长摘要论文
分数阶滤波器由于具备连续步进的阻带衰减速率和更大的设计自由度而受到国内外学者的广泛关注.本文提出两种符合指标要求的分数阶低通滤波器的优化设计方法,即采用Matlab优化工具箱中的Fminimax和Fgoalattain两种多目标优化函数来分别设计符合指标要求的两种不同形式传递函数的分数阶低通滤波器,通过比较通带偏差、阻带偏差以及群时延等参数,总结这两种方法所优化设计的滤波器各自的特点.给出设计实例,对其进行稳定性分析和电路仿真,并搭建电路证明了所提设计方法的有效性.
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.
有限新息率(Finite Rate of Innovation,FRI)采样利用已知的信号波形结构实现信号的亚奈奎斯特率采样,在宽带信息系统应用中具有广泛的前景.但是,在实际的信息系统中,信号波形结构常常因噪声、远距离传输等非理想因素而发生畸变,从而导致FRI重构失败.本文依据波形再生的原理,提出了一种基于长短时记忆(Long and Short-Term Memory,LSTM)自动编码器的FRI重构方法.该方法利用LSTM自动编码器取代FRI采样系统中的采样核函数,通过离线训练获取畸变信号的未知波形结构,从而将波形序列投影为狄拉克特征序列,实现了波形畸变信号的FRI采样及重构.结果表明,本文的方法可以借助经典的零化滤波器有效地重构由于多径效应而发生畸变的FRI波形信号.
针对被目前大多微波光子I/Q下变频系统忽视的非线性失真问题,提出了一种基于偏振复用双平行马赫增德尔调制器(Polarization Division Multiplexing Dual-Parallel Mach-Zehnder Modulator,PDM-DPMZM)的大动态范围微波光子I/Q下变频系统.利用PDM-DPMZM并行地调制射频、本振和镜像信号,调节调制器的直流偏置并进行驱动信号功率控制,能够实现I/Q下变频及镜像干扰抑制,同时抑制三阶交调失真.实验结果表明,所提方案最终可以实现超过44 dB的镜像抑制,系统的无杂散动态范围达到110.5 (dB·Hz4/5).在5~20 GHz工作频率范围内,相位失衡和幅度失衡分别低于0.8°和0.6 dB.
在较高海情下,由于舰船目标处于随机摆动的非平稳运动状态,常规合成孔径雷达(Synthetic Aperture Radar, SAR)成像处理会使得目标散焦、方位模糊,从而导致三维转动舰船目标识别准确率低.本文提出一种混合型复数域卷积神经网络(Mix-type Complex-Valued Convolutional Neural Network,Mix-CV-CNN),并推导Mix-CV-CNN前向传播与反向传播算法.三维转动舰船目标经过SAR成像处理后存在剩余相位信息,Mix-CV-CNN能充分利用SAR复数域图像的幅度和相位信息,在不进行目标重聚焦的情况下,较好完成SAR复杂运动舰船目标的识别.实验表明,Mix-CV-CNN相较于具有相同自由度的实数域卷积神经网络(Real-Valued Convolutional Neural Network,RV-CNN)识别性能有所提高,实测数据识别平均准确率提高3.85%.
利用可见光通信技术来传输以太网信号能够克服传统无线通信速率低、频谱资源紧张、使用场景受限等缺点.针对传统的可见光通信系统难以实现高速以太网通信的问题,本文设计了满足以太网技术要求的全双工可见光通信系统.系统主要包括以太网接口处理电路、差分转单端、单端转差分电路、光源驱动电路、光电检测电路,上、下行链路都采用可见光通信技术对以太网信号进行透明传输,无须调制即可实现高速以太网通信.经测试,本系统可在通信距离为10 m的情况下实现100 Mbps以太网的全双工通信.
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%.
区块链构建了一种价值互联的去中心化网络,是继互联网之后的最具革命性和颠覆性的创新技术.但现有区块链存在性能低下,隐私保护不足,单层链式结构难以支持多种场景下数字资产的分类并发处理,单链共识算法难以实现多链乃至全局的一致性等问题.为解决上述问题,本文基于树形结构设计一种适用于联盟链场景的主从多链架构,可实现不同数字资产的分类、并发处理和达到数据隔离的隐私需求.针对该树形主从多链架构,进一步提出一个基于门限签名的改进拜占庭容错共识算法,可解决多样化数字资产分类并发处理带来的一致性问题.性能分析和仿真结果表明:所提方案在实现隐私数据隔离保护的同时,兼具高并发交易性能,通信复杂度由O(n2)降为O(n),可满足企业多样化业务需求.
