免费看男阳茎进女阳道视频

                        24小時論文定制熱線

                        咨詢電話

                        熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
                        您當前的位置:論文定制 > 畢業設計論文 >
                        快速導航
                        畢業論文定制
                        關于我們
                        我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
                        代做畢業設計
                        常見問題

                        基于計算機視覺的衛星頻譜信號識別研究

                        添加時間:2021/06/08 來源:未知 作者:樂楓
                        本文將其作為目標識別問題進行處理。其中衛星頻譜圖作為背景圖,不同的衛星頻譜異常分別作為不同的目標進行檢測。
                        以下為本篇論文正文:

                        摘要

                          衛星頻譜信號識別是獲取衛星頻譜使用情況的技術,分為信號檢測和異常識別兩部分。本文從圖像的角度進行了頻譜檢測的研究,使用計算機視覺和機器學習相結合的方法進行頻譜感知和異常識別。

                          對于頻譜感知,本文使用了數字圖像處理的方法和密度聚類算法。對于得到的頻譜,取合適的濾波模板對圖進行均值濾波并進行像素的二值化處理,然后將處理過后的點進行相同橫坐標的中值選取完成預處理。最后對處理過后的頻譜進行 DBSCAN 聚類,并使用聚類的參數完成信號的參數估計以獲得信號的帶寬、中心頻率和峰值增益。仿真表明,該方法相對于能量檢測法擺脫了門限敏感的缺點,實現了更準確的信號檢測。

                          對于異常檢測,本文將其作為目標識別問題進行處理。其中衛星頻譜圖作為背景圖,不同的衛星頻譜異常分別作為不同的目標進行檢測。在實現過程中,本文引入當下最為成熟的目標檢測框架 YOLOV3 并對其進行頻譜異常檢測的適應性改造。通過神經網絡選取、數據集制作和網絡訓練三個步驟訓練出頻譜異常識別的神經網絡。并且通過數據擴增、算法修改和過擬合預防不斷地提高目標檢測的準確度。最終在實際的異常檢測問題中,訓練出的目標檢測網絡在召回率為 65.9%的情況下實現了 95.3%的精確度,實現了較好的檢測效果。

                          關鍵詞:頻譜感知,異常檢測,計算機視覺,機器學習,衛星通信

                        Abstract

                          Abstract: As a technology to obtain satellite spectrum usage, satellite spectrum's recognition waspided into two parts: signal detection and anomaly recognition. In order to improve the performanceof spectrum detection, a method based on computer vision and machine learning was proposed,proving the possibility of spectrum detection from the perspective of the image.

                          A method based on digital image processing and density clustering algorithm was applied tosatellite spectrum sensing. Firstly, the spectrogram is subjected to image filtering and pixelbinarization. Secondly, the spectrogram is extracted with the coordinates of the effective pixel set.

                          Finally, the pixel coordinates extracted from the spectrogram are median processed and then clusteredby DBSCAN. The parameters of the signal in the spectrum can be obtained from the clustering resultsthrough parameter estimation. Simulation shows that the new method has got rid of the shortcomingsof threshold sensitivity compared with the energy detection method, improved the accuracy of signaldetection.

                          In this paper, the method of target recognition was applied to the problem of anomaly detection,with the spectral anomalies in the satellite spectrum map were used to detect image anomalies andtarget detection. As the most mature target detection framework at present, YOLOV3 has beencorrespondingly adapted to perform spectrum abnormality identification. Through data amplification,algorithm modification and overfitting prevention, the detection accuracy of the target detectionnetwork is constantly improving anomalies. Finally, in the actual anomaly detection problem, thetrained target detection network achieved 95.3% accuracy with a recall rate of 65.9%.

                          Keywords: spectrum sensing, anomaly detection, computer vision, machine learning,satellite communication

                        計算機

                          目錄

                          第一章 緒論研究

                          1.1背景和意義

                          1.1.1 衛星通信系統簡介

                          隨著通信技術的飛速發展,地面的數字蜂窩網絡已經發展到第五代。當前 5G(5thgeneration mobile networks)基站已經開始大規模部署并進入使用,支持 5G 的終端也進入量產使用的階段。與此同時地面網絡的覆蓋并不足夠,ITU 的研究指出截止 2016 年底全球人口網絡覆蓋率 47%.其中一方面的原因是貧困地區的國家沒有能力去建設基礎網絡,另一方面的原因是在海洋、高山和極地等特殊的環境下建設網絡的難度和成本高。這時候就需要衛星通信系統來進行覆蓋了,衛星通信是一種地球表面的的設備通過衛星作為中繼方式實現通信的通信技術[1].由于衛星通的的中樞位于運行在太空中的軌道中,所以衛星通信系統的部署不會受到地面地理環境的影響,在海洋和高山上能夠得到和地面上一樣的覆蓋。這樣衛星通信系統就可以作為地面通信的補充為不方便部署地面通信系統的地區進行網絡覆蓋,成為全球通信系統中必不可少的組成部分。另一方面在地面基站容易受到地面災害的破壞,在地震泥石流等物理災害下失去通信能力。這體現了通信系統需要備份的需求,備份的通信系統必須要對地面的災害免疫,這就是衛星通信的第二大應用場景--應急通信[2].此外,衛星通信的傳統應用場景還有軍事通信[3].

