以深度学习为代表的人工智能技术是解决电磁目标识别问题的一种有效方法.然而,在识别多模式电磁目标时,目标内部不同模式间数据的差异可能掩盖目标个体间的差异,当某种模式训练样本缺失或稀少时,该模式下的目标识别性能会显著下降.为此,提出一种基于孪生网络的电磁目标跨模式识别算法,在度量学习框架下通过优化设计网络结构和损失函数,引导网络在分类学习过程中拉近同一目标各模式数据间的距离,拉远不同目标数据间的距离,并结合邻近判决准则实现多模式电磁目标在非均衡数据集上的跨模式识别.基于实际数据的测试结果表明,在相同数据集和网络规模条件下,所提方法的跨模式识别率较经典卷积神经网络方法和数据增强方法提升20%.
行人轨迹预测是视频监控的重要组成部分,因现有方法未充分利用场景特征信息造成其预测轨迹不符合生活常识,导致行人轨迹预测精度较低出现明显偏离真实轨迹的情况.针对上述不足本文提出一种基于Transformer动态场景信息生成对抗网络(Generative Adversarial Network,GAN)的行人轨迹预测方法.该方法利用动态场景特征提取模块的卷积神经网络(Convolutional Neural Networks,CNN)模型对目标行人的动态场景信息进行特征提取,同时生成器网络中的编码器利用Transformer对行人的社会交互信息特征以及轨迹信息特征进行建模.在ETH和UCY数据集上的实验结果表明,与Social GAN模型相比,本文方法在多个场景下的平均位移误差准确率提高了25.61%,最终位移误差准确率提高了38.44%.
本文根据给定的期望极化方向,定义了扫描波束的期望主极化和交叉极化方向,并进一步给出了主极化方向性系数的定义,它可以更为准确的表征天线集中辐射主极化分量的程度.在没有副瓣约束和交叉极化约束的条件下,给出了任意阵列主极化方向性系数最优解的解析表达式.并且,在含副瓣约束、零陷约束以及交叉极化约束的条件下,我们发展了一种基于凸优化的高效数值综合方法,实现多约束条件下的主极化方向性系数的优化.数值阵列综合结果表明了本文所提出的最优主极化方向性系数解析解的正确性,以及这种可以综合考虑副瓣约束、零陷约束和交叉极化约束的数值方向性优化方法的有效性.
光场相机利用二维影像同时记录空间中光线的位置和方向信息,能够恢复相机内部的光场,为三维重建提供了新的解决思路.围绕光场相机的三维重建问题,本文综述了光场数据获取手段,梳理和讨论了针对光场相机的标定算法,总结和分析了基于光场影像的三维深度信息恢复方法.在此基础上,介绍了当前主要的公开光场数据和算法.最后,展望了未来的研究方向,以期为后续研究者提供参考.
中低轨卫星之间跨层激光链路的无缝切换直接决定了双层卫星光网络的稳定性.异步切换方法会导致网络拓扑频繁重构,而集中同步切换将造成两层间连接中断,网络运行状态失控.为此,本文提出了中低轨卫星星座激光链路的二次同步切换方法,在保证中低轨道卫星连通的基础上,可降低网络拓扑重构频率.研究了整数周期比的中轨道和低轨道卫星空间位置特性,建立了中低轨卫星星座构形二阶非球摄动模型,确定了中低轨道之间轨道周期比为3的双层卫星星座构形.按连接和切换顺序将该星座构形中跨层激光链路分为两组,以相对周期的1/4为基准,每次令其中一组同步切换,通过交替完成切换.研究结果表明,二次同步切换方法使得网络拓扑重构频率降低到链路切换频率的1/7,比集中切换方法在网络平均时延方面降低了30ms.
