教学课程资源库 更多>>

关键词： 智能信号分析   弱监督深度学习   调制识别   宽带信号自适应处理、攻防对抗、轻量化神经网络  

摘要： 近年来,基于人工智能的信号处理技术得到了日益广泛的关注,在信息侦察、电子对抗和精确打击等领域中发挥重要作用。由于深度学习技术具有自动学习抽象任务相关性特征的能力,对信号检测和调制识别等任务有着极高的应用价值。然而,实际电磁环境复杂多变,存在数据不充分、标签不准确和标注不确切等问题,与深度学习的大规模、精确和完备监督数据需求之间形成突出的矛盾。弱监督深度学习技术旨在使用非完全监督信息训练深度学习模型,其学习条件与实际复杂电磁环境的数据特点相契合,将有望解决人工智能在电磁领域应用的难题。因此,本文研究了基于弱监督深度学习的智能信号分析与处理技术。针对信号分析任务中数据不充分、标签不准确和标注不确切的问题,以调制识别和宽带信号检测任务为研究对象,提出了基于弱监督学习的智能信号分析算法;针对智能模型在博弈环境中的应用问题,提出了用于模型攻防的对抗信号生成算法;针对实际部署中的计算资源受限的问题,提出了基于渐进式模仿学习的卷积神经网络轻量化算法。期望通过上述研究,解决深度学习技术在实际复杂电磁环境落地应用的一些难点问题。论文主要工作概括如下:1.针对信号调制识别任务中监督数据不充分的问题,提出了基于自监督深度编码网络的小样本多模调制识别算法。首先深入分析了复杂信道对调制信号的影响,通过修改信号频域、时域和幅度域的影响参数,提出并验证了9种调制信号扩增方法,以在实际应用中扩增信号。其次,构建了基于自监督学习的降噪深度自编码器,通过软件无线电的动态效应模块生成自监督降噪数据,训练自编码器实现调制信号降噪,降低信道效应对提取调制域特征的影响,减少模型训练对监督数据的需求。最后,构建了基于多模态输入的小样本调制识别模型,构造了降噪信号和调制信号的多模输入,设计了特征融合层,以提升模型的识别性能。在RML2016.10a和RML2016.10b数据集上进行了实验,结果显示:所提出算法在每类训练样本数为1000时达到了44.48%的总体识别正确率,相比于SSRCNN(Semi-supervised Signal Recognition Convolutional Neural Network)和VAT(Virtual Adversarial Training)等半监督学习算法,所提出算法在总体识别正确率上有1.09%～28.24%的提高。2.针对信号调制识别任务中数据标签不准确的问题,提出了基于行列式信息熵损失的噪声标签调制识别算法。首先,设计了行列式信息熵损失,该损失通过衡量信号标签与模型输出间的互信息,忽略互信息较少的噪声标签,使模型实现对噪声标签的鲁棒性。其次,将潜在类条件噪声估计引入到行列式信息熵损失中,通过吉布斯采样近似估计噪声转移矩阵,校正噪声标签,以利用带噪声标签的样本训练识别模型。在RML2016.10a和RML2016.10b数据集上进行了实验,结果显示:在噪声标签占比80%的数据条件下,相比于FL(Forward Loss)、GCE(Generalized Cross Entropy)和LCCN(Latent Class-Conditional Noise)等噪声标签学习算法,所提出算法在总体识别正确率上有3.50%～54.46%的提高。3.针对宽带信号检测任务中数据标注不确切的问题,提出了基于标签传播的弱监督宽带信号智能检测算法。首先,针对低信噪比宽带信号时频图缺少颜色、纹理等信息导致生成的目标候选框不精确的问题,利用类标签激活的前景目标的显著性,计算窄带信号目标中心坐标,粗略预测信号目标位置。其次,采用基于像素语义亲和度的标签传播算法,估计信号目标边界,并在目标边界内迭代传播目标中心的标签,对时频图生成像素级的类别预测。最后,利用最小外接矩形算法生成像素级类别预测结果的最小外接矩形作为信号目标的检测框。在宽带信号数据集SWSD上进行了实验,结果表明:所提出算法能预测更精准的检测框,相比于弱监督目标检测算法WSDDN(Weakly Supervised Deep Detection Network),所提出算法的、和分别提高了24.32%、12.94%和7.15%;相比目标检测算法YOLO(You Only Look Once)v4,提高了4.14%。4.针对智能模型在博弈环境中的应用问题,提出了用于模型攻防对抗的基于视觉与信息约束的对抗信号生成算法。首先,针对现有算法生成的对抗信号视觉变形大,传输信息变化大的问题,设置了视觉与信息差异的限制条件,提出了对抗信号的邻域内局部扰动约束。其次,引入了基于种群进化机制的差分进化算法,优化搜索全局最优的对抗信号。在RML2016.10a和RML2016.10b数据集上进行了实验,结果显示:相比于FGSM(Fast Gradient Sign Method)、BIM(Basic Iter