                          根據衛星運行軌道的高度進行分類。衛星可分為高軌道衛星(GEO)[4]、中軌道衛星和低軌道衛星(LEO)[5]三種,其中低軌道衛星的軌道高度在 700km~1500km 之間,中軌衛星的軌道高度在 1500km~35786km 之間,而高軌道衛星的軌道高度固定在 35786km.高軌道的衛星繞地運行的周期和軌道日相同,因此高軌道衛星可以在運行過程中保持對地靜止,所以高軌道也被稱為地球靜止軌道。根據牛頓第二定律,離地越近的衛星運動速度越高,因此低于高軌道的衛星運行周期都是小于一天的。因為衛星對地面的覆蓋屬于視距覆蓋,所以低軌道的衛星覆蓋的面積也是小于高軌道衛星的,想要在地面實現同樣的覆蓋面積所需要的低軌道衛星的數量是多于高軌道衛星的。由于以上原因,建成低軌衛星星座的難度是大于其他星座的。

                          但是 LEO 有以下優點:

                          1.LEO 的軌道高度較低,所以 LEO 衛星的通信延遲比較低;2.LEO 覆蓋范圍小,能夠實現頻率的空分復用,對于頻率的利用率較高;3.GEO 在兩極地區覆蓋不好,并且存在南山效應,更容易被遮擋,而 LEO 能夠對地球實現更完整的覆蓋。

                          由于以上的優點,LEO 被認為有著很好的發展前景。由于衛星的軌道資源和衛星頻譜資源是有限的寶貴資源,近幾年各個國家分別在 LEO 星座建設領域進行了競爭。目前正在建設的 LEO 衛星星座有美國 OneWeb 公司的 OneWeb 星座[6]、spaceX 的 Starlink 星座[7]、LeoSat公司的 LeoSat 星座以及中國航天科技集團的鴻雁星座[8]和航天科工集團的虹云星座。

                          1.1.2 頻譜信號識別技術簡介

                          頻譜是無線通信的基礎資源,就像土地之于農業一樣,頻譜不僅是無線通信必須的基礎資源,而且是有限的不可再生的資源。在每個國家進行網絡建設的時候運營商必須從國家申請到對應的頻譜資源,許多國家對頻譜實行拍賣制度,美國在對 700MHz 帶寬拍出了 191 億美元的高價[9],頻譜資源的稀缺性在市場化的拍賣中體現的淋漓盡致。而衛星頻譜比普通頻譜的獲取難度更高,因為衛星在全球使用同一個頻率,要在全球所有國家申請到相同頻率的頻譜資源非常困難。頻譜資源是寶貴的,但是由于通信的突發性等原因,申請的靜態頻譜資源往往不能得到充分地利用,這時就會出現頻譜空洞[10]即申請的頻譜中沒有被利用的部分,因此提高對頻譜的利用度是一項十分有價值的研究。

                          認知無線電(Cognitive Radio,CR)[11]是一種在頻譜的授權用戶(Primary User,PU)允許的情況下,非授權用戶(Secondary User,SU)通過使用授權用戶閑置的頻譜資源來提高頻譜總體利用率的技術,在頻譜資源逐漸稀缺的現在獲得了廣泛的研究[12, 13].這里需要說明,非授權用戶對于頻譜的利用要做到對授權用戶不產生任何干擾,即從授權用戶的角度完全感受不到非授權用戶的存在。頻譜監測是認知無線電的第 1 個步驟,也是非授權用戶進行動態接入頻譜的基礎[14, 15].在頻譜感知的過程中,非授權用戶感知到頻譜內的如下信息:1.頻譜內所有頻率上的功率譜密度;2.頻譜中的信號參數,包含頻譜中有哪些信號,信號的帶寬、中心頻率以及峰值功率,這部分的參數通過對過程 1 中的信號進行識別產生。提取了這些信息整段頻譜的使用情況就被感知到,非授權用戶就可以對頻譜的空洞進行充分的利用。高效而精準的對主用戶的頻譜進行參數感知[16]可以最大可能的減小認知無線電對主用戶通信的影響[17],這也是本文中重要的研究部分。

                          1.1.3 衛星頻譜監測系統簡介

                          由于衛星通信系統在全球提供通信服務,在軍用和民用領域都發揮著不可代替的作用,所以也會遇到各種目的的干擾和竊用。為了保證衛星通信系統的正常運行,就需要對衛星通信系統進行監控,對頻譜中的信號和異常情況進行分析監控,這就產生了對衛星頻譜監測系統的需求[18].衛星頻譜監測系統是一套集頻譜數據采集硬件,頻譜數據還原軟件和頻譜數據處理軟件組成的系統。這里我們主要研究的是頻譜數據處理軟件,主要任務是信號檢測和異常識別兩部分,其中信號識別技術在上文中已經介紹過,而異常識別是指利用通信及不同的技術將頻譜中的不正常部分信號報告出來并給出異常信號參數的技術[19].