本文提出了一种基于偏压调制的双环谐波锁模光电振荡器仿真模型.该模型包括了利用电光调制器偏压调制实现的模式锁定、采用微波信号与滤波器冲激响应卷积实现的模式选择,以及基于双环信号相干叠加的超模噪声抑制.采用改进的脉冲跟踪法实现了双环信号的同步演化仿真.基于提出的模型仿真了谐波锁模状态下的输出微波脉冲信号的波形、频谱、超模噪声抑制和相位噪声特性,仿真结果与实验结果相符.该仿真模型可用于设计基于偏压调制的双环谐波锁模光电振荡器,以及研究双环腔内的动力学过程,有助于获得高超模噪声抑制比的微波信号.
基于视频数据的深度预测学习(以下简称“深度预测学习”)属于深度学习、计算机视觉和强化学习的交叉融合研究方向,是气象预报、自动驾驶、机器人视觉控制等场景下智能预测与决策系统的关键组成部分,在近年来成为机器学习的热点研究领域.深度预测学习遵从自监督学习范式,从无标签的视频数据中挖掘自身的监督信息,学习其潜在的时空模式表达.本文对基于深度学习的视频预测现有研究成果进行了详细综述.首先,归纳了深度预测学习的研究范畴和交叉应用领域.其次,总结了视频预测研究中常用的数据集和评价指标.而后,从基于观测空间的视频预测、基于状态空间的视频预测、有模型的视觉决策三个角度,分类对比了当前主流的深度预测学习模型.最后,本文分析了深度预测学习领域的热点问题,并对研究趋势进行了展望.
故障诊断是集成电路领域中的重要研究方向,基于测试激励集方法求解候选故障诊断是目前较为高效的诊断方法,而GTreord是目前具有较高诊断准确性的方法.在对GTreord方法深入研究的基础上,本文依据测试激励与候选故障诊断解之间的结构特征,通过分析电路故障输出响应,提出结合结构特征的测试激励集重排序的候选诊断(Reordering Test Default Diagnosis,RTDD)方法.根据测试激励对生成候选故障诊断解集合的影响程度的不同,提出测试分数概念;通过比较电路的实际故障输出响应、无故障输出响应、模型故障输出响应,计算出测试激励的测试分数.测试激励集依据测试分数进行重排序,并将重排序后的测试激励集用于故障诊断.实验结果表明,与GTreord方法相比,RTDD方法提高了测试激励集重排序的效率,求解时间提高1~4个数量级;此外,在保障同样诊断准确性的情况下,RTDD方法有效减少了所需测试的激励个数.
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.
构建空天地一体化信息网络是第六代通信系统(the Sixth Generation,6G)的重要目标,无线光通信相较于射频(Radio Frequency,RF)通信技术具有容量大、速率高、抗干扰能力强等优势,已成为建立全球无缝覆盖空间网络的重要技术.本文综述了基于自由空间光通信(Free Space Optical Communication,FSOC)的空天地一体化网络国内外建设及相关标准化现状,相较于现有综述文献,涵盖了更多最新研究工作,并针对物理层和上层指出一体化FSOC网络设计需要关注的重要因素,对大气信道建模、“捕获、瞄准和跟踪”(Acquisition Pointing and Tracking,APT)、拓扑控制、路由、资源分配、可靠传输协议、微波协作传输几种重要通信技术进行总结和分析,并指出其未来发展趋势和面临的挑战.
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.
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.
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.
遥感影像中复杂的背景占据图像的大部分区域,严重影响了目标检测效果.本文提出一种可以对特征图进行多特征选择的目标检测网络.设计了双向多尺度特征融合网络,融合深浅层信息,提高复杂背景下小目标的检测效果,在保留常规特征金字塔自上而下路径的同时,增加一条自下而上的路径,减少浅层特征传递到顶层经历的网络层数,从而控制浅层特征损失.为了降低多尺度特征图中无用信息对后续检测网络的干扰,设计了基于注意力机制的多特征选择模块,网络自适应地专注于有用特征,忽略无用特征.针对传统五参数回归法在预测角度时存在严重的边界不连续问题,不能精确预测长宽比值比较大的目标,将角度预测当作分类任务处理.在DOTA数据集和自制数据集DOTA-GF上进行实验,6类典型目标的mAP分别达到0.651和0.641,与主流目标检测算法的对比实验结果表明提出的方法的有效性.
