)據(jù)中獲得各隱層輸入與輸出的映射,從而使深度學(xué)習(xí)網(wǎng)絡(luò)有能力逐層抽取數(shù)據(jù)特征的能力[13]。本文采用有監(jiān)督訓(xùn)練的反向傳播算法,分為兩個(gè)階段:(1)前向傳播階段,二維數(shù)據(jù)直接輸入網(wǎng)絡(luò)的第一層,經(jīng)過(guò)各隱層變換、映射,直到輸出層。(2)向后傳播階段,用有標(biāo)簽的原始數(shù)據(jù),進(jìn)一步對(duì)深度網(wǎng)絡(luò)的參數(shù)進(jìn)行監(jiān)督調(diào)整。在訓(xùn)練過(guò)程中,本文采用將卷積神經(jīng)網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)分別訓(xùn)練的策略。卷積網(wǎng)絡(luò)部分的學(xué)習(xí)方法如下。

      2.2.1 前向傳播階段

      3 實(shí)驗(yàn)分析

      3.1 數(shù)據(jù)集的可用性

      我們仿真出BPSK,QPSK,8PSK,16QAM,64QAM,PAM,2ASK,2FSK,4FSK和MSK等10種調(diào)制方式,并對(duì)其做循環(huán)譜計(jì)算,得到它們的循環(huán)譜圖。在仿真數(shù)據(jù)時(shí),為了使數(shù)據(jù)更具有一般性,我們每個(gè)信號(hào)先隨機(jī)產(chǎn)生500個(gè)隨機(jī)位,然后對(duì)其進(jìn)行調(diào)制,使數(shù)據(jù)變白,以確保位是均勻的。

      無(wú)線電通信信號(hào)實(shí)際上是綜合生成的,我們以與實(shí)際系統(tǒng)相同的方式確定性地進(jìn)行,引入調(diào)制,脈沖整形,承載數(shù)據(jù)以及與現(xiàn)實(shí)世界信號(hào)相同的其他良好表征的發(fā)射參數(shù)。我們將真實(shí)的語(yǔ)音和文本數(shù)據(jù)集調(diào)制到信號(hào)上。在數(shù)字調(diào)制的情況下,我們使用塊隨機(jī)化器來(lái)使數(shù)據(jù)變白,以確保位是均勻的。

      考慮到現(xiàn)實(shí)環(huán)境的復(fù)雜性,我們對(duì)不同信號(hào)所加的噪聲也不是固定大小的,而是在-20?20 dB隨機(jī)選擇信噪比,以便更接近實(shí)際情況。

      3.2 數(shù)據(jù)集的可視化

      在時(shí)間和頻域(見(jiàn)圖5)中檢查來(lái)自每一類調(diào)制的單個(gè)示例,我們?cè)谝曈X(jué)上看到了調(diào)制之間的許多相似性和差異,但是由于脈沖整形、失真和其他通道效應(yīng),人類專家在視覺(jué)上并不容易辨別出。

      在頻域中,每個(gè)信號(hào)遵循類似的帶限功率包絡(luò),其形狀提供關(guān)于調(diào)制的一些線索,但是對(duì)于人類專家在視覺(jué)上判斷是一個(gè)困難的嘈雜任務(wù)。

      3.3 方法優(yōu)勢(shì)

      我們采取深度卷積神經(jīng)網(wǎng)絡(luò)的方式對(duì)數(shù)據(jù)進(jìn)行處理,不需要人為提取有用特征,而傳統(tǒng)的方式都在循環(huán)譜基礎(chǔ)上提取4個(gè)最大值作為機(jī)器學(xué)習(xí)輸入[16]。相比之下,我們的方式更能夠節(jié)約人力,同時(shí),選取的少數(shù)幾個(gè)最大值很有可能是某一點(diǎn)較大噪聲引起的,這將造成錯(cuò)誤結(jié)果,而深度卷積網(wǎng)絡(luò)能夠充分利用所有的數(shù)據(jù)點(diǎn),卷積層更是有減少噪聲影響的作用,人工提取方法和深度卷積網(wǎng)絡(luò)方式對(duì)比如圖6所示。從圖中我們看出,人工方式由于提取的數(shù)據(jù)較少,相對(duì)擬合速率較快,但在精確度上,深度卷積神經(jīng)網(wǎng)絡(luò)卻能達(dá)到更好的識(shí)別率。我們的方法在無(wú)線電特征提取上有巨大的優(yōu)勢(shì)。

      4 結(jié)語(yǔ)

      針對(duì)復(fù)雜環(huán)境下的無(wú)線電特征提取任務(wù),鑒于噪聲情況下無(wú)線電的識(shí)別存在很大的困難,其特征難以定位,在基于循環(huán)譜密度提取無(wú)線電特征的基礎(chǔ)上,實(shí)現(xiàn)深度卷積網(wǎng)絡(luò)自動(dòng)提取無(wú)線電特征,實(shí)現(xiàn)了在不同信噪比中無(wú)線電信號(hào)的準(zhǔn)確匹配,最終匹配誤差小于5%,能夠滿足我們對(duì)無(wú)線電識(shí)別的要求。本方法在成本、效率和準(zhǔn)確率上都優(yōu)于傳統(tǒng)的人工特征提取方法。

      [參考文獻(xiàn)]

      [1]KRIZHEVSKY A, SUTSKEVER I, HINTON G E.Imagenet classification with deep convolutional neural networks[J].Advances inNeural Information Processing Systems, 2012(2):1097-1105.