                          由于不同的衛星通信系統發揮不同的功能,信號的特征也有很大的差別。所以在不同種類的衛星上頻譜監控功能要實現的功能也不同。在中星頻譜中需要實現的功能有以下三種:

                          1.正常頻譜信號識別;2.疊加的頻譜信號識別與告警;3.單音信號識別與告警。功能 1 是指對于頻譜中的正常通信信號,能夠對其進行識別并進行參數的估計。功能 2 是指對于頻譜產生交疊的兩個信號,能夠分別識別處出兩個信號并估計出其參數,對于這種情況系統還要產生提醒。功能 3 是指對于帶寬非常小能量又很大的單音一類信號進行識別和告警。本文中的第三章是功能 1 的具體實現。

                          在天通系列衛星上,通信信號的頻譜帶寬非常小,所以更常出現的異常是大帶寬類型的頻譜占用信號,天通頻譜上異常的具體介紹見第二章第 2 節。

                          對于衛星通訊頻譜的占用會降低衛星通訊的質量甚至直接導致衛星通信系統不可用。所以必須對衛星頻譜進行監測并對頻譜中的信號進行識別,鑒別出異常的信號并交給系統處理。

                          1.2背景技術介紹

                          1.2.1 聚類的概念和發展介紹
                          聚類分析是機器學習領域中一種對集群進行分類的算法,使用相似性作為數據劃分成不同種類的依據,經過初步分類和優化最終將原有的數據分為內部相似度很高的幾個種類。本文使用聚類技術進行信號波峰分離。下面是對聚類算法概念和發展的介紹。

                          聚類算法是數據挖掘技術中的一部分,最常用的聚類方法是 kmeans[20].給定聚類的總數和計算距離的方式,算法迭代就能得到在最小殘差情況下每一個點的聚類歸屬。在現在的情況要求下,聚類的數目總數是未知的。這種情況下我們可以選用的聚類方法有 AP 聚類和密度聚類。AP 聚類和 kmean 同屬于劃分聚類,是 Frey 等人 2007 年提出的一種聚類算法[21], 該算法快速、有效。AP 算法經過人臉圖像聚類、文本中關鍵句子選擇、基因片段聚類以及航空路線規劃等試驗中的百分之一,但是在小數據集中,其性能表現并不突出。經測試,AP 聚類效果在本例中并不好,而 DBSCAN 聚類方法經過調試獲得了很好的效果。DBSCAN 是 Ester等人 1996 年在數據挖掘大會上提出的一種基于密度的算法[22].該算法利用基于密度的聚類(或者類 cluster)概念 ,即要求聚類空間中的一定區域內所包含對象 (點或其它空間對象 )的數目不小于某一給定閾值。DBSCAN 算法的顯著優點是聚類速度快,且能夠有效處理噪聲點( outliers)和發現任意形狀的空間聚類。

                          相似性的計算方法是聚類算法的核心,例如 Kmean 方法使用歐氏距離作為分類的依據最終分為指定的分類依據,均值漂移類聚類和 DBSCAN(Density-based spatial clustering ofapplications with noise)聚類方法使用密度作為分類依據,近鄰傳播(Affinity Propagation,AP)聚類算法使用吸引力作為分類依據。

                          1.2.2 圖像分類的概念

                          及應用介紹圖像分類是計算機視覺中最為核心的一個問題,目的在于將給定的目標圖像給出類別信息,是目標識別的基礎問題,F在的圖像識別領域在深度學習的加持下發展速度可以用突飛猛進來形容,在華人科學家李飛飛發起的 ImageNet[23]數據集上,深度網絡甚至能夠在 1000 萬張圖片的 2 萬個類別的分類任務上超越人類。

                          本文中使用目標識別技術進行天通衛星頻譜中的異常識別,其中就是使用了圖像分類技術來進行異常的識別及分類。下面是對圖像分類難度等級的介紹。

                          圖像分類是有不同的難度等級的,用來評價圖像分類難度的參數是類間差異和類內差異[24].設想一個情景,學校里經常會有流浪貓和流浪狗,對于對寵物不是很了解的人也能輕易地分辨出貓和狗的區別。但是分辨一只狗是中華田園犬還是秋田犬就需要對狗的分類有一定的知識儲備了。這樣的差距主要來源于兩個部分:狗屬于犬科,貓屬于貓科,這兩個科之間的差異較大;而中華田園犬和秋田犬同屬于犬科,兩者都屬于相同的科,兩者差異較小。貓和狗兩個科內部的差異明顯小于貓科和犬科之間的差異,而中華田園犬和秋田犬的種類內部之間差異相對于兩者種類之間的差異并不大。