微波光子学是一门研究光与微波相互作用的新型交叉学科,旨在利用现代光学技术实现高频宽带微波信号产生、传输、处理和测量.其中,微波光子传感是微波光子学一个重要的研究领域,它采用光学传感器实现温度、应变、压力等传感参量光域感知,基于微波光子技术实现光域传感信息到微波域的线性映射和转换,结合微波信号处理技术实现传感信号解调,具有传感精度高、测量速度快等显著优势.本文系统性地回顾了微波光子传感技术最新研究进展,介绍了各类微波光子传感技术的基本工作原理,并展望了未来的研究方向和发展趋势.
授时是卫星导航系统的基本服务之一,在先进电子设备研制和智能时空信息服务中具有重要作用.针对当前全球卫星导航系统(Global Navigation Satellite System,GNSS)授时方法存在的受地面共视观测站和通信网络限制的问题,本文提出一种基于北斗三号B2b信号的精密单点授时方法(B2b signal based Precise Point Timing,B2b-PPT).该方法利用北斗三号地球静止轨道(Geostationary Earth Orbit,GEO)卫星播发的B2b信号,结合双频伪距和载波相位观测值,根据精密单点定位算法实时估算接收机钟差.经过世界协调时(Universal Time Coordinated,UTC)偏差改正和硬件延迟校准后,B2b-PPT接收机对本地时钟进行驯服,从而实现高精度时频同步.基于iGMAS(international GNSS Monitoring and Assessment System)观测站的实验结果表明:使用B2b-PPT方法的单站授时精度为0.58 ns,10 h的频率稳定度为 6.9 E - 15 ;站间模式的授时精度为0.33 ns,10 h的频率稳定度为 1.1 E - 14 .与传统的精密单点授时方法相比,B2b-PPT方法授时精度更高,并且具有成本低、不依赖地面通信网络和分析中心的优势.
作为众多医学图像处理的前提和关键,医学图像关键点检测具有重要的理论研究和应用价值.由于个体间差异性和个体内歧义性的影响,以及更高的临床应用定位精度的要求,医学解剖关键点检测面临着巨大的挑战.鉴于深度学习技术在医学图像关键点检测乃至整个医学图像处理领域都表现出了强大的实力,本文全面检索发表于顶级医学期刊和会议论文集中的医学图像关键点研究成果并进行了详细的梳理和综述.从计算机视觉任务角度简述医学图像关键点检测及其存在的难点;总结了深度学习技术在医学图像关键点检测中的基本框架,详细论述了医学图像关键点检测的分类问题和回归分析两种不同类型的解决思路;最后探讨了医学图像关键点检测深度学习方法面临的挑战、主要应对策略和开放的研究方向.
针对战场通信对抗协同干扰中的干扰功率分配难题,本文基于多智能体深度强化学习设计了一种分布式协同干扰功率分配算法.具体地,将通信干扰功率分配问题构建为完全协作的多智能体任务,采用集中式训练、分布式决策的方式缓解多智能体系统环境非平稳、决策维度高的问题,减少智能体之间的通信开销,并加入最大策略熵准则控制各智能体的探索效率,以最大化累积干扰奖励和最大化干扰策略熵为优化目标,加速各智能体间协同策略的学习.仿真结果表明,所提出的分布式算法能有效解决高维协同干扰功率分配难题,相比于已有的集中式分配算法具有学习速度更快、波动性更小等优点,且相同条件下干扰效率可高出集中式算法16.8%.
本文针对小样本图像分类问题,提出一种基于样本对的元学习(Pairwise-based Meta Learning,PML)方法.利用传递迁移学习对预训练好的Resnet50模型进行微调,得到一个更适应小样本任务的特征编码器,将该特征编码器作为元学习模型的初始特征编码器来训练模型,进一步增强了元学习模型的泛化能力;同时,本文还基于支持集与查询集样本之间的相似性提出元损失函数(Meta Loss,ML),其考虑了特征空间中查询集所有样本的相互关系,以此来缩小正样本类内距离,增加正负样本类间距离,从而提高分类精度.实验结果表明,本文的方法在1-shot、5-shot任务上分别达到了77.65%、89.65%的分类精度,较最新的元学习方法Meta-baseline分别提高7.38%、5.65%.