随着大规模集成电路器件复杂度与容量的不断提升,现场可编程门阵列(Field Programmable Gate Array, FPGA)以高度的并行、可定制和可重构的特性得到了广泛的关注与应用. 在制约FPGA发展的众多因素中,最为关键的便是电子设计自动化(Electronic Design Automation, EDA)技术,作为FPGA EDA流程中的关键环节,布局和布线技术的研究对于FPGA的重要性不言而喻. 本文综述了面向FPGA的布局和布线技术,包括基于划分的布局、基于启发式的布局、基于解析式的布局、FPGA串行布线和FPGA并行布线等技术,分析对比了不同技术方法的优缺点,在此基础上,本文还展望了未来FPGA布局和布线技术的发展趋势,将为FPGA未来健康可持续的发展提供有力支撑.
先进多功能雷达可以实现灵活的波束调度和复杂的工作状态调制,进而在雷达时间线上同时执行多个不同的任务,给电子侦察设备带来了巨大挑战.准确快速地对多功能雷达工作状态切换点进行在线检测对识别多功能雷达行为意图具有重要意义.本文在对多功能雷达层次化模型中工作状态所在“符号-脉冲”层进行调制类型级和参数级扩展表征基础上,提出了一种非理想观测下的多功能雷达工作状态在线切换点检测算法.该方法针对真实信号环境中存在的测量误差、虚假脉冲和缺失脉冲等情况进行适应性设计,通过离群点剔除处理和广义切换点检测算法处理,不仅可以实现调制参数粒度的雷达工作状态在线切换点检测,还可以给出雷达工作状态调制参数在切换点前后的准确估计.仿真实验验证了本文提出方法相较传统切换点检测方法的有效性和优越性.
该文研究在不可信解码转发无线中继网络中,基于用户选择的安全通信策略与性能分析.根据直接链路与中继链路的信道增益,本文提出三种不同的选择准则以提升系统的安全性;文章推导了三种选择准则下安全截断概率的闭式解析表达式及渐近表达式.根据渐近表达式和数值仿真结果可知,次优准则可以达到与最优准则几乎相同的系统安全性能.同时部分选择准则也能达到全分集增益性能.
针对某车载武器振动位移测试中存在的严重趋势项干扰问题,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)的信号处理方法.为有效提取趋势项,提出了一种新的趋势项判定方法.该方法根据振动信号相对时间轴对称的特点,通过比较各IMF分量与原始信号的均值判定该阶IMF分量是否为趋势项.模拟振动信号仿真证明了方法的有效性.最后对实测信号进行了EMD处理并最终重构了振动位移信号,与小波变换方法及一种定性的EMD趋势项判定方法进行了比较,结果表明提出的基于EMD的信号趋势项提取和判定方法有更大的优越性,有助于客观评价该武器性能.
构建新的整数阶三维细胞神经网络系统,通过对其非线性动力学分析、数值计算与电路仿真,验证了该系统混沌吸引子的存在性及物理上的可实现性.同时通过调节线性参数b,研究了新的细胞神经网络系统在基于分数阶qi(i=1,2,3)不同组合条件下所表现出的混沌特性.结合分数阶电路理论分析分数阶电路中各单元电路形式,并设计了相应参数b可变、阶数值qi可切换的分数阶细胞神经网络电路系统.经统计本设计可实现13824种多元组合电路,并选取具有代表性组合电路进行电路仿真.仿真结果表明,多元电路仿真和数值仿真具有相似的混沌相图,从而证实了细胞神经网络在分数阶条件下仍表现出丰富的动力学特性,具有灵活实用价值和现实推广意义.
提出了一种适合于峰值电流模DC-DC转换器的新型多功能误差放大器电路.与斜坡电压信号结合可实现软启动功能,实现了从启动阶段到稳定工作状态的平滑过渡,无扰动出现,并有效地消除了启动阶段的浪涌电流和电压过冲;同时还具有最大电流限制和模式切换功能.该误差放大器集成到一款峰值电流模升压型DC-DC转换器中,电路采用CSMC 0.5μm BCD工艺实现.仿真结果表明:3.5V的输入电压下,误差放大器消耗的静态电流为4.48μA,并且能够实现软启动、最大电流限制、模式切换功能.电路具有简单易实现,功耗低的特点.