                          這其實體現了一個道理:種類之間的差異越大,種類內部的差異越小,這樣的圖像分類難度就更低。相反的話,種類之間的差異越小而種類內部的差異越大,這樣的圖像分類任務難度更大。前者的典型例子是貓和狗識別的挑戰,后者的典型例子是 FGVC 中的植物分類比賽。由此向下引申,難度最大的例子是對同一種物體之間的個體識別(實例級圖像分類),人臉識別就是對物種個體之間的進行分類的典型例子。

                          在圖像分類的發展中有兩個里程碑式的事件:事件 1 是在 MNIST 數據集的識別上 LeCun等人不斷改進 LeNet 網絡[25],終于在 1998 年提出了具有現代 CNN 網絡重要特性的(卷積層和稀疏連接)LeNet5 網絡[26].事件 2 是 AlexNet[27]的提出,其在李飛飛等人整理的 ImageNet數據集上獲得了卓越表現。AlexNet 基本上具有了現代神經網絡的所有特征:

                          1.網絡更深;2.使用新的激活函數 Relu[28]; 3 使用的 Dropout 來避免過擬合;4.使用圖像處理單元來進行分塊訓練;巨大的改進使得 AlexNet 發揮出了神經網絡的巨大潛力,一舉擊敗了傳統的機器學習方法,將神經網絡帶入深度學習時代。此后的圖像分類神經網絡飛速發展,超越了人類進行圖像分類的極限。因此使用圖像分類計數進行異常識別在理論上是能夠達到人工識別的精確度的。

                          1.2.3 深度學習的發展及應用介紹

                          深度學習是指通過簡單特征的組合產生復雜特征,并使用復雜的特征進行復雜問題的過程。深度學習的定義中并沒有具體的實現方式,但是復雜特征的提取和組合無意對實現方式有著苛刻的性能要求。隨著計算機性能的增強和 2006 年 Hinton 對深度置信網絡(Deep BeliefNets)[29]提出,深度學習就開始了第三次應用浪潮。這主要是因為神經網絡容量的增大加強了網絡的表示和處理能力,使得深度學習能夠解決計算機視覺、自然語言處理、信息檢索和個性化推薦等領域的復雜問題。本文中進行頻譜異常識別的目標識別技術就是基于深度學習理論的,下面是深度學習的相關應用介紹。

                          在圖像識別領域中,人臉識別[30]是最具代表性的應用領域,可以通過人臉的識別進行用戶的鑒定。這樣的應用使得用戶鑒權過程中不用進行繁瑣的輸入操作,極大地簡化了鑒權的安全性與便捷性。

                          在個性推薦系統領域,電商公司使用個性推薦系統為用戶提供相關性高的推薦增加用戶的購買。在數字內容的互聯網領域,深度學習算法在推薦系統中的應用甚至是具有革命意義的[31].類似抖音和快手的短視頻應用和今日頭條類的新聞應用得到了爆發,大幅占據了用戶的娛樂時間,催生出了字節跳動這樣的獨角獸公司。

                          隨著監督式學習在各個應用領域被廣泛的應用,研究的熱點已經轉移到了強化學習領域。

                          通過為神經網絡設置獎勵函數和行為規則,神經網絡通過試錯來不斷改進自己的行為模式。

                          2017 年使用了強化學習的 AlphaGo 戰勝柯潔一戰成名,近年來在棋牌和游戲領域人類冠軍被AI 戰勝的新聞也屢見不鮮,這些事件標志著 AI 的智能性進一步增強。隨著機器學習的發展,使用機器來代替人工來完成工作任務有著廣闊的發展前景。

                          1.3論文的結構

                          本文的組織結構以及各章節的內容如下:

                          第 1 章為緒論部分,主要介紹了衛星通信系統的重要性、對衛星頻譜進行頻譜感知和異常信號識別的必要性以及本文中使用的一些基本技術。

                          第 2 章 背景技術的介紹本章介紹的內容有:傳統的信號識別方法和頻譜異常種類,計算機視覺中圖像處理技術介紹和應用,圖像分類的發展和研究現狀以及深度學習的發展和研究現狀第 3 章 圖像處理和聚類算法的頻譜信號識別方法本章首先介紹了圖像與像素點矩陣轉換和圖像濾波這兩種技術的基礎理論,使用轉換將頻譜數據轉換成圖像并使用圖像的方法進行均值濾波。然后本文介紹了常用的聚類方法和在圖像上的效果,并使用 DBSCAN 聚類方法對圖像中的點進行聚類操作得到代表信號的聚類,最終通過計算聚類的特征得出信號好的參數。

