基于通用处理器的调制制式自动识别技术

自动调制识别是非合作通信体制中的重要研究课题.通过对基于决策理论的模拟调制信号自动识别的研究,结合信号软件解调等技术,提出了一种使用通用处理器实现调制制式自动识别的方案.对实际信号进行采集加噪后的处理证明了该方案是切实可行的.     

一种数字调制方式自动识别算法

介绍了利用6个特征参数对7种数字调制方式进行调制方式的自动识别模型算法及仿真结果,表明所提出的自动识别算法能够很好的识别出各种数字调制信号,同时具备算法简单、速度快和准确率高的优点。     

卫星通信信号体系调制识别技术

对常用卫星通信信号的高阶累积量和高阶谱的谱线特征进行了理论分析与仿真,提出一种基于高阶累积量和谱特征相结合的卫星通信信号调制方式识别方法。该方法从升余弦成形信号的高阶累积量、功率谱、平方谱和四次方谱中提取一组健壮性强的特征参数,在没有先验知识的条件下,完成对卫星信号符号速率和载波频率的盲估计,并在此基础上实现调制方式的自动识别。该方法涵盖了目前绝大多数的卫星通信调制方式,初步形成了卫星通信信号调制识别体系。仿真实验表明,该方法能够克服升余弦成形带来的影响,在实际中有较好的应用前景。     

基于理想解的模拟调制识别分析

利用排序待判决信号特征逼近各候选调制方式理想解的程度来实现调制方式识别,该方法不需要确定判决门限,运算量较小。以基本的模拟调制方式为对象,深入分析其识别性能,考察各权值系数对识别概率的影响,可以发现:一般各调制方式均只会被误判成其他某一种调制方式,且不同权值系数对判决结果的影响程度相差较大。因此,可以针对调制方式误判类型寻求新的特征参数,探求最优权值系数来进一步提升所提方法的识别性能。     

基于FRFT和相位差分算法的信号特征提取

基于分数阶傅里叶变换(Fractional Fourier Transform,FRFT)算法的信号识别方法已广泛应用于雷达信号处理领域,相位差分算法对于检测相位编码信号尤为高效。基于 FRFT和相位差分法的信号检测算法已被提出,但在较低的信噪比下该算法并不能准确识别 LFM、LFM-BPSK信号。针对低信噪比背景下该算法性能较差的问题,给出 1种改进的算法,并通过加入多相编码信号的识别,扩大其适用范围。仿真验证结果表明,提出的算法不仅较原有算法能在较低信噪比条件下有效检测 LFM、BPSK、Frank3种单一调制方式的信号,还能检测出复杂调制的 LFM-BPSK信号。     

主字母体制调制系数的选择

针对靶场安全控制系统主字母体制中主字母信号的调制系数选取范围问题,对主字母信号经FM (Fre-quency Modulation,调频)调制后的功率进行理论分析,选取一组频率组成主字母信号调制到中频.通过仿真得到数据曲线.同时将仿真参数移植到与工程设备相似的实验设备上,使用频谱仪进行实际测试,以测试数据拟合出曲线,该曲线符合理论分析及仿真曲线,即理论分析、仿真与设备测试结果一致.可以得出结论,在主字母体制信号可解调的条件下,调制系数与主字母信号经FM调制后的功率的关系函数为对数函数,从而可为工程参数的选择提供参考范围,有利于工程应用.     

一种基于非平稳信号分析的时相调制信号解调算法

基于非平稳信号分析方法,对时相调制(Time-Phase Modulation,TPM)信号的时频分布特性进行了详细分析,建立了TPM调制信号相位突变与时频分布幅度的映射关系,利用该映射提出了一种基于非平稳信号分析的TPM调制信号解调算法,并对该解调算法性能进行了理论分析,讨论了最佳判决门限选取方法,仿真结果验证了理论分析的正确性。理论分析及仿真表明,基于非平稳信号分析的TPM调制信号解调算法获得了优于传统的相关解调的调制系统差错性能。     

基于飞行过程数据的航空发动机故障诊断方法研究

针对航空发动机飞行过程数据,结合门控循环单元（GRU）动态网络和深度神经网络（DNN）,提出了一种数据驱动的航空发动机故障诊断结构。首先,从飞行数据中抽取发动机健康数据,并通过一组GRU网络建立发动机在健康状态下的动态模型。其次,通过GRU动态模型的预测值与真实测量信号生成残差信号,残差信号作为DNN网络的输入预测发动机健康参数。最后,通过诊断决策模块实现对发动机的故障检测与识别。使用仿真生成的真实飞行工况数据集对提出的故障诊断系统进行了验证。结果表明,相比于直接使用传感器测量数据,基于GRU网络的残差结构能够大幅提升故障检测和识别性能,故障检测和识别准确率分别可达96.51%和95.06%,并且对训练数据样本数量的依赖性较小,较少的训练样本也能获得很好的预测结果。     

基于改进YOLOv3的船舶目标检测算法

针对传统检测算法受复杂多变的海域环境条件影响而出现的鲁棒性差、目标识别能力不高的问题,提出了一种基于改进YOLOv3的船舶目标检测算法.首先,对水面图像进行了mixup数据增强;其次,在Darknet?53主干网络对特征进行提取之后引入了注意力机制,将残差连接和金字塔特征融合进行了结合,并通过自底向上的路径增强、利用准确的低层定位信号增强了整个特征的层次;然后,使用CIOU作为损失函数加强边界框回归提高了检测精度;最后,在检测时加入了显著性检测,用以提高检测的精确度和召回率.实验结果表明,该算法在VOC2007数据集和自建数据集上都表现出了良好的效果,在VOC2007数据集上的mAP值最高为63.92％,在自建数据集上的AP值最高为91.41％,可以对船舶进行有效的检测识别.     