摘要： 基于MATLAB软件开发《信号分析与处理》的虚拟实验教学平台。利用MATLABGUI创建图形用户界面，层次清晰，操作简单，交互性好。通过可视化的图形演示，将抽象概念形象化，提高了学生的课堂参与度，激发了学生的学习兴趣，提升了课程教学效果。《信号分析与处理》课程是电气工程及其自动化专业承上启下的核心基础课程，由于该课程的理论性较强，概念抽象，讲授课程过程中有大量的数学公式推导，具有一定的教学难度。

关键词： 对分课堂   信号分析与处理   教学模式  

摘要： 针对我校自动化学院电气工程及其自动化专业的实际情况,结合“对分课堂”的优点和可实施性以及新时代学生的特点,本教改项目将“对分课堂”教学模式应用到“信号分析与处理”课程体系中,提出了隔堂对分及当堂对分的教学模式。本项目分别针对两种模式进行了探索。实践证明,隔堂对分模式适合比较系统的知识点,学生课后进行内化吸收,下次课进行分组讨论;而当堂对分适合小而独立的知识点,学生带着问题当堂内化吸收,再进行分组讨论。这种新的教学模式都有效增强了学生的主动性,激发学生主动学习,其课堂效果显著。

关键词： 信号分析   信号处理   课程思政   核心价值观  

摘要： 理工科课程专业性强,在发挥思想政治教育方面具有一定难度。本文通过信号分析与处理课程来构建协同育人课堂,设计“课程思政”映射与融入点,将社会主义核心价值观的培育和塑造以“基因式”融入课程,提升了信号分析和处理课程的教学效果。使理工科课程的课堂,不仅给学生传授专业理论知识,也培养了学生的综合能力,同时在帮学生树立正确的核心价值观方面起到了一定的作用。

关键词： 煤矿智能化   煤矿机电设备故障诊断   智能化维护   预测性维护   故障机理   设备状态监测   信号分析与处理  

摘要： 煤矿机电设备智能化维护是智慧矿山建设的重要组成部分。从煤矿机电设备故障机理、设备状态监测、信号分析与处理、故障诊断与预测算法4个方面总结了煤矿机电设备的智能故障诊断与预测性维护研究现状:①设备故障机理研究主要是针对不同设备,采用不同方法建立设备故障的分析模型,并对模型施加激励以获得设备故障动态响应,从而为后续的故障诊断提供评判依据;②设备状态监测研究针对煤矿机电设备建立了较为完备的状态监测系统,能够准确及时地获取设备参数,为设备的故障诊断提供数据支持;③信号分析与处理研究除了采用传统的时域、频域和时频域分析方法外,还将多种方法结合的手段用于信号处理与特征提取,提高了信号处理效率和处理结果的可靠性;④故障诊断与预测算法主要采用人工神经网络及机器学习、深度学习等智能算法建立设备故障诊断与预测模型,从而实现故障的智能诊断和预测。指出煤矿机电设备智能化维护研究存在的问题:①设备故障机理的研究缺少多故障复合状态下的故障机理研究,需要更多地对设备某部分的故障带来的连锁反应进行研究;②模拟环境下所获得的故障数据不能完全真实反映设备实际的运行状况,需长时间不断采集现场监测数据,最好是设备全生命周期数据;③目前采用组合式的算法研究较少,并且研究对象更多局限在设备某个部分或零部件。最后给出煤矿机电设备智能化维护的发展趋势:①研究应用灵敏度更高的智能传感器来监测设备,结合随机共振、盲源分离等方法从强噪声中提取微弱的特征信号,及时地识别出设备早期故障,从而实现预测性维护;②采用独立的诊断方法已经不能适应实际设备的诊断需求,基于多传感器信息融合技术的诊断和预测可准确有效地识别出设备存在的所有故障;③将迁移学习算法作为“桥梁”,建立仿真、试验数据与现场数据的相关性,为解决仿真与试验条件和现场条件差异的问题提供数据支持和保障。