                          第 4 章 基于目標識別的頻譜異常信號識別本章介紹了如何使用目標識別的方法進行頻譜異常識別。本章首先使用目標檢測方法進行異常識別的步驟(包括模型選取、數據準備、訓練中進行調優),然后介紹了數據集和圖像分類的細節,最終使用模型進行訓練得出結果。

                          第 5 章 目標識別網絡的改進在第 4 章的目標識別方法進行頻譜異常識別之后發現在性能上有很大的改進空間,于是本章應用了數據增強技術來擴增數據量,在訓練過程中制定適合頻譜目標識別的訓練策略并針對樣本不均衡問題進行改進,最終在識別精度上得到了提高。

                          第 6 章 總結與展望總結本文圍繞異常檢測所做的工作以及其中的不足之處,并提出后續需要完善的部分和下一步的工作方向。

                          第二章 頻譜信號檢測和計算機視覺技術的研究現狀

                          2.1頻譜信號檢測算法的研究現狀

                          2.1.1 頻譜能量檢測法

                          2.1.2 循環穩定特征檢測法

                          2.1.3 頻譜異常的種類

                          計算機視覺的研究現狀

                          2.2.1 圖像處理的發展介紹

                          2.2.2 數據集的發展介紹

                          2.2.3 圖像分類的研究現狀

                          2.2.4 深度學習的研究現狀

                          2.2.5本章小結

                          第三章 基于密度聚類的頻譜信號識別

                          3.1密度聚類頻譜識別算法基礎

                          3.1.1 傳統檢測方法的缺點

                          3.1.2 圖像濾波與鄰域的介紹

                          3.1.3 DBSCAN 算法介紹

                          3.2圖像處理和密度聚類的頻譜信號識別

                          3.2.1 頻譜圖像的預處理流程

                          3.2.2 DBSCAN 聚類處理流程

                          3.2.3 頻譜信號參數提取

                          3.3.1 頻譜信號的帶寬估計與峰值功率估計

                          3.3.2 頻譜信號的中心頻率參數估計

                          3.3.3 仿真分析

                          3.3.4 本章小結

                          第四章 基于圖像目標識別的頻譜異常檢測

                          4.1目標識別網絡框架選取及使用準備

                          4.1.1 根據需要識別的目標個數修改特征參數

                          4.1.2 保存訓練過程中神經網絡的歷史版本

                          4.1.3 根據硬件配置修改訓練參數

                          4.1.4 使用預訓練權重進行遷移學習

                          4.1.5 數據集的制作與劃分

                          4.2.1數據集制作

                          4.2.2訓練集、測試集與驗證集的劃分

                          4.3圖像分類算法介紹。

                          4.3.1 YOLOv3的算法流程。

                          4.3.2目標識別網絡的訓練

                          4.4基于目標識別的頻譜信號識別方法仿真分析

                          4.5本章小結

                          第五章異常識別網絡的改進與仿真

                          5.1數據增強的應用。

                          5.2神經網絡訓陳優化基礎

                          5.2.1神經網絡訓練原理

                          5.2.2樣本不均衡問題。

                          5.3過報合的抑制

                          5.4網絡性能測試

                          5.5本章小結

                        第六章 總結與展望

                          頻譜感知的技術在認知無線電和通信干擾分析中都有著廣泛的應用。在衛星通信這樣的全球通信系統中,通信的頻譜資源更加寶貴,通過頻譜感知技術以使用認知無線電可以提高頻譜的使用率,通過干擾分析可以保證衛星通信系統的通信質量。

                          本文首先對頻譜感知算法的國內外研究現狀進行了調查,針對能量檢測法的門限敏感性和循環平穩特征檢測法的計算量大的問題,本文提出從圖像領域進行頻譜中的信號識別。在分析了圖像領域常見的處理方法,機器學習發展和深度學習中目標識別網絡發展的情況下,分別提出了圖像處理加 DBSCAN 聚類的信號識別方法和基于目標識別網絡的頻譜異常識別方法,并在不同的頻譜情況下進行仿真。具體總結如下:

                          1.在第一章本文介紹了衛星通信系統、頻譜感知和頻譜監測系統的概念和意義,并對本文中使用的聚類方法、圖像分類方法和深度學習進行了介紹。

                          2.在第二章中本文對于現有的頻譜感知算法研究進行了介紹,分別說明了能量檢測法和循環特征檢測法的優缺點,并對使用的圖像目標識別的研究現狀進行了調研。

                          3.第三章中本文使用圖像處理和聚類分析的方法進行頻譜信號識別。其中數字圖像處理的方法進行頻譜圖特征提取,DBSCAN 聚類算法進行頻譜聚類分析,最終對聚類結果進行參數提取可以頻譜中信號進行參數估計。 4.第四章介紹了基于深度學習的目標識別網絡,并嘗試按照目標識別網絡的方法進行頻譜異常的識別。其中進行了了目標識別網絡的原理和選取、數據集選取和制作、數據集標注和劃分、神經網絡的訓練四個部分的工作。 5.第五章中本文介紹了神經網絡訓練過程中常遇到的問題和網絡訓練的原理。最后針對問題從原理上提出解決方法,優化了目標識別網絡的識別效果。

