1 重庆邮电大学 通信与信息工程学院，重庆 400065
2 北京智芯微电子科技有限公司，北京 102200
【目的】电力线载波（PLC）通信系统采用基于帧突发的传输模式，由于PLC系统的收发信机之间存在载波频偏、PLC信道存在各种噪声以及时变特性，加之PLC系统没有专用参考信号，传统信道估计对PLC信道没有跟踪预测能力，进而造成PLC系统性能恶化。
【方法】文章针对现有问题，提出了一种基于长短期记忆（LSTM）神经网络和去噪卷积神经网络（DnCNN）的去噪长短期记忆（DnLSTM）神经网络，并利用该DnLSTM神经网络进行了PLC信道估计。首先对DnLSTM神经网络进行离线训练再保存训练好的DnLSTM参数，之后将其部署到PLC系统中，加载训练完成的参数后再进行在线预测，得到PLC系统信道响应。在电力线系统仿真中，文章采用最小二乘法（LS）、最小均方误差（MMSE）算法以及DnLSTM神经网络进行信道估计，给出在高斯白噪声（AWGN）、组合噪声、色噪声和脉冲噪声条件下的仿真结果，同时调整了用于信道估计的前导符号数量并进行了对应的仿真。
【结果】仿真结果表明，DnLSTM神经网络进行信道估计的精度与采用的前导符号数量有关，采用4个前导符号进行信道估计，其估计精度优于LS，接近MMSE算法，并且DnLSTM神经网络具有很好的抵抗载波频偏以及信道时变的能力。当用于信道估计的前导符号越多时，低信噪比（SNR）情况下的PLC系统性能越好，高SNR情况下的PLC系统性能相似。
【结论】通过以上仿真可得出，基于LSTM和DnCNN的DnLSTM神经网络可以很好地估计存在频偏的PLC系统信道响应，可实时跟踪其变化。
电力线载波通信 信道估计 深度学习 长短期记忆神经网络 去噪卷积神经网络 PLC communication channel estimation deep learning LSTM neural network DnCNN 光通信研究
2024, 50(2): 22005801
1 电子科技大学电子科学技术研究院四川成都 611731
2 电子科技大学格拉斯哥学院四川成都 611731
事件句的句法结构有助于语义理解。针对中文领域的事件检测任务, 本文设计了面向句义及句法的事件检测模型(BDD)以增强对事件句的理解能力。以基于来自变压器的双向编码器表示 (BERT)的动态词向量为信息源, 设计基于依存树的长短时记忆网络模型(D-T-LSTM)以融合学习句法结构及上下文语义, 并加入基于依存向量的注意力机制强化对不同句法结构的区分度, 在中文突发事件语料库(CEC)上的实验证明了本文模型的有效性, 精确率、召回率、F1值均靠前, 且 F1值比基准模型提升了 5.4%, 召回率提升了 0.4%。
事件检测 来自变压器的双向编码器表示 基于依存树的长短时记忆网络模型 基于依存向量的注意力机制 event detection Bidirectional Encoder Representations from Transfo Dependency-Tree-LSTM(Long Short-Term Memory Networ D-Attention 太赫兹科学与电子信息学报
2023, 21(12): 1464
1 中国科学院东北地理与农业生态研究所, 吉林 长春 130102中国科学院大学, 北京 100049
2 中国科学院东北地理与农业生态研究所, 吉林 长春 130102
针对目前粮食产量定量评估模型泛化能力不足、 预测时间滞后以及早期估产时间窗口难以确定等问题, 以Sentinel-2遥感数据和实测玉米产量作为数据源, 开展县域尺度玉米估产及早期最优估产时间窗口确定研究。 基于玉米生长期内的时序影像数据集, 通过玉米产量实测数据与影像植被指数建立相关关系, 并采用MLRM（多元线性回归模型）, GPR（高斯过程回归模型）, LSTM（长短期记忆人工神经网络模型）, 建立玉米时序估产模型。 实验结果表明, 基于LSTM在NDVI、 GNDVI、 以及GN（NDVI与GNDVI组合）这三种植被指数作为参数建立的时序估产模型中, 无论在估产精度, 模型可靠性、 产量异常值捕捉、 以及早期最优估产时间窗口确定等方面均优于基于GPR、 MLRM建立的时序估产模型。 同时基于LSTM时序估产模型, 采用截止到抽雄期的NDVI时序影像数据作为参数, 其结果的决定系数R2可达0.83、 均方根误差RMSE为0.26 t·ha-1、 相对分析误差RPD为3.52; GNDVI时序影像数据作为参数, 其结果的决定系数R2为0.79、 均方根误差RMSE为0.30 t·ha-1、 相对分析误差RPD为2.87; 以GN时序影像数据作为参数, 其结果决定系数R2为0.83、 均方根误差RMSE为0.27 t·ha-1、 相对分析误差RPD为3.05; 以NDVI作为LSTM模型参数的估产效果最优, 相较于玉米收获期可提前2个月就能预测当年的玉米产量, 对于县域尺度玉米产量预报具有一定的现实意义, 同时也为类似作物的估产研究提供相关参考。
