一、实时高效联合变换相关器作指纹识别(论文文献综述)
张少慧[1](2021)在《基于SOPC的多种生物特征识别系统的研究》文中认为当今社会信息飞速发展,个人信息安全是信息时代备受关注的问题。身份信息识别技术作为可有效保护信息安全的手段一直是热点研究方向。基于生物特征的身份信息认证识别技术以其稳定性、可靠性及安全性等优点被广泛应用于各领域。但在实际应用中,单模态生物特征识别技术存在如特殊人群生物特征损坏或缺失,防伪性较差等固有缺陷。针对此问题,本文提出了基于SOPC的人脸、虹膜、指纹三种单模态生物特征融合识别方案,可有效弥补上述单特征识别技术的不足。本文具体工作如下:1.单模态生物特征识别的研究。在阅读大量文献后,本设计选择了具体使用的人脸、虹膜及指纹三种生物特征识别的相关算法,并对其进行验证。其中,本文针对虹膜定位算法做出了改进,通过对瞳孔中心位置进行估计,并在此基础上利用先验知识减小大量无用边缘点,实现快速虹膜定位。同时本文还对传统指纹特征提取算法做出了改进,在提取特征的同时去除伪特征点,提升指纹特征提取速度。2.人脸、虹膜、指纹融合识别的研究。本文选定在分数层融合三种生物特征,并根据实际需求设计了人脸+虹膜、人脸+指纹、虹膜+指纹三种融合方案。针对传统分数层加权融合算法计算量大、权值分配固定等缺点,本文提出了自适应加权融合算法。通过判断单生物特征识别系统的可靠性确定融合方案,再根据不同权值的融合系统的可靠性确定最终最佳融合权值,以得到性能最佳的融合系统。3.SOPC系统的开发。本文通过硬件描述语言对按系统需求添加的IP核进行连接,完成了系统的硬件开发,将PC端验证可行的算法采用C语言编写并在Nios II处理器上运行实现,完成了系统软件开发。最后将整个系统在DE2-115开发板得到了验证,初步实现了融合身份识别系统。
崔天舒[2](2021)在《面向天基电磁信号识别的深度学习方法》文中进行了进一步梳理电磁空间是信息产生、传输、感知和利用的主要渠道,也是信息化战争时代新型作战形式的重要依托。天基电磁态势感知系统,在大范围空间内获取雷达、通信、导航和数据链等电磁信号并进行态势分析与预测,有助于实现对陆、海、空和天各类辐射源的侦察、监视、跟踪与识别,从而掌控整个电磁空间态势。随着空间电磁设备的快速增长,电磁信号越来越密集,面对复杂多样的电磁目标,基于目标建模和人工特征的传统方法越来越难以应对。数据驱动的深度学习方法具有强大的特征表达能力,非常适合处理大数据问题。电磁信号识别是电磁态势感知核心组成部分,其目标是获取辐射源调制方式与个体身份,基于深度学习的电磁信号识别具有重要的研究价值与应用前景。空间中电磁信号类型多、差异大,若根据不同频段、不同辐射源类型和不同应用设计各自的识别系统,则工程应用成本高昂。本文将自动调制识别与射频指纹识别视为连续信号的模式识别问题,采用外部视角,将发射机整体外部行为作为研究对象,从发射机输出信号中学习获得识别模型,实现电磁信号识别。依此设计的电磁信号智能处理架构、IQ相关特征卷积网络结构,以及压缩信号智能处理框架,可处理自动调制识别与射频指纹识别2种应用。深度神经网络虽然擅于挖掘高冗余数据复杂特征,但也存在模型庞大、计算复杂度高的不足。由于功耗及空间辐射环境等限制,天基平台的存储空间与计算能力特别有限。为弥合天基平台性能与深度学习资源需求之间的差距,提出了一种轻量化智能处理架构。首先将数据流拆分成小数据段,然后直接采用卷积神经网络处理,最后通过序列联合判决算法进行信息融合。处理相同长度信号,轻量化智能处理架构的参数量与计算量仅为Alex Net的0.037%与40%,Google Net的0.170%与14.3%。轻量化智能处理架构的整体性能取决于单个分类器,为实现信息高效利用,提出了一种IQ相关特征卷积网络结构。在自动调制识别应用中,当信噪比≥0d B时,仅用50%的计算量可将识别准确率提高了9.88%,且比传统高阶统计量方法识别准确率高37.63%。在射频指纹识别应用中,仅用50%的计算量可将准确率提高了12.28%,且比传统功率谱密度方法准确率高33.16%。通信和雷达信号不断向高频段拓展,信号带宽迅速提高,采样压力越来越大。面对宽带信号识别问题,提出了一种结合压缩感知与深度学习的压缩信号智能处理框架。在自动调制识别和射频指纹识别中,即使将采样率分别降低16和64倍,也能达到Nyquist采样信号同等识别准确率,大大拓宽了信号的识别范围。最后,基于轻量化智能处理架构,采用低成本信号采集与处理平台,实现了一套识别准确率接近100%的亚Nyquist采样信号射频指纹识别实时处理系统。
崔晓燕[3](2013)在《基于CUDA的指纹识别加速算法的研究》文中指出基于特征点匹配的指纹识别算法是目前在安防领域中使用最为广泛的指纹识别算法,通常可采用FPGA、DSP等硬件实现现场的实时处理。但当指纹污损较为严重时,该硬件系统或者难以识别,或者由于算法过于复杂,难以满足实时性要求。而基于光学联合变换相关的指纹识别算法,是采用光学系统对待识别指纹与系统库指纹进行互相关运算,对污损指纹的识别具有一定的鲁棒性。并且,利用光学系统的高度并行性可实现系统的快速识别,满足实时性要求。但该系统的搭建对环境要求较高,在很多场合难以普及。本文提出了一种基于方向滤波的联合变换相关指纹识别算法,利用指纹在不同方向的图像特征进行联合变换相关运算,大幅提高了指纹识别的准确度。在此基础上,本文基于GPU平台编写了联合变换相关指纹识别的并行处理算法,提高了应用场合的灵活性,同时也满足了系统处理速度的实时性要求。围绕指纹识别算法在GPU平台下的加速实现,本文研究工作主要包含以下几个方面:(1)讨论了基于GPU的CUDA线程执行机制、线程结构模型、存储器层次模型和软件体系,采用VS2008搭建了CUDA实验平台,根据测试的实验环境参数设计了针对本文课题的CUDA线程分配模型。(2)深入研究了基于方向滤波的联合变换相关指纹识别算法,采用NVIDIA GeForce GT525M显卡,在VC平台下实现了基于GPU的并行运算,验证了GPU加速实现联合变换相关的可行性。(3)深入研究了包括图像去噪、图像分割和图像增强的指纹预处理算法,基于VC开发平台,分别讨论了CPU和GPU实现方案,并对基于CUDA的预处理算法作了加速性能测试。
袁怡圃,赖虹凯[4](2005)在《基于联合变换相关器的光电混合指纹识别技术》文中研究表明指纹识别具有很好的方便性和可靠性,是现代社会应用最广的生物特征识别技术.本文介绍指纹识别技术的发展和分类,论述了基于联合变换相关器的光电混合指纹识别技术,包括指纹取像技术与指纹预处理、指纹图像的匹配、系统的性能参数的定义以及光学联合变换相关器的各种改进方法,讨论了光电混合指纹识别技术的发展方向.