                          本文使用圖像處理加聚類方法和進行頻譜信號識別,目標識別網絡進行頻譜異常識別,從計算機視覺角度進行頻譜感知處理。但是由于個人的水平和時間比較有限,對于深度學習網絡的了解也不夠深入,還有很多的內容需要進一步深入。

                          本文中使用圖像處理加 DBSCAN 聚類方法進行頻譜信號識別的方法中,聚類的 MinPts和 兩個參數還需要根據實際的情況進行調整。使用基于深度學習神經的目標識別網絡的方法,在最終的異常類型判斷上還存在對于大帶寬信號和大起伏信號的類型誤判。在最終的識別概率上,準確度和誤判率還有進一步提升的空間,這也是接下來需要工作的重點。

                        參考文獻

                          [1] 甘仲民, 張更新。 衛星通信技術的新發展 [J]. 通信學報, 027(008): 2-9.

                          [2] DERVIN M, BURET I, LOISEL C. Easy-to-deploy emergency communication system based on a

                          transparenttelecommunication satellite; proceedings of the 2009 First International Conference

                          on Advances in Satellite and SpaceCommunications, F, 2009 [C]. IEEE.

                          [3] FRITZ D A, DOSHI B T, OAK A C, et al. Military satellite communications: space-based

                          communications for the globalinformation grid [J]. Johns hopkins APL technical digest, 2006, 27(1): 32-40.

                          [4] CLARKE A C, STATIONS E-T R C R. Give Worldwide Radio Coverage [J]. Wireless World, 1945, 305-8.

                          [5] WIEDEMAN R A, MONTE P A. Low earth orbit distributed gateway communication system [M]. Google Patents.1999.

                          [6] RADTKE J, KEBSCHULL C, STOLL E. Interactions of the space debris environment with mega

                          constellations-Usingthe example of the OneWeb constellation [J]. Acta Astronautica, 2017, 131(55-68.

                          [7] MCDOWELL J C. The Low Earth Orbit Satellite Population and Impacts of the SpaceX Starlink

                          Constellation [J]. arXivpreprint arXiv:200307446, 2020,

                          [8] 曉曲。 鴻雁星座首顆試驗星 [J]. 衛星應用, 2019, 2): 17.

                          [9] BAJARI P, YEO J. Auction design and tacit collusion in FCC spectrum auctions [J].

                          Information Economics and Policy,2009, 21(2): 90-100.

                          [10] TANDRA R, SAHAI A, MISHRA S M. What is a Spectrum Hole and What Does it Take to

                          Recognize One? [J].Proceedings of the IEEE, 97(5): 824-48.

                          [11] MITOLA J, MAGUIRE G Q. Cognitive radio: making software radios more personal [J].

                          IEEE Personal Communications,1999,

                          [12] HAYKIN S. Cognitive radio: brain-empowered wireless communications [J]. IEEE journal on

                          selected areas incommunications, 2005, 23(2): 201-20.

                          [13] SONG M, XIN C, ZHAO Y, et al. Dynamic spectrum access: from cognitive radio to networ

                          k radio [J]. IEEE WirelessCommunications, 2012, 19(1): 23-9.

                          [14] DE P, LIANG Y-C. Blind spectrum sensing algorithms for cognitive radio networks [J].

                          IEEE Transactions on VehicularTechnology, 2008, 57(5): 2834-42.

                          [15] ZENG Y, LIANG Y-C. Spectrum-sensing algorithms for cognitive radio based on statistical

                          covariances [J]. IEEEtransactions on Vehicular Technology, 2008, 58(4): 1804-15.

                          [16] CABRIC D, MISHRA S M, BRODERSEN R W. Implementation issues in spectrum sensing for

                          cognitive radios;proceedings of the Conference Record of the Thirty-Eighth Asilomar Conference on

                          Signals, Systems and Computers,2004, F, 2004 [C]. Ieee.

                          [17] YUCEK T, ARSLAN H. A survey of spectrum sensing algorithms for cognitive radio

                          applications [J]. IEEEcommunications surveys & tutorials, 2009, 11(1): 116-30.

                          [18] 馮笑可。 電磁頻譜入侵信號檢測技術研究 [D]; 北京郵電大學, 2019.

                          [19] 王磊, 謝樹果, 蘇東林, et al. 基于時間序列分析的頻譜異常自主檢測和穩健估計方法 [J]. 電子學報, 2014,42(6): 1055-60.