分子通信是一种利用微小粒子编码、传输和接收信息的通信范式,具有生物兼容性好、尺寸小等特点,是用来构建纳米网络的非常有潜力的通信方案之一.分子通信的概念一经提出就吸引了广泛关注,众多学者的参与使其迅猛发展.目前,分子通信理论已经被广泛研究,相关实验也有了进展.尽管如此,构建实际的分子通信系统还有大量问题亟须解决.为促进分子通信领域更好发展,对分子通信的理论基础和当前研究进展进行系统性的总结是必要的.因此,本文对基于扩散的分子通信的基本概念和研究进展进行了阐述,包括信道模型、信号的编码调制机制以及接收机制;此外,还介绍了分子通信系统的同步机制、移动分子通信系统,以及分子通信实验系统的最新研究进展,并对分子通信未来的研究方向进行了展望.
以对相位编码步进跳频雷达干扰为背景,分析了相位编码步进跳频信号和多载波相位编码信号的调制特点,在此基础上提出了一种多载波相位编码调制转发新型干扰样式,并理论分析了该干扰样式的干扰效果:可使相位编码步进跳频雷达产生多个导前、导后的逼真假目标.研究了等长度m序列的相关特性,给出了干扰信号的子载频和相位编码序列的选取准则.通过仿真实验对文中分析的结论进行了验证,结果表明该干扰样式较间歇采样预测转发干扰样式有较大的优越性.
基于线结构光的视觉检测技术广泛应用于工业检测,现场动态采集的激光光条图像通常含有光斑和局部断裂,影响光条中心提取精度进而影响测量精度,因此,需要构建图像修复模型去除光斑修复断裂.现有图像修复模型在RGB数据集上的修复效果显著,但不适用于激光光条灰度图像的修复.因此本文提出面向激光光条图像修复的循环相似度映射网络(Recurrent Similarity Mapping Network,RSM-Net),以循环网络为主体,采用软编码Pconv(Partial convolution)层取代部分原始Pconv层,强化特征学习能力;设计非对称相似度模块,降低图像背景特征对修复的负面影响;设计含有多尺度结构相似性(Multi-Scale Structural SIMilarity,MS-SSIM)损失项的混合损失函数,精确地引导光条结构信息的还原,实现高精度的激光光条图像修复.实验验证RSM-Net在小光斑区域、大光斑区域和断裂区域的修复精度均优于所对比的主流图像修复模型.
针对目前基于先验背景的显著度算法中,把图像的所有边界同等对待带来的误判别问题,本文提出一种基于可区分边界和加权对比度优化的显著度检测算法.为了客观评价显著度,本文首先设计了一种粗略评估显著度的指标,用来选择较好的背景图.以该指标为基础,该算法先利用Hausdorff距离对边界进行区分,再利用测地线距离变换完成可靠的背景检测;然后,构造了一种前景-背景加权的对比度来计算初始显著度;最后,使用加权的优化模型进行显著度的优化.在5个公开数据集上的实验结果表明,本文算法在保持快速、无训练等优点的同时,检测性能优于目前主流算法.
将目标分割技术引入跟踪领域是当前的研究热点.目前,基于分割的跟踪算法往往根据分割结果计算最小外接矩形,以此作为跟踪框,但复杂的目标运动使得跟踪框内包含较多背景,从而导致精度下降.针对该问题,本文提出了一种基于前景优化的视觉目标跟踪算法,将跟踪框的尺度和角度优化统一于前景优化框架中.首先评估跟踪框内的前景比例,若小于设定阈值,则对跟踪框分别进行尺度和角度优化;在尺度优化模块中,结合回归框计算跟踪框的条件概率,根据条件概率的结果分情形进行尺度优化;角度优化模块中,针对跟踪框设定多个偏移角度,利用前景IoU(Intersection over Union)极大策略选择最优跟踪框角度.结果证明,将本文方法应用于SiamMask算法,精度在VOT2016,VOT2018和VOT2019数据集分别提升约3.2%,3.7%和3.6%,而EAO分别提升约1.8%,1.9%和1.6%.另外,本文的方法针对基于分割的跟踪算法具有一定的普适性.