王红霞,何俊发,竹有章,赵选科[5](2004)在《实时高效联合变换相关器作指纹识别》文中进行了进一步梳理提出一种用高效联合变换相关器(JTC)作实时指纹识别的方法。用直角棱镜作为指纹的实时输入装置,用多焦点全息透镜产生目标指纹和参考指纹的联合变换功率谱阵列,在输出面上得到增强和相关信号。实验表明,这种识别方法特别适于由于手指按压部位不同和用力大小不同而产生少许变形的指纹图像的识别。
王一帆[6](2021)在《基于Wi-Fi/地磁/PDR的智能手机室内多源融合定位模型研究》文中提出随着物联网技术的快速发展,大量的商业应用均离不开位置服务的支持,人们对定位技术的需求已经逐渐由室外延伸到了室内。由于信号受到建筑物遮挡,以GPS为代表的全球卫星导航系统在室内作用有限,如何实现低成本高精度的室内定位,正在成为国内外研究的热点,但目前还没有形成一种权威、公认的标准方案。智能手机作为当下人们工作生活的必须工具,凭借其自身配备的多传感功能和用户不断扩大的优势,使得基于智能手机的Wi-Fi、地磁和行人航位推算定位技术具备了普适性和大范围推广的条件。Wi-Fi和地磁定位技术依靠室内公共区域广泛布设的无线接入点和建筑物内部的磁场来实现行人定位,具有无需增加基础设施、覆盖范围广、定位精度高、定位误差不随时间累积的优点;基于惯性传感器的行人航位推算具有短时间内定位精度高、自主性强的特点,因此,以这三种技术构建低成本高精度的室内定位方案具有非常大的潜力。本文围绕单系统定位方法的优化创新,到多源融合定位方案的形成,重点对基于智能手机的Wi-Fi、地磁和PDR定位方法和多源融合策略开展研究,并通过多个场景下的实验进行了充分测试验证,主要贡献包括:(1)针对当前室内环境下Wi-Fi样本数量众多,信号在多路径影响下存在无规律波动的问题,提出了一种基于深度神经网络的Wi-Fi位置识别方法。该方法在不需要复杂的聚类筛选前提下,采用堆叠降噪自编码器(SDAE)来捕获波动的Wi-Fi信号的鲁棒特征,在定位阶段通过后验概率和指纹点间的几何关系组合定权求取未知点坐标。此外,结合行人动静态时的定位特性,构建了动态卡尔曼滤波平滑和静态隐马尔科夫优化模型来克服粗差对Wi-Fi定位结果的影响。实验结果验证了基于深度神经网络在位置识别中的可行性。在不同的场景下,基于深度神经网络的Wi-Fi位置识别方法比传统Wi-Fi定位方法更加准确和稳定。(2)在地磁定位中,采用了一种连续路径采集的方法来降低数据采集过程中的劳动消耗,该方法对于Wi-Fi信号的采集同样适用。针对地磁信号特征较少,只使用地磁模值定位误差较大的问题,本文通过旋转变换构建了五维地磁特征来提高地磁匹配的精度。在定位过程中,为了提高地磁定位的效率,将下界函数与多维动态时间规整算法(M-DTW)结合,提出了一种改进的DTW地磁定位方法。每次定位时,提前剔除了不可能最优的匹配序列,在保证定位精度的同时,有效避免了地磁定位计算成本高的缺陷,在不同地磁序列长度下定位时耗降低了23%~72%,在走廊中的定位误差为0.47米,在整个楼层中的定位误差为3.58米。(3)在智能手机MEMS惯性传感器利用方面,根据行人不同运动模式下加速度和陀螺仪数据具有的不同时域统计特征,构建了一种基于极限学习机(ELM)的行人运动模式识别模型,运动模式识别准确率达97.25%。针对行人航位推算中低通滤波会破坏原始波形且无法对波峰进行有效识别的问题,提出了局部阈值简参步频探测的方法,该方法引入了局部信息概念,只需设定波峰阈值和相邻时间差阈值即可对行人的步频峰值进行探测。实验结果表明,在不同行走距离和不同手机使用姿势下,步频探测误差不超过3步。此外,本文还对纯惯导式行人航位推算进行尝试,通过识别加速度数据中的虚拟零速状态来对智能手机惯导解算的航位进行修正,使数分钟就发散至十千米以外的惯导解算结果在零速修正的约束下得到了有效收敛,行人航位推算的轨迹与真实轨迹能够相符。(4)在多源定位信息融合中,提出了一种基于因子图模型的融合定位方法。为解决融合过程中粗差对定位结果的影响,引入了自适应抗差调节机制来实时调节融合系统中的观测信息权重,并利用历史融合位置信息对Madgwick姿态解算中的航向进行实时修正。在Wi-Fi/PDR融合定位测试中,分别使用手持平举、悬垂摆动和电话呼叫三种典型手机使用姿态,融合定位的平均误差小于1.4米,与没有自适应抗差调节的定位结果相比,定位精度提高了29.6%。(5)针对Wi-Fi定位在信号受到干扰时会出现粗差,地磁定位需要满足一定长度的地磁序列、大范围场景容易出现误匹配,以及PDR无法确定起始位置、误差随时间积累的问题,提出了两种Wi-Fi/地磁/PDR多源融合定位方案并做了对比分析,融合中使用自适应因子图模型和质量控制机制。其中,方案1利用Wi-Fi定位结果缩小地磁匹配的范围,降低了地磁误匹配的概率,之后将Wi-Fi/地磁定位结果与PDR进行融合;而方案2则是以地磁/PDR为定位的主要输出,Wi-Fi在初始位置、静止状态和地磁变化不明显的区域提供位置信息作为辅助。与方案1相比,方案2在避免Wi-Fi粗差干扰下,充分发挥了地磁和PDR的定位性能,在复杂的大范围场景下,方案2的定位误差仅为2.33米,与方案1相比定位精度提高了28%。该论文有图105幅,表24个,参考文献205篇。
何兵[7](2021)在《基于信号指纹的多旋翼无人机遥控端个体识别研究》文中认为针对当前无人机“黑飞”事件日益增多,规范无人机安全有序地飞行引起了各个地方的重视,对无人机遥控端个体进行识别,成为了规范无人机飞行中重要的一环。由于无人机遥控端个体间信号差异细微,传统的识别方法不再适用,需要依据无人机遥控信号特征,研究无人机遥控端个体识别方法。本文从理论和实验两个方向开展无人机遥控端个体识别的研究,构建了无人机信号发射器模型、研究了无人机信号指纹形成机理、通过采集无人机的遥控信号提取了无人机遥控信号不同指纹特征参数、通过实验分析四种信号指纹参数在不同信噪比下对无人机遥控端个体识别的影响,最后开发了一套无人机遥控端识别系统,并在真实环境下对识别效果进行了验证,本文的主要研究结果如下:(1)通过构建的无人机信号发射器模型,本文探讨了无人机信号指纹特征的形成机理。由于无人机信号发射器中元器件的差异,导致了无人机信号间中存在着不可避免差异,具体表现在相位噪声、载频偏差和功率放大电路的非线性,而这种设备间的差异就是无人机信号指纹产生的原因。(2)针对无人机遥控端传输信号的特点,提出四种无人机信号指纹提取方法:暂稳态特征融合方法,拟合暂态信号的幅值曲线,提取稳态信号的瞬时频率;星座图特征法,得到遥控信号的星座图,再通过K-means聚类算法,得到两个聚类中心点坐标;双谱特征法,估计得到无人机遥控信号的双谱值,再通过矩形积分双谱估计将得到的双谱值降维为一维向量;EWT经验小波变换的方法,通过经验小波变换将无人机遥控信号分解为一系列的滤波分量。