本文针对主瓣多假目标欺骗干扰对抗的难题,提出一种基于阵元脉冲编码多输入多输出(Element-Pulse Coding Multiple-Input Multiple-Output,EPC-MIMO)波形自适应设计的干扰抑制方法.阵元脉冲编码技术可在不影响真目标回波特性前提下,调整假目标在发射频率域的能量分布.利用这一特性,本文以真假目标空域相关性极小化为优化目标设计EPC-MIMO波形,使假目标能量分布于真目标空域检测区域外, 进而在接收端通过数字波束形成实现假目标的有效抑制.此外,由于EPC-MIMO波形的自适应设计需要对干扰进行认知,本文还提出一种基于EPC-MIMO波形的干扰快速认知方法.仿真实验验证了所提方法的有效性.
PMF-FFT(Partial Matched Filters-Fast Fourier Transform)算法具有优秀的同步性能,但需要采用较短的搜索步长来保证其性能.在卫星通信环境下,很难在功率和处理能力受限的情况下使用这样的算法进行信号检测.本文提出了一种基于跳频和跳码扩频双图案的能量检测算法,该算法能够以符号周期为步长进行搜索.本文分析了这种同步方法的性能,确定了最佳参数并进行了蒙特卡洛仿真.将该算法性能和复杂度与一些其他的算法进行对比,证明了使用该算法作为粗同步算法,PMF-FFT算法作为精同步算法组成同步机制时,能够大幅降低运算量并维持PMF-FFT算法的良好同步性能.
常规宽度学习系统(Broad Learning System, BLS)通常采用的线性稀疏特征提取方法难以对数据的复杂非线性特征进行有效表征.此外,当标记样本量较少时,BLS的泛化性能难以得到保证.为此,提出一种基于自编码器和超图的半监督宽度学习系统(Autoencoder and Hypergraph-based Semi-supervised BLS, AH-SBLS).主要步骤为:首先,使用包括标记样本和无标记样本在内的全部样本训练自编码器,利用训练好的自编码器自动提取数据的复杂非线性特征;其次,将自编码器特征层中的特征作为AH-SBLS的特征节点并对其进行宽度拓展;然后,构造半监督超图以挖掘标记样本和无标记样本间的高阶流形关系,并将超图正则项引入宽度学习系统的目标函数中;最后,利用岭回归对目标函数进行求解,实现对无标记样本的类别预测.在图像分类实验上的结果表明,AH-SBLS能够实现半监督分类且获得较高的分类精度.
网络分解是通过删除网络中最少规模的节点或者连边,将网络破坏至最大连通分支的规模不超过设定阈值.传统基于节点删除的网络分解算法忽略了删除代价.实际上,节点的删除导致相应连边的删除,代价是不同的.传统基于连边删除的网络分解算法虽然考虑删除代价,但是,无论是迭代计算连边中心性值,还是迭代划分最大连通分量,其性能和效率都亟待改善.本文提出了一种基于社区划分与连边逆序放回的网络分解算法,该算法是一种基于连边删除的方法,包含两个步骤,首先,利用社区划分算法将网络划分为多个社区,删除社区之间的全部连边使社区独立,破坏社区间的连通性;然后,每个社区内部采用连边逆序放回策略破坏其内部连通性,从而完成整个网络的分解.真实网络及人工网络上的实验结果表明:一方面,本文提出的网络分解算法能够以最小的连边删除代价将网络分解至设定阈值;另一方面,随着网络规模、网络结构以及分解阈值的变化,算法展现出良好的稳定性.
针对目前服务于移动机器人的全局路径规划算法存在拐点多、耗时长或递归计算复杂等问题,本文提出一种基于射线模型的改进全局路径搜索算法.利用形态学滤波处理障碍物栅格地图,并引入碰撞估值增加靠近障碍物的栅格的代价值,形成梯度代价栅格地图.结合射线模型从起点向终点进行射线搜索,并在搜索过程中通过逆向优化算法优化路径.通过实验证明该全局路径规划算法比A*算法拥有更好的平滑性、灵活性、稳定性以及更短的路程,且搜索速度比A*快50%,移动机器人可以更安全、简洁的路径向目标点移动.
