导读:本文包含了信道识别论文开题报告文献综述及选题提纲参考文献，主要关键词:信道补偿,线性判别分析,I-Vector,GMM,UBM
信道识别论文文献综述
茅正冲,王俊俊,黄舒伟[1]（2019）在《基于PLDA信道补偿的说话人识别算法》一文中研究指出近年来,针对说话人识别算法普遍受到信道因素的干扰问题,研究者提出使用总变化因子分析的识别方法对语音信道进行补偿得到了很不错的效果,其中概率线性判别分析(Probabilistic Linear Discriminant Analysis,PLDA)因其表现优异而受到学者们的关注。然而,高斯PLDA模型中I-Vector并非符合标准正态分布。因此论文在特征域利用特征弯折算法对梅尔倒谱系数(MFCC)进行处理,以消除背景噪声以及线性信道的影响。然后在模型域对I-Vector进行非线性转换使其分布更适合用PLDA模型区分说话人,以提高说话人识别系统的识别率。实验结果表明,使用传统GMM/UBM的系统,在NIST SRE-2010评估数据集上使用所提议的技术获得了很好的效果。(本文来源于《计算机与数字工程》期刊2019年11期）
郭阿英,许志猛,陈良琴[2]（2019）在《一种基于WiFi信道状态信息的人体动作识别方法》一文中研究指出人体动作识别是以人为中心的物联网的核心技术之一。为了实现无需穿戴设备、低成本的动作识别系统,提出了一种基于WiFi信道状态信息(Channel State Information,CSI)的人体动作识别方法。该方法采用Hampel滤波结合离散小波去噪对CSI信息进行处理后,利用CSI幅度方差确定动作起止区间,从中提取CSI的特征向量,并用线性判别式分析算法(Linear Discriminant Analysis,LDA)分类器实现人体日常生活中"蹲下"、"站起"、"坐下"、"捡起"和"走"5种动作的识别,实验结果表明平均识别率可达到96%。(本文来源于《传感技术学报》期刊2019年11期）
史建超,胡正伟,贺冬梅,谢志远[3]（2019）在《基于深度学习的电力线信道传输特性识别方法》一文中研究指出提出了一种基于深度学习的电力线信道传输特性识别方法,通过人工智能方法完成对电力线信道传输特性的识别。传统的信道传输特性识别一般采用信道估计方法,该方法在噪声较大时估计效果不理想。所提方法采用去噪自编码器能有效对噪声进行抑制,可以在噪声较强的环境下实现信道传输特性的正确识别。在实际应用中,针对自编码器神经网络去噪后数据存在背景效应的问题,提出使用颜色调整方法进一步滤除干扰,提高了对去噪样本的识别成功率。基于深度学习框架建立了仿真模型,分析了9类基准传输样本的信道传输特性识别效果。仿真结果表明,该方法能够在不同的神经网络模型中以及多种噪声条件下,完成对电力线信道传输特性的识别,对进一步完善电力线通信质量保障具有重要意义。(本文来源于《电网技术》期刊2019年12期）
王亨佳,翁呈祥,胡乔林,刘康[4]（2019）在《短波信道下基于鲁棒语音特征参数的身份识别方法》一文中研究指出针对传统语音特征参数经短波信道传输后严重变形,导致语音身份识别性能下降的问题,提出一种基于线性加权梅尔倒谱系数(LWMFCC)的鲁棒短波语音身份识别方法.首先根据F比方法研究短波信道对线性预测系数(LPCC)和梅尔倒谱系数(MFCC)的影响情况,从声道频率响应的角度分析这两种特征参数变形的共性;然后结合留数归一法和线性预测方法估计语音功率谱,并将功率谱经过梅尔滤波、离散余弦转换和相对谱滤波后,提取出自适应补偿信道影响的特征LWMFCC;最后采用高斯混合模型实现身份识别.实验结果表明,该方法提取的特征对短波信道的影响具有稳健特性,能显着提高身份识别率.(本文来源于《空军预警学院学报》期刊2019年04期）