                          [20] MACQUEEN J. Some Methods for Classification and Analysis of MultiVariate Observations, F, 1965 [C].

                          [21] FREY B J, DUECK D. Clustering by Passing Messages Between Data Points [J]. Science, 315(5814): p.972-6.

                          [22] ESTER M, KRIEGEL H P, SANDER J, et al. A Density-Based Algorithm for Discovering Clusters in

                          Large SpatialDatabases with Noise [J].

                          [23] DENG J, DONG W, SOCHER R, et al. ImageNet: a Large-Scale Hierarchical Image Database; proceedings

                          of the 2009IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2009),

                          20-25 June 2009, Miami,Florida, USA, F, 2009 [C].

                          [24] 言有三。 深度學習之圖像識別:核心技術與案例實戰 [M]. 機械工業出版社, 2019.

                          [25] LECUN Y, BOSER B, DENKER J S, et al. Backpropagation applied to handwritten zip code recognition

                          [J]. Neuralcomputation, 1989, 1(4): 541-51.

                          [26] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition [J].

                          Proceedings ofthe IEEE, 1998, 86(11): 2278-324.

                          [27] KRIZHEVSKY A, SUTSKEVER I, HINTON G. ImageNet Classification with Deep Convolutional Neural Networks [J].

                          Advances in neural information processing systems, 2012, 25(2):

                          [28] DAHL G E, SAINATH T N, HINTON G E. Improving deep neural networks for LVCSR using rectified linear

                          units anddropout; proceedings of the Acoustics, Speech and Signal Processing (ICASSP), 2013 IEEE International

                          Conference on, F,2013 [C].

                          [29] HINTON G E, OSINDERO S, TEH Y-W. A fast learning algorithm for deep belief nets [J]. Neural computation,

                          2006,18(7): 1527-54.

                          [30] SUN Y, CHEN Y, WANG X, et al. Deep learning face representation by joint identification-verification;

                          proceedings ofthe Advances in neural information processing systems, F, 2014 [C].

                          [31] 王雨辰。 基于深度學習的圖像識別與文字推薦系統的設計與實現 [D]; 北京交通大學, 2017.

                          [32] ZHU J, XU Z, WANG F, et al. Double Threshold Energy Detection of Cooperative Spectrum Sensing in

                          Cognitive Radio;proceedings of the Cognitive Radio Oriented Wireless Networks and Communications, 2008 CrownCom 2008 3rdInternational Conference on, F, 2008 [C].

                          [33] 金燕君, 朱琦, 鄭寶玉。 認知無線網絡中動態雙門限協作頻譜感知性能的優化方案 [J]. 信號處理, 2015,31(03): 319-27.

                          [34] 李闖。 一種基于雙門限能量檢測的協作頻譜感知優化算法 [D]; 長春: 吉林大學, 2015.

                          [35] 李敏樂, 畢大平, 韓佳輝。 基于形態學運算的子帶頻譜檢測算法 [J]. 探測與控制學報, 2017, 4): 49-53.

                          [36] 胡婧, 邊東明, 謝智東, et al. 應用形態學濾波的衛星通信窄帶干擾檢測新方法 [J]. 計算機科學, 2016, 43(10):120-4.

                          [37] PEREZ L, WANG J. The effectiveness of data augmentation in image classification using deep learning [J].

                          arXivpreprint arXiv:171204621, 2017.

                          [38] GOODFELLOW I J, POUGET-ABADIE J, MIRZA M, et al. Generative AdversarialNetworks [J]. Advances in

                          NeuralInformation Processing Systems, 2014, 3(2672-80.

                          [39] VIOLA P, JONES M. Rapid object detection using a boosted cascade of simple features; proceedings of

                          theProceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition CVPR 2001, F,2001 [C]. IEEE.

                          [40] OJALA T, PIETIK?INEN M, HARWOOD D. A comparative study of texture measures with classification based

                          onfeatured distributions [J]. Pattern recognition, 1996, 29(1): 51-9.

                          [41] WANG X, HAN T X, YAN S. An HOG-LBP human detector with partial occlusion handling; proceedings

                          of the 2009IEEE 12th International Conference on Computer Vision, F, 2010 [C].

                          [42] LE M H, WOO B S, JO K H. A Comparison of SIFT and Harris Conner Features for Correspondence Points Matching[J].

                          [43] COLLINS M, SCHAPIRE R E, SINGER Y. Logistic Regression, AdaBoost and Bregman Distances [J]. Machine Learning,48(1-3): 253-85.

                          [44] QIN J, HE Z S. A SVM face recognition method based on Gabor-featured key points, F, 2005 [C].

                          [45] SHARIF RAZAVIAN A, AZIZPOUR H, SULLIVAN J, et al. CNN features off-the-shelf: an astounding baseline

                          forrecognition; proceedings of the Proceedings of the IEEE conference on computer vision and pattern recognitionworkshops, F, 2014 [C].