(3)搭建了无人机遥控端识别实验平台,用于验证四种无人机信号指纹提取方法在不同信噪比下的识别效果。实验结果为:采用提取暂稳态信号特征融合方法,在信噪比10d B时对2个大疆遥控端个体有90%以上的识别正确率;采用提取信号星座图特征方法,在信噪比10d B时对4个SKY型遥控端个体有95%以上的识别正确率;采用提取信号双谱特征方法,在信噪比0d B时对4个SKY型遥控端个体,取得95%以上的识别正确率;最后采用提取信号EWT特征的方法,在信噪比8d B时对4个SKY型遥控端个体,取得95%以上的识别正确率。(4)开发了一套实时识别无人机遥控端系统。系统采用USRP B210作为无线信号采集设备,通过提取信号星座图特征,对4个SKY型无人机遥控端进行实时识别。系统在5m至50m不同距离对无人机遥控端个体进行识别,在识别距离为5m处,对4个无人机遥控端个体取得近乎100%的识别正确率,但随着距离增加识别率会有所下降。
郝占军[8](2021)在《基于信道状态信息的无线智能感知关键技术研究》文中研究表明随着Wi-Fi感知技术的广泛兴起,本文在基于信道状态信息(Channel Status Information,CSI)的无线感知理论基础上,以感知粒度的粗细为主要研究脉络,针对粗粒度的位置轨迹和动作行为感知、细粒度的手势识别、微粒度的生命体征感知开展深入研究,旨在探索不同环境与不同感知粒度下的感知机理,进行基于CSI特征的目标建模,构建无线感知模型;针对不同的感知环境,研究CSI信号的获取、数据预处理、特征提取、感知识别等方法与技术。为新型无线通信的无线感知技术及算法带来新启示,对无线智能感知技术在人机交互、智能驾驶、健康医疗、动作行为识别等领域的相关应用产生积极的推动作用。主要工作体现在以下几点:(1)针对目前基于CSI的定位,存在指纹生成复杂、定位实时性差、定位误差高,以及在复杂非视距环境下时钟不同步问题与多径效应引起的误差问题,提出了一种基于CSI幅值端点特定剪裁和支持向量机的室内定位方法(EC-SVM)。首先,使用基于密度的聚类算法消除由于多径效应产生的异常值,通过对CSI幅值端点进行特定剪裁(End Clipping,EC);然后,将三个CSI通信链路的信号进行融合,对融合后的链路进行特征提取,构建指纹数据库;最后,根据裁剪后的CSI位置幅度特征,使用SVM进行分类,最终获得物理位置的估计结果。通过实验验证,该方法在室内移动目标的实时定位、轨迹追踪和入侵检测等方面具有很好的性能,当定位误差为1.5 m时,EC-SVM算法的定位精度可达到89%。(2)针对动作识别精度受人体的运动方向影响严重,难以保证不同方向上识别的鲁棒性,以及对复杂动作的识别困难的问题,提出一种与方向无关的动作识别方法(Wi-M)。首先,通过商用Wi-Fi设备采集动作行为的CSI信息,并利用离散小波变换进行降噪处理;然后,使用主成分分析及短时傅里叶变换提取动作数据的多普勒频移,构建频域能量指示器,将人体运动在频域上的多普勒频移与快速傅里叶变换值作为共同的动作识别特征;最后,基于长短时记忆网络进行动作的分类并识别。该方法将空间特征集成到时间模型中,提升了无线信号对人体动作识别的鲁棒性与准确性,可以有效降低动作行为的方向信息影响,判断动作的起始,具有良好的环境迁移性和识别能力。在二种常见的室内环境中(大厅、办公室)进行了实验验证,在不同环境中平均识别率可以达90.6%,针对头、手、腿、躯干等不同部位动作的平均识别准确率可达94.68%。(3)针对传统的手势识别存在的成本畸高、设备操作复杂、入侵性强等普适性问题,以及如何解决手势识别的泛化能力、手势识别的整体性能和多人不同手势的交互识别等关键问题,提出了一种基于CSI的手语动作识别方法。首先,通过Wi-Fi设备采集人体的原始手语数据,利用高斯滤波器以及移动平均滤波器处理原始数据中环境噪声,计算每条子载波的能量,选取最优子载波;然后,根据CSI的时域信息来提取手势波动轮廓,选择CSI手语动作数据的均值、方差、偏度、峰度来提取与手语动作相关的高层次特征;最后,通过改进的Adaboost分类器分类识别不同的手语动作。在真实场景中验证了该方法在手写数字手势方面的性能,识别准确率误差在2%以内;实现了2至3人交互对话场景下的并发手语识别,且准确率在85%以上,为无线感知技术在手势识别方面的应用提供了一个可行的方案。(4)针对像呼吸更细微的人体动作数据采集困难、识别难度大的问题,研究了菲涅尔区感知模型,包括菲涅尔区反射模型和衍射模型的基本原理,建立了生命体征监测的物理模型,提出了一种基于CSI信号的人体呼吸模式检测方法。首先,利用从Wi-Fi信号中提取到的信道状态信息作为检测细微呼吸动作的测量指标,利用呼吸和心跳频率的不同从中分离出呼吸和心跳信号的频域信息;引入菲涅尔区模型,提取变化明显的CSI呼吸信号,将采集到的数据使用Hampel滤波进行异常值的处理,利用PCA算法提取最优子载波,并用Sym8小波函数进行进一步的去噪、平滑处理;最后,使用优化的双向循环神经网络(Bi RNN)构建呼吸模式分类器,对4种不同呼吸模式的信号进行分类感知,从而判断当前人体的生理状态。在两种实际场景中测试了该系统性能,总体识别率达到了94.6%,实验表明该方法具有较高的识别性能与较强的鲁棒性。
李润东[9](2021)在《基于深度学习的通信信号智能盲检测与识别技术研究》文中研究指明非合作接收条件下的通信信号检测、调制识别、辐射源个体识别等盲检测与识别处理,是开展无线电频谱监测和战场通信侦察对抗的重要基础。然而,受限于非合作接收时强干扰和快变化的恶劣电磁环境、复杂多样的通信信号体制、无法全面掌握信号先验信息等不利因素影响,通信信号盲检测与识别是一项极具挑战性的研究课题。本文在全面梳理基于专家经验特征的传统盲检测与识别方法的基础上,针对其特征提取依赖人工经验的主要问题,基于深度学习的特征自主学习框架,提出了通信信号智能检测、智能调制识别、智能辐射源个体识别等智能盲检测与识别方法。通过仿真和实测数据验证了算法有效性,并设计实现工程系统,验证了算法和系统对于实际通信信号的检测与识别效能。本文的主要工作和贡献包括:1、在通信信号宽带检测方面,针对传统检测方法信号参数获取不完整和易受噪声影响的问题,提出了基于YOLOv3(You Only Look Once v3)目标检测网络优化改进的智能宽带检测方法,从宽带时频图中完成了高效准确的信号盲检测。首先,采用小样本量信号自动标注构建宽带时频图数据集,解决了海量样本标注难题;其次,根据通信信号时频特性自适应设置先验锚框,保证了网络对通信信号的适应性与高效检测能力;最后,针对原有网络训练和推断时数据分布不一致所导致的检测精度低问题,采用CIOU(Complete-Intersection Over Union)算法改进训练代价函数,利用DIOU(Distance-Intersection Over Union)算法改进推断时的非极大值抑制准则,在提高训练速度的同时达到了较高的检测精度。