噪声调制连续波雷达信号波形射频隐身特性

雷达信号波形的射频(RF)隐身性能是雷达系统能否适应现代战场环境的重要因素,雷达射频隐身信号波形设计是现代雷达系统设计中的重要课题.首先,在介绍随机噪声信号雷达原理的基础上,基于Schleher截获因子阐述了噪声调制连续波雷达信号波形的射频隐身特性.然后,分析了高斯噪声相位和频率调制连续波雷达输出自相关函数和高斯噪声相...     

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法，首先回顾了图像分类技术的发展历程，接着介绍了图像识别技术中的分类器，并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用，详细阐述了多种图像分类技术，具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时，对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后，从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。     

空间机器人深度学习识别捕获部位的应用探讨

针对空间机器人对捕获部位识别方法的普适性、实时性和准确性等要求，提出了采用深度学习方法对空间机器人捕获目标的特征部位进行识别。通过比较分析方法、数据驱动方法等传统识别方法和深度学习方法的优缺点，发现深度学习方法对于解决空间机器人捕获部位识别问题具有显著优势。进一步分析了应用深度学习方法解决捕获部位识别问题的几个关键技术问题，为后续空间机器人在轨捕获目标的研究与实践提供了新的思路。     

基于深度图推理的卫星背板部件检测方法

在轨加注是一种典型的在轨服务操作,它对于降低空间运输成本和任务风险起着重要的作用,视觉感知系统可以感知操作任务周围环境并提供给控制系统。目前在轨加注依赖于人,在人员监控下完成或通过遥操作完成,缺乏自主性。本文围绕未来高自主性的基于深度强化学习的在轨加注方法,对基于深度学习的视觉感知方法展开了研究,针对基于深度学习的方法对相似实例的检测存在精确率低、对光照变化敏感等缺点,提出了基于深度图推理的卫星背板部件检测方法。提出的方法可以有效地检测复杂形状的目标,不依赖于手工设计的特征;提高了复杂光照环境下部件的检测正确率;可以有效区分外形相似的不同部件;其有效性在数学仿真和物理仿真中均得到了验证。     

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。     

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法，通过对翼型几何特征提取、压力分布曲线的参数化，建立了卷积神经网络模型（CNN），并利用计算流体力学（CFD）的计算结果作为其训练样本，实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98，基于深度学习的计算方法耗时1.7 s，CFD方法耗时大于50 s，计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

Large-scale real-world radio signal recognition with deep learning

In the past ten years, many high-quality datasets have been released to support the rapid development of deep learning in the fields of computer vision, voice, and natural language processing. Nowadays, deep learning has become a key research component of the Sixth-Generation wireless systems (6G) with numerous regulatory and defense applications. In order to facilitate the application of deep learning in radio signal recognition, in this work, a large-scale real-world radio signal dataset is created based on a special aeronautical monitoring system - Automatic Dependent Surveillance-Broadcast (ADS-B). This paper makes two main contributions. First, an automatic data collection and labeling system is designed to capture over-the-air ADS-B signals in the open and real-world scenario without human participation. Through data cleaning and sorting, a high-quality dataset of ADS-B signals is created for radio signal recognition. Second, we conduct an in-depth study on the performance of deep learning models using the new dataset, as well as comparison with a recognition benchmark using machine learning and deep learning methods. Finally, we conclude this paper with a discussion of open problems in this area.     

基于深度卷积网络的SAR图像目标检测识别

在SAR图像解译应用领域,目标的自动检测与识别一直是该领域的研究重点和热点,也是该领域的研究难点。针对SAR图像的目标检测与识别方法一般由滤波、分割、特征提取和目标识别等多个相互独立的步骤组成。复杂的流程不仅限制了SAR图像目标检测识别的效率,多步骤处理也使模型的整体优化难以进行,进而制约了目标检测识别的精度。采用近几年在计算机视觉领域表现突出的深度学习方法来处理SAR图像的目标检测识别问题,通过使用CNN、Fast RCNN以及Faster RCNN等模型对MSTAR SAR公开数据集进行目标识别及目标检测实验,验证了卷积神经网络在SAR图像目标识别领域的有效性及高效性,为后续该领域的进一步研究应用奠定了基础。     

红外与可见光图像融合的空间碎片识别方法

针对暗弱空间环境中空间碎片的识别问题,提出了一种光照不均匀环境中的空间碎片识别方法。不同于现有识别方案,该方法从光照不均匀导致空间碎片图像源细节丢失造成识别性能下降的角度出发,首先将空间碎片的红外和可见光图像进行深度融合,并建立空间碎片融合图像数据库,然后基于训练样本采用深度学习技术训练得到空间碎片识别模型。算法分析表明,该图像融合方案具有高度的细节保留能力,识别模型具有在暗弱环境中高精度目标识别能力。最后进行了仿真实验,实验结果表明,该识别方案在姿态变化、图像源亮度变化等干扰条件下都具有较好的鲁棒性。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

无人机航拍野生动物智能检测与统计方法综述

近年来无人机航拍技术逐步应用于野生动物保护,在很大程度上提高了考察效率。由于航拍图像与地面拍摄图像的特征差异较大,加之野生动物生存环境背景复杂,目前没有通用的方法可直接应用于野生动物航拍图像的检测与统计。本文回顾了智能检测和统计技术近年来的发展,针对无人机航拍野生动物图像的大场景、小目标、多尺度、复杂背景等特点,介绍了无人机航拍动物群数据集的选取与建立方法,以及基于深度学习的检测与统计方法,并进行了深层次地分析,归纳了各类方法的优势和可应用场景,总结了各方法的特点和适用范围,同时针对存在的问题给出了改进方向。