产量预测 玉米生育期 植被指数 长短期记忆人工神经网络模型 Yield forcasting Maize growth-satges Vegetation Index Sentinel-2 Sentinel-2 LSTM 光谱学与光谱分析
2023, 43(8): 2627
1 西安电子科技大学 微电子学院, 西安 710071
2 北京轩宇空间科技有限公司, 北京 100190
3 西安电子科技大学 综合业务网理论及关键技术国家重点实验室, 西安 710071
针对基于静态结构特征的机器学习方法对门级硬件木马检测结果检测率不高的问题，提出了一种基于级联结构特征的硬件木马检测方法。利用共现矩阵进行特征构建，并使用多对多结构的堆叠式长短期记忆网络(Long Short-Term Memory，LSTM)进行木马特征的训练与识别。实验结果表明，该方法在Trusthub的15个基准网表中获得了93.1%的平均真阳性率(TPR)、99.0%的平均真阴性率(TNR)和79.3%的F1-score。实验结果优于现有方法。
硬件木马 长短期记忆 硬件木马检测 门级网表 hardware trojan long short-term memory (LSTM) HT detection gate-level netlist
1 大连交通大学机车车辆工程学院，大连 116000
2 陆军装甲兵学院车辆工程系，北京 100072
3 北京信息科技大学现代测控技术教育部重点实验室，北京 100192
涡流脉冲热像（ Eddy current pulsed thermography，ECPT）技术是一种新型的无损检测方法，广泛应用于金属材料结构的检测，但该技术常依赖人工经验提取特征进行裂纹检测与识别，自动化和智能性化程度不足。结合涡流脉冲热像技术以及循环神经网络（Recurrent Neural Network，RNN）的特性，提出一种基于双向长短期记忆网络（Bidirectional Long Short-Term Memory Network，Bi-LSTM）金属疲劳裂纹涡流脉冲热像分类识别方法。实验通过涡流加热装置对被测金属试件进行感应加热，使用红外热像采集装置对金属平板试件进行实时的数据采集，获得图像序列并制作数据集。运用设计的 Bi-LSTM模型增强特征向量中的时序信息，对不同尺寸裂纹的热图像进行训练并测试。实验分析表明， Bi-LSTM网络可有效应用于金属疲劳裂纹检测与识别，针对现有裂纹检测准确率可达到 100%，优于传统神经网络和其他深度学习的模型，具有更高的识别精度。
涡流脉冲热像技术 双向长短期记忆网络 裂纹识别 特征提取 eddy current pulsed thermography, Bi-LSTM, crack i
1 哈尔滨工业大学(深圳)机电工程与自动化学院, 广东 深圳 518000
2 深圳市西渥智控科技有限公司, 广东 深圳 518000
该文搭建迟滞测量实验平台, 测量一种用于LED晶圆检测压电执行器的迟滞效应, 设计了一种基于长短期记忆(LSTM)神经网络的压电迟滞模型, 使用时间序列预测法对压电执行器位移迟滞效应建模。将该模型与传统的Prandtl-Ishlinskii(PI)模型进行对比。实验结果表明, 神经网络模型具有较好、较广泛的迟滞建模效果, 对于正弦波, 位移预测精度保证小于2%; 对于衰减正弦波, 位移预测精度可保证小于3%。较高的模型预测精度为使用压电执行器进行LED晶圆检测提供了依据。
压电执行器 迟滞非线性 长短期记忆(LSTM)神经网络 piezoelectric actuator hysteresis nonlinearity long short-term memory(LSTM) neural network
在天基红外预警任务中，高动态弱小目标具有成像尺寸小、运动规律未知的特点。现有红外弱小目标探测任务主要关注匀速直线运动目标检测问题，对高动态目标的有效检测算法尚需进一步开发。针对天基红外预警任务中高动态非线性运动目标检测问题，提出了一种基于LSTM的红外弱小目标检测算法。首先设计了提取可疑目标位置信息的预处理方法，解决了LSTM网络结构与序列图像不匹配的问题；然后，针对传统算法难以检测非线性运动轨迹的问题，利用LSTM提取目标运动特征，实现序列图像中高动态目标的检测。通过与序列假设检验等算法的对比，在自研的红外序列图像数据集上验证了所提出的算法能够实现不低于0.9347的精确率与不低于0.8633的召回率。