2、在窄带突发通信信号体制识别方面,针对深度学习方法难以区分时频特征相近信号、模板匹配方法需要先验规格且计算量大的问题,提出了将深度学习时频图识别与前导码滑动相关频谱峰值检测进行级联融合的智能窄带突发信号识别方法,实现了精确的信号体制识别和参数估计。首先,设计了时频多维参数偏移算法来增强训练数据集,降低了数据收集难度且提升了训练数据的全面性和多样性;然后,引入改进的深度残差注意力网络,提取了重点时频特征进行体制初步识别,再基于信号与前导码滑动相关后的频谱峰值检测结果,对不可分信号进行细化判证,实现了对窄带突发信号体制类型、载频、突发时刻等参数的精确获取。3、在通信信号调制识别方面,针对传统识别方法依赖专家经验和信号条件的问题,提出了基于降噪循环谱与稀疏滤波卷积网络的智能调制识别方法,实现了模拟调制和低阶数字调制信号的鲁棒识别。首先,对信号循环谱进行低秩表示降噪处理,净化数据以降低网络训练难度;其次,设计了一种新型的稀疏滤波准则对网络进行逐层无监督预训练,有效挖掘了循环谱的稀疏特性,利用小规模卷积网络即可实现鲁棒可靠的调制识别。更进一步,为适应对高阶数字调制信号的识别,提出了一种基于新型深度几何卷积网络的智能调制识别方法,设计了具备多尺度和多方向特性的几何滤波器,从信号的魏格纳-威利分布映射图中学习更具有分辨力的多尺度和多方向几何特征,提高了调制识别的准确率和鲁棒性。4、在通信信号调制编码联合识别方面,为了能以端到端的方式同时识别信号的调制方式和信道编码类型,研究探索了一种基于深度注意力门控卷积网络的智能调制编码联合识别方法,实现了多类型调制编码信号的有效识别。首先,为避免时频图变换带来的高计算复杂度,针对一维原始波形数据,设计了一维卷积层来提取调制结构特征;其次,利用门控循环模块提取信号时序监督特征,并设计“显着”注意力机制对时序特征开展注意力变换以增强特征提取与识别效能。5、在通信辐射源个体识别方面,针对传统识别方法难以全面表征辐射源本质特性、易受信号与目标变化影响的缺点,提出了基于多域特征融合学习的智能辐射源个体识别方法,在多目标辐射源集合上达到了较好的识别效果。首先,对接收信号进行精确的参数“校准”预处理以去除信号中的不稳定因素,再对校准后信号进行高精度星座矢量图映射以表征辐射源发射机的联合畸变特性;其次,设计了新型一维复数密集连接卷积网络、引入了具有高层特征全局注意力机制的新型Bo TNet(Bottleneck Transformer Networks)模型,分别对波形与频谱、波形与星座矢量图数据开展高效的复杂多域特征提取;最后,设计了三种融合策略对多域特征进行融合学习,提取了更全面完整的个体特征。同时,还研究了基于迁移学习的新辐射源目标集识别网络设计和训练方法,有效利用了大样本训练得到的基础模型的先验知识,实现了小样本条件下新辐射源目标的准确识别。6、在工程实现方面,设计构建了通信信号智能检测识别系统,对本文提出的各类通信信号智能检测与识别方法开展转化与集成,解决了快速并行信道化与深度学习推断加速等工程实现关键问题,对实际短波、卫星、超短波等通信信号实现了高性能的盲信号检测、调制识别和辐射源个体识别。
宋浠瑜[10](2020)在《房间轮廓声学重构与室内声学定位关键技术研究》文中研究说明位置信息可用于提供个性化服务以增强用户体验,促进物联网产业发展及智慧城市建设。随着全球定位系统(Global Positioning System,GPS)和北斗导航系统(BDS)的广泛应用,室外定位问题己基本解决,室外位置信息服务(Location Based Services,LBS)产业蓬勃发展。然而,人类80%以上的时间都在室内环境中活动,位置服务、社交网络、健康求助、智慧城市、应急救援、物联网、精确打击等无不需要具备室内定位功能。由于受建筑物的遮挡和多径效应的影响,GPS或BDS的室内定位性能无法满足人们对室内LBS的应用需求,因此,室内定位己成为LBS应用推广最迫切需要解决的问题。实用的室内定位方案需要满足精度、覆盖范围、可靠性、成本、功耗、可扩展性和响应时间等方面的需求。近年来,国内外研究者们提出了蓝牙、红外线、RFID、WLAN、超宽带、超声波等室内定位技术及应用系统,但是受人类活动干扰、信号多径传播、基础设施依赖等因素影响,不同的室内定位技术根据其定位性能都有一定的应用局限,迄今为止尚无一种普适化的室内定位系统能提供主导室内的全球性、全天候定位服务,使LBS产业全面覆盖室内外空间。因此,如何在室内复杂环境中进行场景识别并提升感兴趣目标的定位性能,己成为各种智能交互与通信系统产业共同关注的焦点。本文分析了室内定位技术的现状,尤其是室内声学定位的发展概况,确定了房间轮廓声学重构与室内声学定位关键技术研究方案,基于多通道声信号获取与单通道声信号获取两种方式,开展房间轮廓声学重构、室内声源定位与室内声学指纹定位的相关研究,分析房间轮廓声学重构对室内声学定位(本文重点讨论室内声源定位与室内声学指纹定位)性能的影响。研究房间轮廓声学重构与室内声学定位关键技术的意义,不仅在于其能满足不同室内LBS用户对位置精度的多尺度(分米级与米级)要求,还能满足用户对其位置信息获取的隐私保护需求,因此具有实际应用价值。文中对上述研究所涉及的应用背景与知识理论进行了介绍,明确了房间轮廓声学重构的基本原理与室内声学定位系统的工作机理,同时也对室内声学定位算法的常用手段进行了总结。本文的主要研究内容包括:1.综述了室内声学定位技术的发展概况,特别是室内声源定位与室内声学指纹定位的研究现状、技术问题与发展趋势。概述了房间轮廓声学重构技术的发展,并从多通道声信号获取与分析以及单通道声信号获取与分析两方面,总结了房间轮廓声学重构的实用方法,验证了房间轮廓信息对室内声学定位性能提升的有效性。2.介绍了房间轮廓声学重构的基础理论,分析了室内声场理论模型,推导了三维波动方程的基本公式,对利用房间平行墙面间声学共振特性,实现房间轮廓声学重构的过程进行了数学描述,并总结了基于波动声学的房间轮廓声学重构在实际应用中的参数问题;从多通道声信号获取与分析(麦克风阵列)以及单通道声信号获取与分析(智能手机)两方面,分别介绍了基于几何声学理论的房间轮廓声学重构方法,为基于阵列手机的室内声源定位,及基于智能手机的室内声学指纹定位应用研究提供室内声场环境先验;最后,介绍了室内声学定位的基础理论,介绍了基于时延估计的声源定位、基于波束形成的声源定位与基于机器学习的声学指纹定位的基本方法,归纳总结了室内声场环境对声学定位系统的重要影响,为后续室内声源定位和室内声学指纹定位的研究工作,提供理论与方法支撑。3.