针对船舶系统在复杂电磁环境下设备电磁辐射的多通道欠定盲源分离问题,提出了一种基于小波分解(Wavelet Decomposition, WD)、相关性筛选以及独立成分分析(Independent Component Analysis,ICA)的多通道盲电磁辐射现场同步分离方法(Wavelet Independent Component Analysis,WICA).该方法采用小波分解,构造出虚拟通道,然后通过相关性筛选有效分量,最终利用ICA得到设备电磁辐射源信号.此方法不仅解决了欠定盲源分离问题,而且通过相关性筛选提高了ICA的有效性.本文以互相关系数(Cross Correlation Coefficient, CRC)和相干性(coherence)作为实船试验数据的度量指标,通过与(Ensemble Empirical Mode Decomposition-Independent Component Analysis, EEMD-ICA)算法和常规ICA算法的比较,验证了WICA算法在实际应用中的有效性.此方法可推广至航天、国防领域等系统级平台复杂电磁环境的现场测试,具有较高的实用价值.
研究了基于星间链路的低轨卫星协作边缘计算任务迁移和资源分配问题,为偏远地区用户提供边缘计算服务.采用部分任务迁移机制,以地面用户加权总能耗最小化为目标建立优化问题,提出了一种低轨卫星协作边缘计算的任务迁移和资源分配算法,基于优化问题的非凸性,将其分解为任务迁移子问题和资源分配子问题,分别采用标准凸优化方法和拉格朗日对偶分解方法进行求解.仿真结果表明,该算法的收敛速度快;与本地计算和任务数据全部上传算法相比,本文所提出的算法可至少降低约74%的用户总能耗;与非协作卫星边缘计算相比,基于星间链路的低轨卫星协作边缘计算可至少降低约22%的用户总能耗,且星间链路的信道容量越大,用户总能耗越低.
至今,有限字符输入可见光通信(Visible Light Communication, VLC)直流偏置光正交频分多址接入(Direct Current Biased Optical Orthogonal Frequency Division Multiplexing Access, DCO-OFDMA)系统的用户信息传输速率极限仍然未知.本文推导了有限字符输入DCO-OFDMA系统的用户准确可达速率及其下界,并研究了满足用户速率门限要求的总传输电功率最小化问题.由于原始优化问题为优化变量为子载波分配、功率分配及直流偏置的最小化总传输电功率的联合优化问题,复杂度高,难以求解,本文通过推导最优直流偏置及固定子载波分配方式将原始问题简化为优化变量为功率分配的最小化总信息传输功率的单变量优化问题,并利用拉格朗日函数、Karush- Kuhn- Tucker(KKT)条件,提出了满足用户速率门限要求的最小化总信息传输功率的功率分配方案.仿真结果表明,本文提出的功率分配方案依赖于子载波之间的信道增益差异和用户速率门限,且在低速率门限与高速率门限时效果均明显优于等功率分配方案,并且在高速率门限时效果明显优于传统注水功率分配方案.
数据流是大数据的重要形式,数据流分类是数据挖掘的重要任务之一,该任务在现实生活中有着巨大的应用前景,因此得到了研究者们的广泛关注.概念漂移和类不平衡是影响数据流分类性能的两个核心问题,但目前大多数算法都只考虑处理两者之一,并且大多数算法过于理想,只能在人工设置的数据流上才能发挥较好的性能,无法适用于复杂的真实数据流.针对这一问题,提出了一种同时处理概念漂移和类不平衡复杂数据流的算法——具有自适应遗忘因子的加权在线顺序极限学习机集成算法.该算法首先融合加权机制和遗忘机制,初步提出具有遗忘机制的加权在线顺序极限学习机算法.为了更好地适应复杂数据流,进一步以初步算法为基分类器,设计包含自适应遗忘因子和概念漂移检测机制的在线集成策略.大量仿真实验表明,所提算法在所有数据集上都取得了最佳的Gmean值,具有更好的概念漂移和类不平衡适应能力,表现出了更稳定、更平衡以及更准确的分类效果.
为了避免变电站接地网故障诊断时现场开挖,提出了一种基于磁场分布特性的接地网故障诊断方法,该方法能够区分接地网故障类型并可实现对断裂和腐蚀区域的准确定位.结合曼哈顿距离理论与增大激励电流幅值和频率等物理方法,对接地网导体故障特征进行量化与放大.计算表明:通过研究故障接地网地表磁场分布规律,分析断裂点和辐射点的分布特征可判断故障类型和区域;利用腐蚀和断裂特征值可量化故障特征,增大激励电流的幅值和频率可放大故障特征,提高了诊断的精度和效率.研究结果为变电站接地网故障诊断工作提供了理论参考.