针对协同电子战中跳频通信干扰协同决策难题,通过构建“整体优化、逐站决策”的协同决策模型,基于深度强化学习技术,设计了在Actor-Critic算法架构下融合优势函数的决策算法,并在奖励函数中嵌入专家激励机制以提高算法的探索能力,采用集中式训练方法优化决策网络,使算法能够输出资源利用率最高的干扰方案,并大幅提高决策效率.仿真结果表明,相比于现有智能决策算法,本文算法给出的干扰方案能够节约8%干扰资源,决策效率提高50%以上,具有较大实用价值.
伴随信息社会向网络化、泛在化、智能化持续发展,现有地面通信网络已经无法支持日益增长的宽带业务需求、泛在海量的物联接入需求、隐蔽可靠的安全传输需求.未来通信网络要求在全球范围内实现既纵深宽广又细致入微的全方位无线接入,其进一步演进亟需突破包括网络架构和空口技术等在内的底层技术.相比于地面通信网络,空天通信网络不受地形的限制,可实现包括海洋、森林、边远地区等的立体全覆盖,可在多维度多层次尺度实现全空间范围内的信息交互,将成为满足海量异构用户泛在连接需求的关键使能技术.本文综述了空天通信网络的关键技术,首先给出了空天通信网络现有系统及未来智慧社会业务的多元化应用场景,然后从空-天-地三网、物理-网络-应用三层、有效传输-资源管理-安全防护三域出发,给出了一种空天通信网络的整体架构.本文随后从组网与接入、物理层以及资源管理与切换等角度出发分别总结了关键技术.最后,本文指出了未来空天通信网络的技术发展挑战和趋势.
在越来越复杂的电磁频谱环境中,要想实现对频谱资源的管控,首先要判断发送信号的辐射源是否是己方已知的.针对此问题,本文提出了一种基于计算特征子空间投影比值的算法Open-MUSIC(MUltiple SIgnal Classification),通过神经网络获得已知类特征表示;进而得到已知类特征矩阵的两个正交子空间;以特征在两个子空间内的投影比值为指标,对辐射源信号样本是否为已知做判决.在3个数据集上的仿真表明,Open-MUSIC算法的性能在电磁数据集上较其他方法提升了3%以上.
为了提高高分辨率图像中小目标的检测精度,解决高分辨率图像在下采样和局部裁切时由于细节和背景信息丢失造成的漏检和误检问题,本文提出了一种基于特征融合和自学习锚框的小目标检测算法.算法采用多路分支网络对高分辨率图像的全局语义和细节特征平滑后逐层融合,以同时增强特征图上小目标的细节和背景特征.针对训练样本尺寸差异造成不同分支网络上特征表达不一致的问题,本文引入自学习锚框使融合后的特征图能够适应锚框的位置和形状.使用本文算法与目前先进的目标检测算法对下采样图像和切块检测,大量实验结果验证了本文算法对高分辨率图像小目标检测的准确性和有效性.
针对传统的数据压缩实现方法处理性能较低,难以满足高速网络高负载、低能耗要求,本文提出了基于FPGA(Field-Programmable Gate Array)的高性能数据压缩方法.在数据计算方面,定制化一种专用并行数据匹配方法,并对压缩算法进行子任务划分,设计细粒度的串/并混合结构实现数据压缩和数据编码;在数据存储方面,设计了面向硬件的专用高效字典处理,并采用多级缓存机制优化访存结构;基于FPGA的资源面积,设计了多通道、可扩展数据压缩结构,并采用轮询策略实现多通道的数据分配和回收;在优化过程中,采用RTL(Register Transfer Level)实现数据压缩算法.实验结果表明优化后的压缩算法与CPU相比达到了1.634的加速比,吞吐量为4.33 Gb/s.