提出了一种基于三维麦克风阵列感知的房间轮廓声学重构方法,充分利用阵列拓扑结构优势,降低了一阶反射声脉冲峰误判的可能,简化了基于多通道声信号获取与分析的房间轮廓声学重构过程,提高了重构精度与效率,并保证了基于随机区域收缩(Stochastic Region Contraction,SRC)的可控功率响应相位变换(Steered Response Power with Phase Transform,SRP-PHAT)波束形成算法的可行性;并在房间轮廓重构基础上,提出了基于Delaunay三角剖分的声源位置搜索体积重建方法,在保证SRP-PHAT-SRC算法位置估计精度的同时,合理有效地缩小了室内运动声源的搜索体元,实现了室内说话人实时轨迹的高效估算与跟踪。4.提出了一种智能手机多传感融合的室内行人连续自定位方法,将基于智能手机惯性传感器数据的行人航迹推算(Pedestrian Dead Reckoning,PDR)与基于时延估计的声源定位算法相结合,并发展了一种基于声压级与声能分析的声学约束更新算法,该算法结合房间轮廓信息,通过利用声源与其一阶镜像声源之间的几何关系,保证了时延估计数据在可靠范围之内,更新消除了PDR迭代误差,实现了准确、有效且无用户协作的室内行人连续自定位。5.提出了一种基于听觉场景分析(Audiroty Scene Analysis,ASA)的室内LBS用户定位方法。该方法以室内环境背景声的心理声学特征谱为声学特征,构建多维声学指纹,结合房间轮廓信息与房间内区域分簇结果,勾画出室内场景的轮廓及其声音能量分布状态(房间色彩声图),一方面可以为室内小区域定位提供较为详实的位置信息和空间布局,另一方面又不暴露室内场景布局与物品的图像细节,解决了传统室内地图的隐私保护矛盾;在此基础上,基于机器学习的理论与算法,线下构建与更新“位置——指纹”映射关系数据库,线上以最小方差匹配,快速准确定位用户位置,实现无基础设施依赖且无用户协作的室内小区域级定位。
二、实时高效联合变换相关器作指纹识别(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、实时高效联合变换相关器作指纹识别(论文提纲范文)
(1)基于SOPC的多种生物特征识别系统的研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 生物特征识别技术研究现状 |
1.2.1 人脸识别技术研究现状 |
1.2.2 虹膜识别技术研究现状 |
1.2.3 指纹识别技术研究现状 |
1.2.4 多模态生物特征识别技术研究现状 |
1.3 主要研究内容及章节安排 |
1.4 本章小结 |
第二章 单模态生物特征识别的实现 |
2.1 人脸识别 |
2.1.1 人脸数据库 |
2.1.2 人脸预处理 |
2.1.2.1 图像灰度化 |
2.1.2.2 直方图均衡化 |
2.1.3 K-L正交变换 |
2.1.4 基于PCA的人脸识别 |
2.2 虹膜识别 |
2.2.1 虹膜数据库 |
2.2.2 虹膜预处理 |
2.2.2.1 虹膜定位 |
2.2.2.2 虹膜归一化及增强 |
2.2.3 虹膜特征提取及编码 |
2.2.4 虹膜特征匹配 |
2.3 指纹识别 |
2.3.1 指纹数据库 |
2.3.2 指纹预处理 |
2.3.2.1 图像归一化 |
2.3.2.2 图像增强 |
2.3.2.3 基于梯度场的图像分割 |
2.3.2.4 指纹图像二值化 |
2.3.2.5 二值化图像去噪 |
2.3.2.6 指纹图像细化 |
2.3.3 指纹特征提取 |
2.3.4 指纹特征匹配 |
2.4 本章小结 |
第三章 人脸虹膜指纹融合识别技术 |
3.1 融合策略 |
3.2 匹配分数归一化 |
3.3 分数层融合算法 |
3.3.1 传统分数层融合算法 |
3.3.2 改进的分数层融合算法 |
3.4 实验分析 |
3.4.1 基于单模态生物特征识别的实验分析 |
3.4.2 基于多特征融合识别系统的实验分析 |
3.5 本章小结 |
第四章 基于SOPC的多生物特征融合系统 |
4.1 FPGA及 SOPC技术相关概述 |
4.1.1 现场可编程门阵列FPGA |
4.1.2 可编程片上系统SOPC |
4.1.3 Nios II处理器 |
4.2 融合系统的硬件平台及开发环境 |
4.2.1 DE2-115 开发板 |
4.2.2 系统开发环境 |
4.3 融合系统需求分析及总体设计 |
4.3.1 系统需求分析 |
4.3.2 系统总体设计 |
4.4 硬件系统搭建 |
4.5 系统软件设计 |
4.6 系统测试 |
4.7 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间的研究成果 |
(2)面向天基电磁信号识别的深度学习方法(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1.研究背景与研究意义 |
1.2.研究现状 |
1.2.1.自动调制识别研究现状 |
1.2.2.射频指纹识别研究现状 |
1.2.3.深度网络结构研究现状 |
1.2.4.研究现状小结 |
1.3.本文主要工作 |
1.4.本文结构安排 |
第2章 轻量化高效智能信号处理方法 |
2.1.问题描述 |
2.1.1.问题建模 |
2.1.2.研究方法 |
2.2.电磁信号智能处理架构 |
2.2.1.处理架构分析 |
2.2.2.轻量化智能处理架构 |
2.2.3.整体识别性能 |
2.3.电磁信号卷积网络结构 |
2.3.1.网络结构分析 |
2.3.2.IQ相关特征卷积网络结构 |
2.4.压缩信号处理 |
2.4.1.压缩感知数学模型 |
2.4.2.稀疏表示与观测矩阵 |
2.4.3.压缩信号智能处理框架 |
2.5.性能评估 |
2.5.1.评估方法 |
2.5.2.性能度量 |
2.5.3.资源需求 |
2.6.本章小结 |
第3章 轻量化智能自动调制识别方法 |
3.1.自动调制识别数据集 |
3.2.识别方法 |
3.2.1.传统人工特征方法 |
3.2.2.深度学习方法 |
3.3.实验结果 |
3.3.1.RML2016实验结果 |
3.3.2.RML2018实验结果 |
3.4.整体性能 |
3.4.1.识别性能 |
3.4.2.资源需求 |
3.5.本章小结 |
第4章 轻量化智能射频指纹识别方法 |
4.1.射频指纹识别数据集 |
4.1.1.数据类型 |
4.1.2.信道类型 |
4.1.3.实验说明 |
4.2.识别方法 |
4.2.1.传统人工特征方法 |
4.2.2.深度学习方法 |
4.3.实验结果 |
4.3.1.IQCNet性能评估 |
4.3.2.识别性能对比 |