针对PL-SLAM(Point and Line Simultaneous Localization And Mapping)算法在稠密场景下同时使用点线特征造成特征计算冗余,以及曲线运动时漏选关键帧等问题,提出一种基于改进关键帧选取策略的快速PL-SLAM算法(Improved keyframe extraction strategy-based Fast PL-SLAM algorithm, IFPL-SLAM).该算法引入一种基于信息熵引导的位姿跟踪决策,使用信息熵评价优先提取的特征点,依据评价结果决策点线特征的融合使用方式,避免了在纹理稠密场景下点线特征同时使用造成数据冗余,提高了算法的实时性;与此同时,为避免曲线运动时漏选关键帧,采用逆向索引关键帧选取策略补充在曲线运动中漏选的关键帧,提高了闭环的准确率和定位精度.在公开的KITTI数据集和TUM数据集中进行测试,测试结果表明本文算法的运行时间与PL-SLAM算法相比减少了16.0%,绝对轨迹误差相比于PL-SLAM算法缩小了23.4%,表现出了良好的构图能力.
现有基于深度学习的锂电池剩余寿命(Remaining Useful Life, RUL)预测方法中,锂电池多个内部状态所蕴含的寿命信息未得到充分考虑.鉴于此,提出了一种融合电池容量、阻抗与温度三个内部状态的RUL预测模型.首先,引入双向长短时记忆(Bi?directional Long Short?Term Memory, Bi?LSTM)网络学习三种状态数据的时间相关性.其次,利用dropout技术与Bayesian变分推断技术间的等价性实现了RUL预测结果的不确定性量化,得到了预测结果的95%置信区间与概率密度分布(Probability Density Function, PDF),并分析了不同dropout率对预测不确定性的影响.最后,通过四种不同的深度学习模型框架与两种内部状态输入方案的对比实验,验证了本文方法的有效性.
当前主流的图像修复方法重点依赖于自动编解码网络,此类方法试图利用编码阶段压缩后的信息在解码阶段恢复出原始图像.然而自编码网络在压缩过程中必然存在信息丢失,仅利用压缩后的信息难以得到细节丰富的修复结果,主要表现为模糊和修复区域周围明显的边缘响应.本文针对图像信息利用不完备的问题,提出多级解码网络(Multi-Stage Decoding Network,MSDN),由多个解码器对编码阶段各层特征进行解码并聚合,增大对编码器不同尺度特征的利用率,进而得到更能反映缺损区域内容的特征映射.在国际公认数据集上组织的对比实验结果表明,MSDN修复的图像视觉效果有一定提升.
本文针对圆柱锂电池表面图像具有亮度不均匀、金属表面反射不均、氧化锈斑和高亮噪声点等问题,提出一种基于机器视觉的解决方案.采用定义的双高斯纹理滤波模板与图像进行卷积,提取图像每列的灰度分布曲线,采用定义的极值点韦伯对比度选择曲线上突变点的阈值,根据先验知识筛选出凹坑候选区域,利用区域特征和灰度特征排除非凹坑纹理.测试结果表明,所提方法的拒真率(false rejection rate)和认假率(false accept rate)分别为5.49%和5.38%,亮度不均匀和金属表面反射不均没有对凹坑检测产生影响.
针对MOSFET(Metal-Oxide-Semiconductor Field-Effect Transistor)器件故障预测与健康管理问题,提出了一种长短时记忆(Long Short-Term Memory, LSTM)算法与离散隐马尔可夫模型(Discrete Hidden Markov Model, DHMM)相结合的故障预测新方法.该方法利用LSTM算法预测器件状态发展趋势;用自回归(AutoRegressive, AR)模型提取故障信息特征;以DHMM建立特征向量和退化等级之间的映射关系;在LSTM-DHMM模型预测结果的基础上,结合失效阈值排除虚警并预测故障时间,预测误差小于10%,精度较高.与GRU-DHMM(Gated Recurrent Unit Discrete Hidden Markov Model)、GRU-SVM(Gated Recurrent Unit Support Vector Machine)、LSTM-SVM(Long Short-Term Memory Support Vector Machine)方法进行对比分析,结果表明,LSTM-DHMM的预测准确率高于其他三种方案,能有效识别实验器件健康状态、较好预测故障时间,具有有效性和优越性.