窦立超,程伟,周凯福,彭岑昕[5]（2019）在《航空信道下一种OFDM子载波调制识别方法》一文中研究指出针对航空信道下OFDM子载波调制方式识别问题,提出了基于高阶累积量和幅度均值的联合特征提取方法,给出了基于高阶累积量和幅度均值的联合特征调制识别方法步骤,分析了在高斯信道环境和航空信道环境下方法的识别性能,研究了子载波数和信道多普勒频移对识别性能的影响.仿真结果表明,子载波数越多和多普勒频移越小,则识别性能越好;与已有方法相比,本文方法具有更高的识别准确率.(本文来源于《空军预警学院学报》期刊2019年03期）
李倩[6]（2019）在《宽带卫星通信信号调制识别及信道均衡技术研究》一文中研究指出随着卫星通信技术的快速发展,人们对信息传输质量的要求越来越高。卫星通信系统信息传输距离远,信道环境恶劣,信噪比波动大,影响信道均衡的效果,降低调制信号模式识别的准确率。深度学习技术能自动提取信息中的特征,拟合非线性关系,常用于处理关系不确定或难以量化的问题。将深度学习技术引入调制信号模式识别技术中,不需要推导调制信号间的区分特征。对于新增的调制信号,增加少量数据重新训练网络,就能拟合时变信道的非线性特性。使用并行计算处理大数据量的调制信号提高计算效率,缩短模型训练时长,提高模型的迭代更新周期,对于时变的卫星信道至关重要。为了提高调制信号的识别率,只区分信噪比波动大的调制信号是远远不够的,设计能抑制码间干扰、提高信噪比的均衡器也至关重要。深度学习技术通过迭代训练改变抽头系数,强化学习(RL)能够根据历史数据指导模型更新方向,所以强化学习和深度学习技术的结合能实现无训练数据的盲均衡,动态更新抽头系数拟合信道环境。本论文重点研究卫星通信系统中调制信号模式识别技术、调制信号并行处理技术和信道均衡技术,重点解决宽带卫星调制信号模式识别模型设计问题、基于spark框架的高速并行数据处理问题和信道均衡器设计问题。本论文的主要研究工作如下:(1)基于可变卷积神经网络(DCNN)的宽带卫星调制信号模式识别算法本文在研究卫星通信调制信号模式识别技术的基础上,基于CNN网络,提出DCNN算法进行信号模式识别。该方法对新的调制信号不需要再做特征提取工作,解决了星上调制信号难识别和对新加入的调制信号需要再做分类特征提取的问题。研究结果表明对信道条件复杂多变的卫星调制信号,本算法表现出较好的识别性能和鲁棒性。(2)spark分布式并行调制信号图像压缩存储算法在研究调制信号预处理技术的基础上,基于spark框架,提出spark分布式并行调制信号图像压缩存储算法。克服在训练卫星调制信号模式识别模型时,需要处理大量数据的问题。研究结果表明,该算法具有并行处理功能,提高数据处理速度,节省内存开销,解决了训练DCNN网络时间开销大的问题,并缩短模型更新周期。(3)带RL反馈的LSTME盲均衡算法研究能够有效地改善因信道的各种噪声和干扰引起的码元失真的均衡技术,基于强化学习和深度学习技术,提出带RL反馈的LSTME盲均衡算法。研究结果表明,该方法不需要训练序列就能实现均衡并且更能使原信号逼近接收信号的最佳估计值,解决了由于码间干扰和卫星信道环境等造成的低信噪比,均衡困难的问题,同时能改善调制信号模式识别难度。(本文来源于《北京邮电大学》期刊2019-06-03）