4.4.整体性能 |
4.5.本章小结 |
第5章 压缩信号轻量化智能识别方法 |
5.1.压缩信号获取 |
5.2.压缩信号调制方式识别 |
5.2.1.单次识别性能 |
5.2.2.整体识别性能 |
5.2.3.混淆矩阵 |
5.3.压缩信号射频指纹识别 |
5.3.1.识别性能 |
5.3.2.混淆矩阵 |
5.4.本章小结 |
第6章 射频指纹识别实时处理系统实现 |
6.1.实验场景 |
6.2.模型性能评估 |
6.2.1.数据预处理 |
6.2.2.模型训练 |
6.2.3.推理性能 |
6.2.4.欠采样信号射频指纹识别 |
6.3.模型部署 |
6.4.本章小结 |
第7章 总结与展望 |
7.1.研究总结 |
7.2.研究展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(3)基于CUDA的指纹识别加速算法的研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究的背景 |
1.2 国内外研究现状 |
1.2.1 联合变换相关识别的国内外研究现状 |
1.2.2 基于GPU的通用计算技术研究 |
1.3 本文课题研究的内容 |
第2章 基于GPU的软硬件体系与实验环境 |
2.1 GPU与CPU硬件结构的对比 |
2.2 基于SM的线程处理机制 |
2.3 内核函数与线程结构 |
2.4 CUDA存储器结构模型 |
2.5 CUDA软件体系 |
2.6 实验平台与设备参数 |
2.7 本章小结 |
第3章 联合变换相关指纹识别算法的CUDA加速实现 |
3.1 联合变换相关识别的算法原理 |
3.2 联合变换相关算法的实现流程 |
3.3 基于CUDA的联合变换相关算法 |
3.4 方向滤波 |
3.5 基于CUDA的联合变换相关算法的加速性能测试 |
3.6 本章小结 |
第4章 指纹识别预处理算法的CUDA实现 |
4.1 图像去噪算法 |
4.2 指纹图像梯度场的计算 |
4.3 指纹图像分割算法 |
4.4 指纹图像增强算法 |
4.5 指纹图像的细化 |
4.6 基于CUDA的算法分析与实现流程 |
4.7 基于CUDA的指纹预处理算法的加速性能测试 |
4.8 本章小结 |
结论 |
参考文献 |
致谢 |
研究生履历 |
(4)基于联合变换相关器的光电混合指纹识别技术(论文提纲范文)
1 指纹识别技术的发展和分类 |
2 光电混合指纹识别系统 |
2.1 指纹采集与预处理 |
2.2 指纹图像匹配 |
2.3 系统性能参数 |
2.4 系统的改进 |
3 光电混合指纹识别技术的展望 |
(5)实时高效联合变换相关器作指纹识别(论文提纲范文)
1 引 言 |
2 理论分析 |
2.1 功率谱阵列的产生 |
2.2 相关信号增强 |
3 实验系统及实验结果 |
(6)基于Wi-Fi/地磁/PDR的智能手机室内多源融合定位模型研究(论文提纲范文)
致谢 |
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 研究内容和框架 |
2 室内定位基本原理 |
2.1 Wi-Fi指纹定位技术 |
2.2 地磁序列匹配方法 |
2.3 坐标系统及转换 |
2.4 行人航位推算 |
2.5 定位评价指标 |
2.6 本章小结 |
3 基于深度神经网络的Wi-Fi位置识别方法 |
3.1 基于深度神经网络的Wi-Fi定位模型 |
3.2 Wi-Fi位置优化模型 |
3.3 实验与分析 |
3.4 本章小结 |
4 改进的多维快速DTW地磁匹配定位算法 |
4.1 地磁基准图构建 |
4.2 地磁空间插值方法 |
4.3 改进的DTW地磁定位方法 |
4.4 实验与分析 |
4.5 本章小结 |
5 智能手机MEMS行人航位推算 |
5.1 基于ELM的行人运动模式识别方法 |
5.2 步进式行人航位推算 |
5.3 惯导式行人航位推算 |
5.4 本章小结 |
6 基于自适应因子图的融合定位模型 |
6.1 姿态角估计 |
6.2 Wi-Fi/PDR融合定位 |
6.3 实验与分析 |
6.4 本章小结 |
7 Wi-Fi/地磁/PDR多源融合定位方法 |
7.1 基于Wi-Fi辅助的地磁匹配 |
7.2 改进的Wi-Fi/地磁/PDR融合定位方法 |
7.3 实验与分析 |
7.4 本章小结 |
8 结论与展望 |
8.1 结论 |
8.2 创新点 |
8.3 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(7)基于信号指纹的多旋翼无人机遥控端个体识别研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 无人机信号识别研究现状 |
1.2.2 信号指纹技术研究现状 |
1.3 论文工作及章节安排 |
第二章 无人机信号指纹识别理论基础 |
2.1 无人机信号分析 |
2.1.1 图传信号 |
2.1.2 遥控信号 |
2.2 无人机信号指纹特征形成机理 |
2.2.1 相位噪声 |
2.2.2 载频偏差 |
2.2.3 功率放大电路的非线性失真 |
2.3 本章小结 |
第三章 无人机信号指纹特征提取方法 |
3.1 基于暂稳态特征融合的无人机信号指纹提取 |
3.1.1 暂态信号特征提取 |
3.1.2 稳态信号特征提取 |
3.1.3 无人机信号暂稳态特征分析 |
3.2 基于星座图的无人机信号指纹提取 |
3.2.1 星座图简介 |
3.2.2 星座图特征提取 |
3.2.3 无人机信号星座图特征分析 |
3.3 基于双谱的无人机信号指纹特征提取 |
3.3.1 双谱简介 |
3.3.2 双谱特征提取 |
3.3.3 无人机信号双谱特征分析 |
3.4 基于EWT的无人机信号指纹特征提取 |
3.4.1 EWT经验小波变换简介 |
3.4.2 EWT特征提取 |
3.4.3 无人机信号EWT特征分析 |
3.5 本章小结 |
第四章 无人机遥控端个体识别实验 |
4.1 实验设计 |
4.2 搭建实验平台 |
4.3 建立无人机遥控信号数据集 |
4.3.1 采集无人机遥控信号 |
4.3.2 数据预处理 |
4.4 实验结果与分析 |
4.4.1 暂稳态特征融合实验结果 |
4.4.2 星座图特征实验结果 |
4.4.3 双谱特征实验结果 |
4.4.4 EWT特征实验结果 |
4.4.5 四种方法对比分析 |
4.5 本章小结 |
第五章 无人机遥控端个体识别系统 |
5.1 识别系统设计 |
5.1.1 识别系统结构 |
5.1.2 无人机遥控端个体识别系统 |
5.2 识别系统性能分析 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