针对水声信道带限,稀疏及长时延特性,并考虑水声实时高质量通信需求,提出了一种基于期望传播(Expectation Propagation, EP)的迭代信道估计和频域Turbo均衡(EP based Iterative Channel Estimation-Frequency of Domain Turbo Equalization, EP-ICE-FDTE)算法.其利用EP算法迭代估计传输符号的先验及后验分布,并将后验概率软映射符号提升信道估计精度.故该EP通过优化符号概率估计和信道估计,使Turbo均衡的干扰消除性能得到提高.此外,为了降低系统时延,还利用低复杂度频域Turbo均衡处理接收信号.仿真表明:所提EP-ICE-FDTE算法能实现更优的接收信号恢复效果.在静止和时变水声信道,该算法较目前较好的迭代信道估计-频域判决反馈的频域Turbo均衡(Iterative Channel Estimation-Frequency Domain Decision Feedback-Frequency Domain Turbo Equalization, ICE-FDDF-FDTE)算法,分别有3.4dB,1.3dB性能增益.
传统的预测控制器在应用到多电平逆变器中存在由于计算量大导致实时性无法保证的问题;如果针对这类数字控制器存在的延迟问题,仅采用二步预测补偿控制策略解决,同样增加了算法的计算量,也对系统硬件提出了更高的要求.文章首先从算法计算流程上进行简化,设计了一种简化搜索策略的改进准预测控制方法,该策略通过提前建立的矢量表将目标参考值与控制矢量进行对比,得到下一时刻的控制量,其中预测模型一个周期内仅需计算一次,相对于传统的三电平预测控制策略每周期需将27种控制矢量带入到模型当中运算27次,减少了近50%计算量,节约了计算时间.其次,针对预测控制器解决多目标优化问题时存在权重因数选择具有一定随机性的问题,文章给出一种分支定界的权重因子选择策略,解决中点电位不平衡问题.最后仿真和实验验证了简化后控制策略的有效性和可行性.
面向室内厘米级定位及单站定位技术难点,借助射频识别(Radio Frequency Identification,RFID)收发相位同步技术优势,建立基于跳频的多载波相位距离观测方程,计算各载波在不同整周下的链路距离,利用距离方差快速求解整周模糊度,提升整周求解的鲁棒性.利用跳频并改进多重信号分类(MUltiple SIgnal Classification,MUSIC)算法建立跳频测向求解模型,消除短距离测向不同天线来波方向不平行带来的误差,实现两天线短距离标签反射信号的精确测向.最后联合载波相位测距对双天线测向结果进行筛选,实现RFID标签的单站厘米级精确定位.通过测试验证,平均定位误差低于4 cm.
从三维牙齿模型中准确分割出牙齿部分是正畸计算机辅助诊疗的基础.由于现有的三维模型分割网络对局部特征建模方式相对简单,这些方法无法有效提取牙齿边缘区域更细节的局部特征信息,进而导致这些区域出现牙齿多分、漏分等情况.本文提出一种基于局部注意力机制的三维牙齿模型分割网络以提高牙齿边缘区域的分割性能.首先,对原始牙齿模型中的三维网格数据进行多尺度的局部空间区域构建.其次,根据每个局部区域内的网格空间分布和网格特征差异进行注意力权重的学习.最后,基于学习到的网格权重进行局部特征聚合,以使得网络能自适应地去关注各个局部区域内更具有表达性网格特征.在临床数据集上的实验结果表明,相对于现有方法,本文网络的分割结果在牙齿边界区域更加准确光滑.
针对雷达微弱起伏目标的检测和跟踪问题,研究了Swerling 0,1,3 三类起伏目标模型,提出了概率假设密度滤波下幅度起伏的雷达微弱目标检测前跟踪算法.该算法建立了概率假设密度检测前跟踪算法下复似然比和幅度似然比两种跟踪模型,其中复似然比方法弥补了幅度似然比在计算过程中只考虑量测的幅度信息,而忽略相位信息的缺陷,从而更好地利用了目标原始信息.同时,为解决新生目标状态先验分布信息未知条件下的目标新生问题,提出一种场景划分下基于量测似然比的自适应目标新生算法.仿真实验结果表明,在目标幅度起伏的情况下,复似然比和幅度似然比相比,前者在目标位置和个数的估计性能上优于后者,且计算效率更高.在低信噪比下,复似然比仍然可以有效地检测并跟踪未知数量的微弱目标.
硬件混淆是一种通过定向修改软核、固核或硬核的芯片保护方法,已成为当前芯片安全领域的研究热点.本文针对多个硬件IP(Intellectual Property)核按需解锁安全保护,提出一种基于线性无关矩阵的按需解锁硬件混淆方案.该方案首先利用线性无关矩阵算法,生成可隔离外部输入密钥与内部解锁信号的随机矩阵;然后采用冗余和黑洞状态组合混淆技术,对IP核进行加密;最后根据用户需求,通过矩阵乘运算实现按需解锁.在SMIC 65nm CMOS(Complementary Metal Oxide Semiconductor)工艺下,采用ITC(International Test Conference)基准电路和密码算法IP核实现硬件混淆.实验结果表明,所设计电路具有多IP核按需解锁功能,额外的面积和功耗开销均小于8%,且能有效防御寄存器翻转攻击、代码覆盖率攻击以及成员泄密攻击.