      [2]SAINATH T N, WEISS R J, SENIOR A, et al.Learning the speech front-end with raw waveform CLDNNS[C].Dresden:16th AnnualConference of the International Speech Communication Association, 2015.

      [3]TIELEMAN T, HINTON G.1.ecture 6.5-rmsprop:divide the gradient by a running average of its recent magnitude[J].Neumfor Machine Learning, 2012(4):2.

      [4]SHEA O.GNU radio channel simulation[J].GNU Radio Conference, 2013(5):13-15.

      [5]ABADI M, AGARWAL A, BARHAM P, et al.Tensorflow:large-scale machine learning on heterogeneous systems[J].Distributed,Parallel, and Cluster Computing, 2015(3):16-18.

      [6]余永維,殷國(guó)富,殷鷹,等.基于深度學(xué)習(xí)網(wǎng)絡(luò)的射線圖像缺陷識(shí)別方法[J].儀器儀表學(xué)報(bào),2014(9):2012-2019.

      [7]王峰基于遺傳算法的認(rèn)知無(wú)線電決策引擎研究[D].大連:大連理工大學(xué),2011.

      [8]CHOLLET F.Join GitHub today[EB/OL](2017-05-09)[2018-04-24].https://github.com/fchollet/keras.

      [9JGRAVES A, MOHAMED A R, HINTON G. Speech recognition with deep recurrent neural networks [J].Neural and EvolutionaryComputing, 2013(3):22.

      [10]KINGMA D P, BA J.Adam:a method for stochastic optimization[C].San Diego:Conference Paper at the 3rd International Conferencefor Learning Representations, 2015.

      [11]王海軍,粟欣,王京.認(rèn)知無(wú)線電中的協(xié)作頻譜檢測(cè)技術(shù)[J].中興通訊技術(shù),2009(2):13-14.

      [12]郭彩麗,馮春燕,曾志民.認(rèn)知無(wú)線電網(wǎng)絡(luò)技術(shù)及應(yīng)用[M].北京:電子工業(yè)出版社,2010.

      [13]陳振宇,曹婉.戰(zhàn)場(chǎng)環(huán)境與可視化技術(shù)[M].北京:軍事科學(xué)出版社,2006.

      [14]JADERBERG M, SIMONYAN K, ZISSERMAN A, et al.Spatial transformer networks [J].Computer Vision and Pattern Recognition,2016(2):44-49.

      [15]ZENG Y, LIANG Y C.Eigenvalue-based spectrum sensing algorithms for cognitive radio[J].IEEE Transactions on Communications,2009(6):1784-1793.

      [16]彭振,趙知?jiǎng)?,鄭仕?基于混洗蛙跳算法的認(rèn)知無(wú)線電頻譜分配[J]計(jì)算機(jī)工程,2010(6):210-212.

      猜你喜歡
      無(wú)線電卷積神經(jīng)網(wǎng)絡(luò)特征提取
      基于Gazebo仿真環(huán)境的ORB特征提取與比對(duì)的研究
      電子制作(2019年15期)2019-08-27 01:12:00
      一種基于LBP 特征提取和稀疏表示的肝病識(shí)別算法
      基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
      無(wú)線電通信測(cè)向誤差分析
      深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
      基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
      軟件工程(2016年8期)2016-10-25 15:47:34
      做好基礎(chǔ)工作,保護(hù)邊境地區(qū)用頻權(quán)益
      基于卷積神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別的算法的研究
      淺析Frequentis VCS3020X 7.0系統(tǒng)在廣州區(qū)域管制中心的應(yīng)用
      科技視界(2016年14期)2016-06-08 22:06:46
      無(wú)線電調(diào)試的技術(shù)研究
      镇安县| 贵州省| 富蕴县| 桓台县| 台东市| 宿松县| 密云县| 枣庄市| 七台河市| 丹寨县| 韶山市| 庐江县| 县级市| 台北市| 和政县| 桃江县| 新竹县| 安远县| 龙胜| 沂南县| 麦盖提县| 辛集市| 南乐县| 肥乡县| 河津市| 葫芦岛市| 平潭县| 咸丰县| 南岸区| 定陶县| 清远市| 嵊州市| 溧水县| 昌平区| 大理市| 漾濞| 贡嘎县| 菏泽市| 白银市| 永安市| 庆云县|