(8)基于信道状态信息的无线智能感知关键技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 无线感知技术研究现状 |
1.2.2 基于CSI的无线感知研究现状 |
1.3 待解决的问题 |
1.4 主要工作 |
1.4.1 研究内容 |
1.4.2 技术路线 |
1.4.3 研究创新点 |
1.5 本文的组织结构 |
1.6 本章小结 |
2 基于CSI的无线感知理论 |
2.1 无线感知的基本原理 |
2.1.1 信道响应 |
2.1.2 OFDM-MIMO技术 |
2.1.3 从RSSI到 CSI |
2.2 无线感知模型 |
2.2.1 无线信号路径损耗模型 |
2.2.2 无线信号静态传播模型 |
2.2.3 无线信号动态传播模型 |
2.2.4 基于菲涅尔区的无线感知模型 |
2.3 无线感知的特征信息 |
2.3.1 振幅 |
2.3.2 相位 |
2.3.3 多普勒频移 |
2.4 无线感知的关键技术 |
2.4.1 数据获取技术 |
2.4.2 感知数据处理方法 |
2.4.3 无线感知算法 |
2.5 本章小结 |
3 基于CSI的位置轨迹感知 |
3.1 引言 |
3.1.1 研究背景 |
3.1.2 问题描述 |
3.2 系统设计 |
3.2.1 系统概述 |
3.2.2 CSI位置信息预处理 |
3.2.3 基于特定剪切的特征提取 |
3.2.4 优化的SVM定位算法 |
3.2.5 基于卡尔曼滤波的跟踪模型 |
3.2.6 融合SVC与 SVR的人员入侵检测算法 |
3.3 性能评估 |
3.3.1 实验部署 |
3.3.2 发包速率对定位精度的影响 |
3.3.3 链路数量对定位精度的影响 |
3.3.4 裁剪因子对定位精度的影响 |
3.3.5 EC-SVM定位算法的整体性能 |
3.3.6 入侵检测性能分析 |
3.3.7 轨迹追踪性能分析 |
3.4 本章小结 |
4 基于CSI的日常动作行为感知 |
4.1 引言 |
4.1.1 研究背景 |
4.1.2 问题描述 |
4.2 Wi-M动作识别系统设计 |
4.2.1 系统概述 |
4.2.2 动作行为的CSI数据采集 |
4.2.3 动作行为的CSI数据预处理 |
4.2.4 动作行为特征提取 |
4.2.5 基于LSTM的动作行为识别 |
4.3 性能评估 |
4.3.1 实验部署 |
4.3.2 不同方向的性能评估 |
4.3.3 不同人员的性能评估 |
4.3.4 不同特征的性能评估 |
4.3.5 不同部署方向的性能评估 |
4.3.6 收发端不同间距的性能评估 |
4.3.7 不同环境下的性能评估 |
4.3.8 不同模型的性能评估 |
4.4 本章小结 |
5 基于CSI的手势动作识别 |
5.1 引言 |
5.1.1 研究背景 |
5.1.2 问题描述 |
5.2 手语识别系统设计 |
5.2.1 系统概述 |
5.2.2 多融合滤波器的数据预处理 |
5.2.3 手语手势的特征提取 |
5.2.4 基于Adaboost的手势分类与识别 |
5.3 性能评估 |
5.3.1 实验部署 |
5.3.2 不同采样位置的性能评估 |
5.3.3 用户多样性的性能评估 |
5.3.4 不同手势范围的性能评估 |
5.3.5 不同分类器的性能评估 |
5.3.6 系统泛化能力的性能评估 |
5.3.7 手写数字手势识别的性能评估 |
5.3.8 手语完整性识别的性能评估 |
5.3.9 多人手势交互的性能评估 |
5.4 本章小结 |
6 基于CSI的生命体征感知 |
6.1 引言 |
6.1.1 研究背景 |
6.1.2 问题描述 |
6.2 人体呼吸检测模型 |
6.3 人体呼吸检测系统设计 |
6.3.1 系统概述 |
6.3.2 呼吸动作的CSI数据预处理 |
6.3.3 呼吸动作的高层次特征提取 |
6.3.4 基于BiRNN的呼吸模式分类识别 |
6.4 性能评估 |
6.4.1 实验部署 |
6.4.2 发射端与接收端间距对识别结果的影响 |
6.4.3 不同频段对识别结果的影响 |
6.4.4 用户多样性的影响 |
6.4.5 不同场景的影响 |
6.4.6 不同分类器的影响 |
6.4.7 系统边界检测 |
6.5 本章小结 |
7 总结与展望 |
7.1 本文总结 |
7.2 未来研究工作 |
致谢 |
参考文献 |
攻读学位期间的研究成果 |
(9)基于深度学习的通信信号智能盲检测与识别技术研究(论文提纲范文)
摘要 |
abstract |
缩略词表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 研究历史与现状 |
1.2.1 通信信号检测方法研究现状 |
1.2.2 通信信号调制识别方法研究现状 |
1.2.3 通信信号辐射源个体识别方法研究现状 |
1.3 存在的问题挑战与研究思路 |
1.4 论文的结构安排与主要工作 |
第二章 深度学习理论基础 |
2.1 引言 |
2.2 深度学习概述 |
2.2.1 发展历程 |
2.2.2 从浅层到深度学习 |
2.3 典型深度学习网络 |
2.3.1 卷积神经网络 |
2.3.2 循环神经网络 |
2.4 深度学习应用于通信信号智能盲检测与识别的思考 |
2.5 本章小结 |
第三章 基于深度学习的通信信号智能检测方法 |
3.1 引言 |
3.2 基于自适应频谱噪底抵消的能量检测方法 |
3.2.1 宽带频谱估计 |
3.2.2 自适应噪底估计 |
3.2.3 噪底抵消和信号检测 |
3.3 基于目标检测网络的通信信号智能宽带检测方法 |
3.3.1 宽带时频图数据集标注与构建 |
3.3.2 ISD-ODN智能宽带检测网络 |
3.3.3 算法流程总结 |
3.3.4 实验结果与分析 |
3.4 基于级联分类树的智能窄带突发信号识别方法 |
3.4.1 双滑动窗突发信号检测 |
3.4.2 窄带时频图数据增强 |
3.4.3 深度残差注意力信号识别网络 |
3.4.4 基于前导码滑动相关频谱峰值检测的信号识别 |
3.4.5 算法流程总结 |
3.4.6 实验结果与分析 |
3.5 本章小结 |
第四章 基于深度学习的通信信号智能调制识别方法 |
4.1 引言 |
4.2 基于专家经验特征的调制识别方法 |
4.2.1 信号参数统计特征 |
4.2.2 高阶统计量特征 |
4.2.3 循环平稳特征 |
4.2.4 基于特征分类的调制识别 |
4.3 基于降噪循环谱与稀疏滤波卷积网络的智能调制识别方法 |
4.3.1 二维循环谱变换 |
4.3.2 低秩表示降噪 |
4.3.3 稀疏滤波卷积网络 |