本文提出了一种基于字符级滑动窗口的深度残差网络(Sliding Window-Depth Residual Network,SW-DRN),首次将轻量级深度可分离式卷积应用于僵尸网络中DGA(Domain Generation Algorithm)域名检测.SW-DRN采用深度可分离式卷积,相比标准卷积减少了约56%的参数,增强了模型检测效率.采集两种不同来源的数据,分别命名为Real-Dataset和Gen-Dataset.SW-DRN与对照组模型在两个数据集上进行实验,实验结果表明:SW-DRN模型在DGA域名二分类任务中的F-Score评估指标上分别取得了99.23%和97.81%的成绩;并且在少样本DGA域名家族以及域名字符串易混淆DGA域名情形下多分类任务中取得不错的成绩,相比目前已有的DGA域名分类模型在总体F-Score上提升了1.23%和1.01%的性能,增强了DGA域名家族之间的识别;同时还对所提出的模型在生成对抗模型产生域名进行测试,均能得到有效的识别.
针对基于空移键控(Space Shift Keying,SSK)的室内可见光通信(Visible Light Communications,VLC)系统中的信号检测,本文将其转换为稀疏信号重构问题,使得具有相对较低计算复杂度的压缩感知(Compressed Sensing,CS)稀疏重构算法成为基于SSK调制的室内VLC系统中一种很有竞争力的信号检测手段.为了满足稀疏重构的测量矩阵性质,提出了一种基于奇异值分解(Singular Value Decomposition,SVD)的测量矩阵预处理方法,在理论上保证了在室内VLC系统中使用基于CS的稀疏信号检测方法的可行性.然后通过采用CS中的正交匹配追踪(Orthogonal Matching Pursuit,OMP)和压缩采样匹配追踪(Compressive Sampling Matching Pursuit,CoSaMP)两种经典算法实现了对室内VLC系统SSK信号的检测,同时还提出了一种新的结合贪婪算法和极大似然算法的稀疏信号重构检测方法.最后,通过计算机仿真验证了该类算法在基于SSK调制的室内VLC系统中信号检测的有效性.仿真结果证实了在基于SSK调制技术的室内VLC系统中,所提的CS检测算法性能可以在实际应用场景的系统参数设置下达到比(Maximum Likelihood,ML)更好的误码率和计算复杂度.
针对传统退化指标无法准确反映滚动轴承全寿命周期内退化状态的问题,提出一种特征融合与灰色回归的滚动轴承性能退化评估方法.该方法提取滚动轴承振动信号的高维退化特征,构建基于单调性、相关性和鲁棒性的综合评价准则,选择有效退化特征并构建敏感指标集;提出核独立成分分析(Kernel Independent Component Analysis,KICA)和马氏距离(Mahalanobis Distance,MD)相结合的方法,计算敏感退化指标KICAMD;融合灰色回归模型和 3 δ 原则,判定敏感退化指标KICAMD是否存在虚假波动并修复,获得轴承健康指标(Health Index,HI);最后,基于HI时间序列的转折突变点,自适应确定初始故障时间和定量评估轴承退化状态.两组滚动轴承全寿命周期振动实验数据及对比分析表明,所提方法构建的性能退化指标能有效表征轴承全生命周期的运行状态.
城市空气污染因空间扩散特性呈现出区域内的浓度高关联性.因此如何通过多个空气污染监测站的时空数据预测特定目标地点的污染情况,以解决站点分布不匀的问题,是一个重要的研究工作.本文结合空气污染物因素特性和气象因素的多维度影响,提出了一个利用区域内多站点空间监测数据实现特定目标站点的空气污染物浓度预测模型.该模型通过多层卷积神经网络(Convolutional Neural Network,CNN)实现城市多站点污染物浓度与气象数据之间的维度关联特征及空间关联特征学习,进而利用基于多层长短期记忆网络(Long Short-Term Memory,LSTM)的自编码网络实现多站点浓度的时序关联特征分析.实验通过真实数据集验证,所提出的预测模型获得了高于传统机器学习污染物浓度预测模型的预测准确度,且在多个城市数据集上验证了模型的泛化能力.