张逸凡[7]（2019）在《基于信道状态信息的无源人体行为识别相关技术研究》一文中研究指出随着计算机科学技术和无线通信技术的发展和普及,为了更好地实现人机互动,人体行为识别成为了众多研究者关注的热点问题。传统的人体行为识别技术有覆盖范围小、要求光照条件、价格昂贵和侵犯隐私的固有缺陷。人的运动会因为多径效应在无线网络的信道状态信息留下痕迹,以信道状态信息作为数据源进行无源人体行为识别成为了新的研究方向。该方法基于已经普及的家用无线网络设施,具有覆盖范围全、环境要求低、经济廉价以及不侵犯人体和隐私等优势。本文就该研究方向的两个热点问题提供了解决方案,即用于跌倒检测场景的FallSense和用于睡眠监测场景的Sleepy。其中FallSense利用动态模板匹配算法达到了97.43%的准确率和2.44%的误报率,另外对五种动作的识别准确率达到了94.58%。Sleepy在模拟睡眠实验中平均达到了96.65%的准确率和2.16%的误报率,在真实睡眠实验中表现出强稳定性,达到了98.22%的准确率和0%的误报率。系统都已基于商用Wi-Fi基础设施构建完成,并设计了不同实验条件的验证实验。其实验结果证明了系统作为真实世界解决方案的有效性和鲁棒性。(本文来源于《合肥工业大学》期刊2019-04-01）
张添[8]（2019）在《基于WiFi信道状态信息的手势识别研究》一文中研究指出随着WiFi设备应用的普及,WiFi不仅能为人们提供便捷高速的数据服务,而且在目标探测和识别方面有着强大潜力。由于基于WiFi信号的运动检测技术不要求被检查者穿戴昂贵的设备,也对被检测者所处的环境没有太多限制,因此一直是研究的热点问题。手势识别作为人体运动状态检测的一种,由于手势变化的幅度较小,因此需要更精细的检测手段对不同的手势进行识别。现有的基于WiFi信号的手势识别技术手段主要根据商业网卡来采集信道状态信息(Channel State Information,CSI)数据或接收信号强度(Received Signal Strength Indication,RSSI)来实现。但是商业网卡精度低且容易引入额外的噪声因此在前期数据处理上造成很大麻烦,而RSSI数据细粒度不够高导致最终识别准确率不高。在算法模型方面以往的研究都选择比较单一的机器学习算法,在理想环境下虽然能达到较高的识别准确率,但在一定环境干扰下却表现不佳。针对上述问题,本文使用精细度较高的通用软件无线电外设(Universal Software Radio Peripheral,USRP)作为接收WiFi信号的设备,通过GNU Radio软件无线电平台设计和修改WiFi接收机算法流程采集CSI数据,并为采集的CSI数据添加时间戳并采样使得每个手势对应的CSI数据对齐。得到与手势对应的CSI后,采用主成分分析法对CSI数据降噪处理和离散小波变换算法对CSI数据提取特征。为探究手势识别最优的算法模型,将5种常见的机器学习算法的手势识别准确率对比,最终得到准确率最高的算法为随机森林算法。此外,实验还利用随机森林算法进行特征选择以此优化得到更高的分类准确率。为验证上述算法对手势识别技术研究的鲁棒性和适用范围,实验设置了不同的CSI数据采样率、不同人数干扰环境、不同收发设置距离以及是否为视距环境的多组场景采集手势CSI数据并利用随机森林算法进行手势分类。实验结果表明在无人干扰的视距环境下随机森林算法的平均准确率为96%,非视距环境下准确率为92%。在非理想环境下,在CSI采样率不小于256 kpts/s、5人以内的干扰以及收发设备距离在4.5 m内的实验环境下采集的手势数据,随机森林的识别准确率能达到90%以上。非理想环境下的实验结果也表明了本文提出的手势识别算法的鲁棒性与适用性。(本文来源于《电子科技大学》期刊2019-03-29）