本文提出了一种基于K-means聚类适应度指导交配限制的多目标优化算法(K-means clustering-based Fitness Guided mating restriction multi-objective Evolutionary Algorithm,KFGEA).在该算法的迭代过程中,利用K-means聚类算法从全局角度提取种群结构化信息.基于聚类所得的全局信息,本文围绕个体局部信息设计了一种适应度指导交配限制策略去完成全局与局部信息的融合.该策略根据适应度值这一确定性信息来判断个体质量,对非支配解进行近邻重组,对支配解进行全局勘探,去维护算法搜索过程中开采和勘探的平衡.将KFGEA与多种主流的多目标进化算法进行试验对比研究与参数灵敏度分析的结果表明,KFGEA在求解具有复杂特性的多目标优化问题时优势明显,该策略可以有效提高多目标进化算法的性能.
利用信息熵或模糊熵确定子空间聚类中每个簇的不同特征,较好地解决了高维数据的子空间聚类.为了进一步提高聚类算法的性能,将权向量的负结构α-熵引入到高斯混合模型中,获得了结构α-熵的加权高斯混合的子空间聚类模型,提出了结构α-熵的加权高斯混合模型的子空间聚类算法SEWMM(Structural α-Entropy Weighting Mixture Model),该算法不仅可以发现高维数据空间中位于不同子空间的簇,而且能够获得子空间中具有不同形状体积的簇.同时,进一步分析了算法的收敛性与时间复杂性.通过选取UCI(University of California, Irvine) 标准数据集及图像数据集,对提出的算法SEWMM进行了实验,并与一些典型的聚类算法进行了比较,表明了提出的算法在总体性能上具有一定的提升.
传统雷达系统的发射机与接收机采用开环工作模式,在动态复杂环境下探测目标时缺乏灵活性和稳健性.借鉴生物认知学习过程,认知雷达可以感知动态环境和目标信息,通过发射和接收端闭环反馈控制,实现全自适应探测和信号处理.本文介绍了认知雷达波形优化的基本框架,递进地梳理了面向检测、跟踪、成像、分类任务以及抗干扰认知波形优化的主要研究内容和研究进展,为面向单一任务及联合多任务的波形优化技术研究提供了纵向和横向的对比视角.在已有研究的基础上,本文分析了认知雷达波形优化的优势和挑战,指出认知波形优化技术中潜在的研究方向,包括知识有效性评价、人工智能认知波形优化、通用度量准则、知识辅助的高效优化算法等方面.
随着社交网络的快速发展,利用人类行为实现信息隐藏成为当前隐写研究热点.本文提出一种基于0-1背包算法的社交网络下一对多行为隐写术.该算法将信息的传递方式由一对一变为一对多,通过引入0-1背包算法,提高了传输效率和传输方式的灵活性;加入CMI(Coded Mark Inversion)编码预处理,解决了传输大量连续相同比特秘密信息时有较高误码率的问题;发送者和每个接收者的有效共同好友数量得到降低,从而减少数据冗余.实验表明,该方案提高了社交网络下行为隐写的实用价值,有较高的安全性.
根据机器学习当中的理论方法,通过输入和输出数据设计,把信息融合领域的航迹关联问题,转换为机器学习领域中的分类识别问题,研究提出了一种深度学习航迹关联方法.仿真结果表明:所提方法在关联性能和自适应能力方面优于对比方法,具有较好的应用前景.
为改善单相全桥逆变器的功率变换效率,提出了一种控制简单的节能型单相全桥软开关逆变器拓扑结构.逆变器采用简单的受限单极式正弦脉宽调制方法,在每个开关周期的工作过程中,仅需切换1个主开关和1个辅助开关,而且不需要设定谐振电流阈值和实时检测负载电流来控制辅助开关,使逆变器的可靠性和实用性得到改善.在逆变器工作过程中,利用辅助电路使主开关实现零电流软开通和零电压软关断,辅助开关也能实现零电流软开通,通过降低开关损耗来实现逆变器节能运行.文中分析了电路工作过程.搭建了一台2kW样机,实验结果表明主开关和辅助开关都实现了软切换,这为进一步研发高性能的实用新型单相全桥软开关逆变器奠定了理论和技术基础.