天基预警 目标检测 LSTM 高动态 space-based early warning target detection LSTM high dynamic 红外与激光工程
2023, 52(10): 20230010
1 中国民航大学 工程技术训练中心，天津 300300
2 中国民航大学 职业技术学院，天津 300300
电路板红外温度序列包含了丰富的故障类别信息，充分利用其局部与全局特征可以提高电路板故障诊断的准确率。为此，文中提出了一种由特征提取网络（Features Extraction Network，FEN）与关系学习网络（Relationship Learning Network，RLN）并行构成的可综合利用温度序列局部特征及特征间关系的电路板故障诊断模型。其中，FEN基于多尺度膨胀卷积（Multi-scale Dilated CNN，MDCNN）残差结构搭建，可在不增加训练参数的前提下构建多层次感受野，学习温度序列不同范围的空间特征；RLN基于嵌入长短期记忆网络的注意力机制（Long Short-Term Memory hybridized with Attention，LSTMwAtt）结构搭建，通过控制温度序列信息传递来学习特征重要性并分配权重，挖掘不同位置特征间的相关性。实验结果显示，所提模型在两个自建电路板温度序列测试数据集上的诊断性能优于同类型的FCN、MFCN、LSTM和LSTM-FCN，故障诊断准确率分别达到91.15%和96.27%，可实现对电路板故障的高准确率诊断。
红外温度序列 电路故障诊断 多尺度膨胀卷积 长短期记忆网络 注意力机制 infrared temperature series circuit fault diagnosis multi-scale dilated CNN LSTM attention mechanism 红外与激光工程
2023, 52(4): 20220492
云南民族大学电气信息工程学院, 昆明 650000
对未知环境的探索, 如搜救、追逃等场景, 无人机需要一边探索(感知)环境一边完成当前的航迹规划(动作选择)。针对上述场景, 为了提高无人机对未知环境的探索范围, 提出了结合长短期记忆的改进深度双Q网络探索航迹规划方法: 搭建仿真地图, 以无人机视野内的环境信息作为输入, 引入长短期记忆网络, 输出动作方向的选择; 设置探索经验样本优先级, 提高训练效率; 加入飞行动力学约束, 设计合理的状态、动作空间及单步奖励函数。运用所提算法, 无人机可以自主规划出一条无碰撞且对环境探索范围大的航迹。仿真实验结果表明: 在未知环境下, 所提算法得到的探索面积比、单步探索平均奖励值等指标均优于传统的DDQN算法。
无人机 长短期记忆网络 深度双Q网络 未知环境探索 航迹规划 UAV Long Short-Term Memory (LSTM) network Deep Double Q Network (DDQN) unknown environment exploration trajectory planning
1 空军工程大学,a.航空工程学院
2 空军工程大学,b.研究生院, 西安 710000
3 中国人民解放军93131部队, 北京 100000
4 中国人民解放军93137部队, 北京 100000
空战对抗过程中的目标状态数据呈现时序性、多维性等特征, 为进一步提升目标意图识别的准确率, 提出了一种基于改进注意力机制的长短期记忆网络(LSTM)目标识别方法, 将空战可能出现的目标意图识别当成一个多分类问题处理。该方法首先通过目标实时的状态数据, 生成特征序列; 接着采用注意力机制提升目标的特征学习能力, 增强空战过程中的主要目标状态特征表示, 得到具有权值分配的特征向量; 最后利用LSTM网络对目标特征向量进行训练, 通过softmax层实现目标意图的识别。仿真实验表明, 该方法利用注意力机制有效增强目标的特征学习, 进一步提升了LSTM网络的识别精度, 具有一定的科学性和有效性。
空战 目标意图识别 注意力机制 LSTM网络 权值分配 air combat target intention recognition attention mechanism LSTM network weight allocation
