- 博客(5)
- 收藏
- 关注
RSS订阅原创 论文阅读：一种新颖的基于交叉注意力融合的稳健水声信号识别联合训练框架
在实际的水下环境中，期望的声音信号(如船舶声、海洋生物声和海洋环境事件信号)不可避免地受到水下环境噪声和多径传播的污染和干扰，导致水声信号识别(UASR)的性能急剧下降。然而，在实际海洋环境中，我们期望获取的声音信号，例如舰船噪声、海洋生物叫声和海洋环境事件产生的声波，常常受到水下环境噪声以及多径传播效应的严重影响，这直接导致了水声信号识别（UASR）性能的显著下降。接着，去噪后的音频和原始带噪音频一同输入到我们设计的特征融合模块CAF中，该模块旨在聚合不同来源的特征信息，并从中提取出CAF特征表示。
2024-07-02 08:30:51
1733
原创 论文阅读：基于双向去噪自动编码器的稳健表征学习用于水声目标信号去噪
风噪、生物噪声、地震扰动等形成的海洋环境噪声是水声信道中的干扰背景场，给水声目标识别带来不利影响。为了提高背景噪声干扰下水下目标的识别精度，本文提出了一种用于水声目标信号去噪稳健表示学习的双向去噪自编码器。提出的BDAE是常规去噪自动编码器的扩展，它使用原始水声目标信号及其相应的去噪信号来学习稳健的表示。然后，使用支持向量机(SVM)分类器来衡量学习表示的有用性。提出的方法在ShipsEar数据库上得到了验证。实验结果表明，该方法能有效地学习水声目标信号去噪的稳健表示，优于传统的去噪方法。
2024-07-01 16:18:23
1923
原创 论文阅读：基于深度特征融合的ResNeXt-GRU调制自动分类
在现有的深度学习调制识别算法中，经常建立各种深度学习网络来提高算法的识别性能。左边是ResNet的基本结构，右边是ResNeXt的基本结构。事实上，ResNeXt可以看作是在每一个block内分了多组的ResNet，与Multi-head Attention有异曲同工之妙。然后，使用DCA对得到的卷积响应进行融合。最后，利用全连接神经网络对融合特征进行分类，实现AMC。作者并没有给出详细的网络设计，这里放一下原版ResNeXt的结构图。实验方面，数据集采用OSC2018，与五种方法进行了对比。
2024-07-01 15:18:30
449
原创 基于Python Numpy的Mnist手写识别
这篇博文从零开始搭建一个人工神经网络，完成Mnist手写识别。训练集使用Mnist官方给出的训练集文件，维度为28 * 28 * 60000，隐藏层40，输出层10，激活函数使用sigmoid函数，利用softmax计算损失，利用one-hot进行分类首先，从Mnist官网下载Mnist数据集文件，对下载的四个文件进行加载，这里使用了另一名作者的加载方法，原文地址https://blog.csdn.net/weixin_36342174/article/details/107726435。#引用所需
2022-09-30 09:44:10
194
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人