徐伟,黄学鹏[9]（2018）在《局域网公用信道差异化入侵数据识别仿真研究》一文中研究指出对局域网公用信道差异化入侵数据进行高效识别,可提升局域网安全性能,提高使用者的满意度。当前利用稀疏向量距离法,对入侵数据进行识别时,不可利用数据和重复数据清除效果差,入侵数据识别水平低。提出利用云模型与半监督聚类法相结合的方式,对入侵数据进行识别,通过可忍受的代价寻找出最能够描述数据集类型的数据特征子集。凭借选出的数据特征集中各个特征对于所属特征集而言,均为相关且非冗余,来构建有效数据特征集。将有效特征集输入至半监督聚类法和云模型相结合的入侵数据识别体系中,依据半监督聚类法对有效特征集中的数据进行分类,将分类结果簇的大小进行排序,并选出正常数据簇,和异常数据簇。采用云模型其将剩余数据分类,将分类结果加入至对应簇中,更新云模型,对各数据属性权重重新进行计算,对其它数据聚类进行指导,以提升入侵数据识别质量。仿真表明,上述方法在不可利用数据和重复数据清除方面,及入侵数据识别方面,均优于当前方法,具有较高可靠性。(本文来源于《计算机仿真》期刊2018年10期）
刘钰,王方刚,张静文,艾渤,钟章队[10]（2018）在《多径信道下基于EM算法的盲LDPC编码器识别研究》一文中研究指出随着认知无线电的出现,盲编码器识别引起了广泛的关注。现有相关工作主要集中在加性高斯白噪声(AWGN)信道,而多径场景下的盲识别尚未得到充分研究。考虑未知多径衰落信道下的盲低密度奇偶校验码(LDPC)识别,提出了基于期望最大化(EM)算法的似然分类器,以获得未知参数的最大似然估计值,并采用平均对数似然比(LLR)估计器对未知编码器进行识别。数值结果表明,该算法在多径信道中具有良好的识别性能,特别是在低信噪比区域。(本文来源于《通信学报》期刊2018年09期）
信道识别论文开题报告
（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：
人体动作识别是以人为中心的物联网的核心技术之一。为了实现无需穿戴设备、低成本的动作识别系统,提出了一种基于WiFi信道状态信息(Channel State Information,CSI)的人体动作识别方法。该方法采用Hampel滤波结合离散小波去噪对CSI信息进行处理后,利用CSI幅度方差确定动作起止区间,从中提取CSI的特征向量,并用线性判别式分析算法(Linear Discriminant Analysis,LDA)分类器实现人体日常生活中"蹲下"、"站起"、"坐下"、"捡起"和"走"5种动作的识别,实验结果表明平均识别率可达到96%。
（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。
信道识别论文参考文献
[1].茅正冲,王俊俊,黄舒伟.基于PLDA信道补偿的说话人识别算法[J].计算机与数字工程.2019
[2].郭阿英,许志猛,陈良琴.一种基于WiFi信道状态信息的人体动作识别方法[J].传感技术学报.2019
[3].史建超,胡正伟,贺冬梅,谢志远.基于深度学习的电力线信道传输特性识别方法[J].电网技术.2019
[4].王亨佳,翁呈祥,胡乔林,刘康.短波信道下基于鲁棒语音特征参数的身份识别方法[J].空军预警学院学报.2019
[5].窦立超,程伟,周凯福,彭岑昕.航空信道下一种OFDM子载波调制识别方法[J].空军预警学院学报.2019
[6].李倩.宽带卫星通信信号调制识别及信道均衡技术研究[D].北京邮电大学.2019
[7].张逸凡.基于信道状态信息的无源人体行为识别相关技术研究[D].合肥工业大学.2019
[8].张添.基于WiFi信道状态信息的手势识别研究[D].电子科技大学.2019
[9].徐伟,黄学鹏.局域网公用信道差异化入侵数据识别仿真研究[J].计算机仿真.2018
[10].刘钰,王方刚,张静文,艾渤,钟章队.多径信道下基于EM算法的盲LDPC编码器识别研究[J].通信学报.2018