为改善无片外电容LDO(Capacitor-Less Low-DropOut regulator,CL-LDO)的电源抑制比(Power Supply Rejection,PSR),本文提出一种低静态电流PSR自适应优化方案.采用push-pull放大器,避免复杂的频率补偿电路与片外大电容,缩小了面积.为优化中频段PSR,在功率管栅极注入一个与频率相关的补偿电流.采用低静态电流的补偿电流动态调整方案,减小压差和负载电流变化对PSR优化效果的影响.该LDO基于0.11 μm CMOS工艺,芯片面积为0.026 mm2.测试结果表明,在0.1~80 mA负载电流下,静态电流最大值为55 μ A.在8 kHz到1 MHz频率范围内,在不同压差和负载电流下,PSR最大优化值为21~37 dB.
目标检测是计算机视觉领域中最基础且最重要的任务之一,是行为识别与人机交互等高层视觉任务的基础.随着深度学习技术的发展,目标检测模型的准确率和效率得到了大幅提升.与传统的目标检测算法相比,深度学习利用强大的分层特征提取和学习能力使得目标检测算法性能取得了突破性进展.与此同时,大规模数据集的出现及显卡计算能力的极大提高也促成了这一领域的蓬勃发展.本文对基于深度学习的目标检测现有研究成果进行了详细综述.首先回顾传统目标检测算法及其存在的问题,其次总结深度学习下区域提案和单阶段基准检测模型.之后从特征图、上下文模型、边框优化、区域提案、类别不平衡处理、训练策略、弱监督学习和无监督学习这八个角度分类总结当前主流的目标检测模型,最后对目标检测算法中待解决的问题和未来研究方向做出展望.
随着数据特征维数的增加,如何在少量有标签和大量无标签高维样本的情况下选择相关的特征子集已成为特征选择领域的热点问题.针对现有半监督特征选择算法直接忽略特征选择与局部结构学习之间的相互作用,从而难以有效获取样本分布结构的问题,本文提出了一种基于自适应图学习的半监督特征选择(Semi-supervised Feature Selection with Adaptive Graph learning,SFSAG)算法.利用标签传播将特征空间的稀疏投影学习和近邻图的构建有效地结合起来,实现在选择相关特征的同时还能学习样本的局部结构;自适应地利用样本在投影特征空间中的相似性信息构建可靠的近邻图,从而有效降低噪声特征的干扰并选择更具判别性的特征子集.多种数据集上的实验验证了SFSAG的有效性及其相对于现有半监督特征选择算法的优越性.
异常检测对电力行业的发展有着重要的影响,如何根据大规模电力数据进行异常检测是重要的研究热点.目前,大多数研究通过聚类或神经网络进行异常检测. 但是这些方法忽略了时序数据之间潜在的关联关系及某些特点的重要信息,没有充分挖掘出数据的潜在价值. 因此,提出了一种基于图注意力和Transformer的异常检测模型. 该模型首先根据数据中台中获取的电力数据(主要包括用户ID、电能表ID、用户类型、电流、电压、功率等数据)构建一个异构信息网络;然后,为了减少模型参数和避免出现过拟合的现象,在图卷积网络(Graph Convolutional Network,GCN)模型的基础上,引入非负矩阵分解(Non-Negative Matrix Factorization,NNMF)的方法来进行相似性学习;最后采用图注意力网络(Graph Attention Network,GAT)和Transformer共同捕获数据间的相互关联关系,从而提高检测精度. 以中国某地区的电力数据为基础进行验证, 实验结果表明所提出的方法可以有效进行异常检测.