Apr, 2024

卷积神经网络用于雷达微多普勒特征处理的输入格式

PDF
TL;DR对于处理雷达微多普勒迹象，研究中分析了卷积神经网络的相位信息的实用性以及多普勒 - 时间输入的最佳格式。研究发现，卷积神经网络分类器的性能受到输入表示类型的影响，即使在具有等效信息的不同格式之间也是如此。此外，研究证明了多普勒 - 时间表示的相位分量包含用于分类的丰富信息，并且在时间维度上进行相位解包能够改善结果，将在测试的人体活动数据集上的准确性从 0.920 提高到 0.938。通过在多种格式上嵌入进行线性分类器的训练，进一步改进，达到 0.947 的准确性。
发现论文，激发创造
  • 复值神经网络在非平稳物理数据的机器学习中的应用

    本文研究探讨了使用复数和包含相位信息的卷积神经网络对具有相位信息的信号（例如地震数据或电气信号）进行非线性特征提取，实验表明，这种方法能提高网络的泛化性能和准确率。

    May, 2019

  • 微多普勒雷达分类的深度神经网络的鲁棒性

    通过评估两种深度卷积体系结构在相同数据上的训练和测试，发现遵循标准训练方法时，这两种分类器都对输入表示的微小时间偏移敏感，也对对抗性样本极其敏感；为解决此问题，通过在对抗性样本和时域扩增样本上进行训练，可以减少此效应并实现更好的泛化；最后证明使用节律 - 速度图表示而不是多普勒 - 时间可以更自然地抵抗对抗性样本。

    Feb, 2024

  • 基于深度学习的多目标雷达检测估计

    本研究提出了一种基于卷积神经网络的方法，可直接从无线信号的距离 - 多普勒图中估算移动目标的范围和速度指数，并实验证明我们的模型相比现有方法在不同的信噪比下具有更好的范围和速度估算精度和更短的预测时间，并且在峰值信噪比方面表现的也更为优秀。

    May, 2023

  • 利用卷积神经网络和噪声信号训练进行宽带 DOA 估计

    采用卷积神经网络（CNN）的分类方法进行宽带 DOA 估计，其中利用接收到的麦克风信号的短时傅里叶变换系数的相位部分直接输入 CNN，并在训练期间学习 DOA 估计所需的特征。

    May, 2017

  • 幅度相位重组：在频域重新思考卷积神经网络的鲁棒性

    本文研究使用图像的相位与幅度谱对于卷积神经网络在图片分类中的作用，发现使用相位谱能使网络更加稳健，利用此结论我们设计了新的数据增强方法并在多项测评中取得了最优结果。

    Aug, 2021

  • 使用卷积神经网络比较环境声音分类的时频表示

    本研究比较了不同信号处理方法在卷积神经网络进行音频分类任务时所得到的频谱图表示，发现 Mel-scaled STFT 方法表现最佳。同时还发现，信号的特点以及转化窗口的大小都对分类结果有影响，2D 卷积神经网络在大多数情况下都比 1D 效果更好。

    Jun, 2017

  • 基于卷积神经网络的多普勒雷达手势识别系统

    本文提出了一种使用双通道 Doppler 雷达和卷积神经网络的成本效益高的手势识别系统，其在时间 - 频率分析后对手势信号进行分类。实验结果表明，该系统具有 98％的准确性。

    Nov, 2017

  • 用于雷达干扰抑制的量化神经网络

    本文研究基于 CNN 的雷达信号去噪和抗干扰的量化技术，比较了不同网络结构和大小的量化潜力，并分析了​由于雷达频率带干扰而导致的环境感知问题。

    Nov, 2020

  • 基于端到端学习的光谱数据处理：一种用于频谱监测应用中的无线信号识别的深度学习方法

    本论文介绍了无线电信号标识的深度学习方法，提出了端到端学习框架和通用方法，通过调查不同的数据表示方法及其不同的影响，研究了无线电信号的分类方法，降低了设计无线电信号分类器的复杂度并提升了准确性。

    Dec, 2017

  • 基于相量驱动的快速傅里叶变换卷积神经网络加速

    通过使用极相表达形式作为替代传统方法的更高效的选择，我们的方法在 CIFAR-10 和 CIFAR-100 数据集上相较于现代 CNN 架构采用的矩形形式，实现了训练和推断速度的最高提升分别达到 1.376 和 1.390。同时，我们的方法可应用于任何基于卷积的深度学习模型，而无需进行设计更改。

    Jun, 2024