4.3.4 算法流程总结 |
4.3.5 实验结果与分析 |
4.4 基于魏格纳-威利分布与深度几何卷积网络的智能调制识别方法 |
4.4.1 魏格纳-威利分布映射 |
4.4.2 维度不可分的几何滤波器 |
4.4.3 深度几何卷积网络 |
4.4.4 算法流程总结 |
4.4.5 实验结果与分析 |
4.5 基于深度注意力门控卷积网络的智能调制编码联合识别方法 |
4.5.1 一维卷积模块 |
4.5.2 注意力机制门控循环模块 |
4.5.3 深度注意力门控卷积网络 |
4.5.4 算法流程总结 |
4.5.5 实验结果与分析 |
4.6 本章小结 |
第五章 基于深度学习的智能通信辐射源个体识别方法 |
5.1 引言 |
5.2 基于专家经验特征的辐射源个体识别方法 |
5.2.1 信号参数统计特征 |
5.2.2 信号变换域统计特征 |
5.2.3 机理模型特征 |
5.2.4 辐射源特征降维和分类器 |
5.3 基于时域与频域特征融合学习的智能辐射源个体识别方法 |
5.3.1 信号精细预处理及表示 |
5.3.2 IRI-TFF多域特征融合识别网络 |
5.3.3 算法流程总结 |
5.3.4 实验结果与分析 |
5.4 基于波形与星座矢量图特征融合学习的智能辐射源个体识别方法 |
5.4.1 信号精细预处理及表示 |
5.4.2 IRI-WCF多域特征融合识别网络 |
5.4.3 基于迁移学习的小样本新目标SEI方法 |
5.4.4 算法流程总结 |
5.4.5 实验结果与分析 |
5.5 本章小结 |
第六章 通信信号智能检测识别系统及实验结果 |
6.1 引言 |
6.2 系统组成和关键技术 |
6.2.1 系统框架和组成 |
6.2.2 系统实现关键技术 |
6.3 实验验证与分析 |
6.3.1 实际短波信号智能检测实验 |
6.3.2 实际卫星信号智能调制识别实验 |
6.3.3 实际超短波信号智能辐射源个体识别实验 |
6.4 本章小结 |
第七章 全文总结与展望 |
7.1 论文主要贡献 |
7.2 后续工作展望 |
致谢 |
参考文献 |
攻读博士学位期间取得的成果 |
(10)房间轮廓声学重构与室内声学定位关键技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
§1.1 课题的研究背景与意义 |
§1.2 室内声学定位 |
§1.3 关键技术及挑战 |
§1.3.1 关键技术 |
§1.3.2 挑战 |
§1.4 国内外研究现状与分析 |
§1.4.1 房间轮廓声学重构 |
§1.4.2 室内声源定位 |
§1.4.3 室内声学指纹定位 |
§1.5 本文主要研究内容及文章结构 |
第二章 房间轮廓声学重构与室内声学定位基础理论与方法 |
§2.1 引言 |
§2.2 房间轮廓声学重构的基础理论与基本方法 |
§2.2.1 房间轮廓声学重构的基础理论 |
§2.2.2 房间轮廓声学重构的基本方法 |
§2.3 室内声学定位的基础理论与基本方法 |
§2.3.1 室内声源定位的基础理论 |
§2.3.2 室内声源定位的基本方法 |
§2.3.3 室内声学指纹定位的基础理论 |
§2.3.4 室内声学指纹定位的基本方法 |
§2.4 本章小结 |
第三章 房间轮廓声学重构与室内说话人连续定位 |
§3.1 引言 |
§3.2 系统概述 |
§3.3 房间轮廓声学重构 |
§3.3.1 基于DSB的一阶镜像声源位置估计 |
§3.3.2 基于EDM秩约束的一阶镜像声源位置估计 |
§3.3.3 基于声学镜像模型的房间轮廓估计 |
§3.4 房间空间剖分与说话人连续定位 |
§3.4.1德罗内三角剖分(Delaunay Triangulation) |
§3.4.2 DTSVR自适应搜索体元生成算法 |
§3.5 实验及结果分析 |
§3.5.1 房间轮廓声学重构结果分析 |
§3.5.2 Delaunay剖分结果分析 |
§3.5.3 说话人连续定位结果分析 |
§3.6 本章小结 |
第四章 基于智能手机多传感融合的室内行人连续自定位方法 |
§4.1 引言 |
§4.2 系统概述 |
§4.3 一阶反射声飞行路程估计 |
§4.4 一阶反射声飞行路程测量 |
§4.4.1 相位变换广义互相关 |
§4.4.2 一阶反射声飞行路程 |
§4.5 声学约束算法 |
§4.5.1 声压级约束 |
§4.5.2 声能约束 |
§4.5.3 声学约束算法 |
§4.6 基于最小二乘的室内行人位置估计 |
§4.7 实验结果与分析 |
§4.7.1 行人步长与转向角估算结果 |
§4.7.2 一阶反射声飞行路程测量 |
§4.7.3 行人定位轨迹与误差分析 |
§4.8 本章小结 |
第五章 基于听觉场景分析的室内LBS用户定位 |
§5.1 引言 |
§5.2 系统概述 |
§5.3 声学指纹构建与匹配定位算法 |
§5.3.1 基于听觉场景分析的声谱特征 |
§5.3.2 房间级定位算法 |
§5.3.3 区域级定位算法 |
§5.4 CRP色彩声图 |
§5.5 实验结果与分析 |
§5.5.1 房间级定位结果 |
§5.5.2 区域级定位结果 |
§5.6 本章小结 |
第六章 总结与展望 |
§6.1 全文工作总结 |
§6.2 研究展望 |
参考文献 |
攻读博士期间发表的论文及其它成果 |
致谢 |
四、实时高效联合变换相关器作指纹识别(论文参考文献)
- [1]基于SOPC的多种生物特征识别系统的研究[D]. 张少慧. 内蒙古大学, 2021(12)
- [2]面向天基电磁信号识别的深度学习方法[D]. 崔天舒. 中国科学院大学(中国科学院国家空间科学中心), 2021(01)
- [3]基于CUDA的指纹识别加速算法的研究[D]. 崔晓燕. 大连海事大学, 2013(09)
- [4]基于联合变换相关器的光电混合指纹识别技术[J]. 袁怡圃,赖虹凯. 漳州师范学院学报(自然科学版), 2005(01)
- [5]实时高效联合变换相关器作指纹识别[J]. 王红霞,何俊发,竹有章,赵选科. 光电子·激光, 2004(01)
- [6]基于Wi-Fi/地磁/PDR的智能手机室内多源融合定位模型研究[D]. 王一帆. 中国矿业大学, 2021(02)
- [7]基于信号指纹的多旋翼无人机遥控端个体识别研究[D]. 何兵. 江西理工大学, 2021(01)
- [8]基于信道状态信息的无线智能感知关键技术研究[D]. 郝占军. 兰州交通大学, 2021(01)
- [9]基于深度学习的通信信号智能盲检测与识别技术研究[D]. 李润东. 电子科技大学, 2021(01)
- [10]房间轮廓声学重构与室内声学定位关键技术研究[D]. 宋浠瑜. 桂林电子科技大学, 2020