                          [46] HUBEL D H, WIESEL T N. Receptive fields of single neurones in the cat's striate cortex [J]. The Journal of physiology,1959, 148(3): 574-91.

                          [47] 李明熹, 林正奎, 曲毅。 計算機視覺下的車輛目標檢測算法綜述 [J]. 計算機工程與應用, 2019, 24): 4.

                          [48] ZEILER M D, FERGUS R. Stochastic pooling for regularization of deep convolutional neural networks [J].

                          arXivpreprint arXiv:13013557, 2013,

                          [49] 白曉東, 朱文登, 劉波, et al. 基于底噪擬合的 Ku 頻段衛星頻譜信號檢測方法 [J]. 南京郵電大學學報 (自然科學版), 2019, 2019 年 03): 51-7.

                          [50] LIN T-Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection; proceedings of the Proceedings of the IEEEinternational conference on computer vision, F, 2017 [C].

                          [51] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semanticsegmentation; proceedings of the Proceedings of the IEEE conference on computer vision and pattern recognition, F,2014 [C].

                          [52] GIRSHICK R. Fast R-CNN [J]. Computer Science, 2015,[53] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 39(6): 1137-49.

                          [54] ERHAN D, SZEGEDY C, TOSHEV A, et al. Scalable Object Detection using Deep Neural Networks [J].

                          [55] 郭冠華。 近距離觀察 YOLOv3 [M]. 2018.

                          [56] HE K, ZHANG X, REN S, et al. Deep Residual Learning for Image Recognition; proceedings of the IEEE Conference onComputer Vision & Pattern Recognition, F, 2016 [C].

                          [57] HOSANG J, BENENSON R, SCHIELE B. A Convnet for Non-maximum Suppression; proceedings of the GermanConference on Pattern Recognition, F, 2016 [C].

                          [58] BOTTOU L. Large-scale machine learning with stochastic gradient descent [M]. Proceedings of COMPSTAT'2010.

                          Springer. 2010: 177-86.

                          [59] KINGMA D P, BA J. Adam: A method for stochastic optimization [J]. arXiv preprint arXiv:14126980, 2014,[60] DUCHI J, HAZAN E, SINGER Y. Adaptive subgradient methods for online learning and stochastic optimization [J].

                          Journal of machine learning research, 2011, 12(Jul): 2121-59.

                          [61] SOLLICH P, KROGH A. Learning with ensembles: How overfitting can be useful; proceedings of the Advances inneural information processing systems, F, 1996 [C].

                          [62] PRECHELT L. Automatic early stopping using cross validation: quantifying the criteria [J]. Neural Networks, 1998,11(4): 761-7.

                        致謝

                          光陰似箭,歲月如梭,轉眼間研究生生涯即將落下帷幕。三年的非全日制研究生生活讓我在研究學習和社交能力上都有了很大的成長,在這里我要向指導我的老師和幫助我的同學表示感謝。

                          首先要感謝的是南郵衛星研究所的張更新教授。張教授在學術上高屋建瓴,為我們整個衛星研究所科研的方向和課題申請方面做出指導。另一方面張教授在生活和科研中了解學生的難處,讓我們科研和就業能力同時提升。張老師不僅在我想要放棄研究生生活的時候提醒我在研究生生活中學會科研的能力,也給與了我科研補助讓我能夠像一個其他的全日制研究生一樣進行科研生活。其次要感謝的是手把手教導我做科研和寫論文專利的白曉東老師。剛剛入學的我是一個科研的小白,是白老師從科研的細節上開始指導,后面也是事無巨細的給我講解如何進行論文和專利的撰寫投稿和修改。感謝白老師對我的悉心指導,讓我能夠進入科研的大門。最后要感謝謝繼東教授和衛星研究所的所有老師,感謝謝教授接收我進入衛星通信教研室才能夠讓我有機會在這里學習,感謝衛星研究所的其他老師對我的教導讓我拓寬了學術視野。

                          感謝實驗室的同學,能夠一起面對科研和就業上面的問題,共同進步共同提高。感謝師兄師姐和師弟師妹們,共同組建了教研室這個溫暖的大家庭。感謝 420 宿舍的舍友們,大家以非全日制研究生的身份共同來面對生活和就業的問題,給生活增添了色彩。感謝我家人和朋友們,你們是我在外求學的精神支柱,讓我能夠沒有后顧之憂的去追求自己想要的未來,給我奮斗的動力。

                          最后,謹向于百忙中抽出時間對本論文進行評審和答辯的各位專家學者們表示最誠摯的敬意與感謝。

                        (如您需要查看本篇畢業設計全文,可點擊全文下載進行查看)

                        相關內容
                        相關標簽:計算機畢業設計
                        好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
                        所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
                        如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!
                        免费看男阳茎进女阳道视频