ISBN: (纸本)9787302575030

摘要： 本文介绍了基于"MOOC+SPOC+翻转课堂"信号分析与处理课程混合式教学的实施过程,基于慕课、SPOC和翻转课堂进行教学改革,同时开展课程思政教育,探索以学生为中心的教学方法和手段。改革实践表明,这种教学模式提升了教学质量,调动了学生自主学习的积极性,提高了学生的创新能力,实现了全方位育人。

关键词： 一流课程   信号分析与处理   工程教育专业认证   混合式教学  

摘要： 《信号分析与处理》课程是针对电气工程及其自动化专业所开设的一门重要技术基础课程,在课程体系中起着承上启下的作用。本文以上海海洋大学的《信号分析与处理》课程为例,针对课程教学中存在的问题,对一流课程的建设举措进行阐述,并指明了课程改革过程中需进一步解决的问题及改进措施,以期为一流课程建设提供参考。

关键词： 鸟类识别   信号分析与处理   数据增强   深度学习  

摘要： 鸟类的观察与监测是生物多样性保护行动中的重要环节。基于鸣声进行鸟类的观测识别,由于其干扰性低、监测范围广、采集高效等优势,更是具有广泛的应用前景。本文针对实际环境下的鸟类鸣声识别进行了研究,主要的工作内容如下:（1）鸣声信号预处理及特征提取研究,将基本谱减法降噪进行自适应化,辅以自适应双门限法提取音节,以适应复杂的采集环境,并采用基于自适应最优核时频分析的方法,进行特征提取,将得到的包含能量信息的时频特征图作为识别模型的输入。（2）分析当前常用的音频信号分类模型的优缺点,在此基础上,基于Dense Net网络,进行了分类识别模型设计,针对其学习率以及结构深度,优化设计了不同的微型网络。选取我国居民区及农田中常见的30种鸟类构成样本库进行实验,在该样本数据库下,较优模型达到95.01%的识别准确度。（3）采用基于音频以及图像的联合数据增强策略。音频数据增强,进行了叠加和调音处理;图像数据增强,基于生成对抗式网络,采用DCGAN网络结构,设计了不同结构的生成器,通过实验对其生成图像质量进行了分析,并选取生成图像质量较好的结构作为生成器模型,对特征图进行数据扩充。在经过数据增强后的样本库上,较优分类模型的识别准确率达到96.7%。（4）建立基于移动终端的鸟类识别系统,以Jetson Xavier NX板卡作为移动终端,采用Python的Qt库进行图形交互界面的制作,结合深度学习模型,经测试,可以有效进行本地和实时的鸟类鸣声的分类识别。从实验结果来看,本方法能够适应不同的采集环境,缓解实际情况下鸟类鸣声交错叠加、远近不同,以及鸣声样本相对较少这几类问题对识别模型及结果的影响,且复杂度较低,具有较好的实时性,对鸟类监测识别工作存在着启发及意义。

关键词： 创新思维   创新实践   教学方法  

摘要： "信号分析与处理"教学过程中增强学生参与环节及激发学生创新思维环节,增加教学过程中学生创新实践的教学内容,并将课程理论知识与实践运用相结合,学生的"学"能直接运用于实践,培养学生的创新研究、探索及应用的能力。综合性实践的教学方法改革,使得"信号分析与处理"的课程教学具有综合性、设计性、趣味性、创新性等特点。