无人机复杂电磁环境频谱特征反演测量

针对复杂电磁环境对无人机用频设备的干扰和威胁，本文提出了一种复杂电磁环境信号频谱特征的反演方法。该方法基于小波变换原理对无人机典型用频频段电磁信号进行变换处理，对其频谱特征进行奇异性检测，结合信号降噪处理等技术去除频谱伪奇异点对接收信号频谱特征进行反演测量，并对该方法进行了仿真验证。仿真结果表明该方法反演复杂电磁环境频谱特征满足无人机数据链抗干扰设计要求。     

基于卷积盲分离的强干扰下通信信号分离算法

针对目前通信辐射源个体识别算法在实际试验中由于各类干扰信号和多径衰落导致识别率较低的问题,提出一种用于识别算法前端的信号分离算法,可有效地减少其他电磁信号对于识别算法输入信号的影响,从而提高在复杂电磁环境中通信辐射源个体识别的正确识别率。该算法将灾变策略和搜索状态的自适应引入量子粒子群算法,通过对混合信号的联合对角化从截获的观测信号中提取出目标通信辐射源的有用信号。为了更加系统、直观地衡量算法的分离效果,提出分离熵来量化算法的整体性能。仿真结果表明,该分离算法可以把目标通信辐射源的有用信号从复杂电磁环境中提取出来,从而提高通信辐射源个体识别在复杂电磁环境中的正确识别率,具有较好的可行性和有效性。     

互相关算法在泄漏发射信息处理中的应用

由于环境噪声的影响,重建TEMPESTATTACK设备截获的电磁泄漏信息的质量很差。为此,介绍一种互相关处理技术的基本原理及在检测弱信号中的应用。首先提出了用互相关技术提取行同步信息的新方法,并用Matlab仿真加以验证,最后对TEMPESTATTACK设备输出的视频信号进行了互相关平均处理,使重建的信息图像稳定、可辨识。     

基于改进深度学习模型的焊缝缺陷检测算法

针对传统深度学习模型在进行焊缝缺陷检测时对小缺陷目标检测效果不理想问题，提出基于改进深度学习Faster RCNN模型的焊缝缺陷检测算法，算法通过多层特征网络提取多尺度特征图并共同作用于模型后续环节，以充分利用模型中的低层特征，增加细节信息；改进模型的区域生成网络，加入多种滑动窗口，从而优化了模型锚点的长宽比设置，提高检测能力。实验表明，改进Faster RCNN模型取得最优的缺陷检测结果，对于小缺陷目标仍取得较好的检测精度，从而验证了算法的有效性。     

基于多特征融合的电磁换向阀故障模式识别

为提高基于驱动端电流检测的电磁换向阀故障诊断方法的可靠性和识别准确度，开展了电磁换向阀故障模式识别方法研究。提出一种基于多特征融合的方法对电流信号时频分析和时域参数的特征值提取融合；通过设计电磁换向阀驱动端电流信号的采集实验，获取电磁换向阀驱动端电流的时域信号和二阶变化率的多特征曲线，提取时域参数及二阶变化率相应频带能量作为特征值，构建多特征融合的特征向量；采用基于径向基核函数的多分类支持向量机对电磁换向阀进行模式识别。结果表明：基于多特征融合的支持向量机较基于能量特征值的支持向量机可提升8.7%的识别精度和42.11%的验证准确率。     

单通道和双通道微波衰减测量系统中的射频泄漏分析

研究了单通道和双通道微波衰减测量系统中的射频泄漏所导致的测量误差。使用电磁屏蔽箱和以铝片包裹连接头的方法降低外部辐射泄漏,在双通道衰减测量系统中使用隔离器以减小内部泄漏。利用高灵敏度锁相放大器测量了射频泄漏信号,通过在60 MHz和5 GHz所得的实测数据比较了单通道和双通道衰减测量系统的射频泄漏误差。实验结果表明射频泄漏得到了有效的抑制。     

面向电力系统的多粒度隐患检测方法

由于电力系统的安全问题往往会造成严重的经济或社会影响，隐患检测已成为电力系统不可或缺的重要环节。随着人工智能领域的发展，基于深度学习的智能化电力系统隐患检测技术逐渐得到越来越多的关注。但目前的方法大多只是单一地考虑图像的全局特征或局部特征，无法全面彻底表征图像，进而难以捕捉电力领域尤其室外复杂背景下的隐患检测。为此，基于深度学习技术，提出了一种面向电力系统的多粒度隐患检测方法MGNet。通过引入图像的多粒度信息，构建全局和局部网络，进行多粒度级检测；并通过不同粒度级检测结果的协作式融合，增强检测的全面性。在杆塔连接金具隐患和线路通道机械隐患2个数据集上进行了实验比较和分析，对所提模型的检测性能进行评估。通过与现有最优隐患检测基准方法相比，所提方法在2种不同数据集上的平均精度均值分别提升了2.74%和2.77%，验证了模型的有效性。      

小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明：与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明：所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。     

含噪图像的处理方法与评价

接收机还原出来的显示器视频信号的电磁泄漏发射含有大量的噪声 ,导致图像模糊 ,视觉效果差。为了改善图像质量 ,提高图像的可识别度 ,需要进行图像处理 ,提取我们感兴趣的信息。介绍了几种针对含噪图像的数字信号处理方法 ,并且进行了对比分析和信噪比评价。     

大功率同轴谐振器连接缝隙EML和PIM研究

在大功率工作环境中,射频电路经常发生电磁泄漏(ElectroMagneticLeak,EML)和无源互调(PassiveInter Modulation,PIM)等现象。而在同轴谐振器中,不稳定连接缝隙处成为增加电磁泄漏EML和PIM问题风险的隐患部位。文章通过对同轴谐振器等效电路建模和电磁场建模给出了缝隙位置与电磁场表面电流的关系,并分析了3种不同结构同轴谐振腔EML特性。结果表明通过微调连接缝隙,使其有效偏离同轴谐振器的电流波幅点位置,可以降低大功率同轴谐振器的连接泄漏,从而减小无源互调的风险。依据分析结果选取了3种同轴结构(单螺钉连接、法兰内连接、法兰外连接)中连接泄露最小的结构作为大功率器件的基本结构,小批量器件在大功率测试和试验中无EML和PIM现象。     

基于卫星遥感的岛礁影像多类目标智能化提取

卫星遥感影像具有背景复杂、目标尺度不一、观测方向各异、纹理不清晰等特点，主流的深度学习目标检测算法不能直接适用于卫星遥感影像的目标检测。改进了RetinaNet，使其适用于卫星遥感影像。首先设计了一种新的特征融合方式，融合ResNet50输出的特征图，使得融合后的特征图同时具有高层语义信息和低层纹理细节信息。为了减弱遥感影像复杂背景对目标特征的影响，设计了特征感知模块，在减弱噪声对特征图影响的同时增强有用特征。挑选DOTA数据集中船只、飞机和存储罐图像进行训练和测试。改进的算法与RetinaNet相比，飞机、船只和存储罐的平均精度分别提高了41%、25%、24%。基于高分二号卫星（GF 2）真实影像数据的试验结果表明，提出的算法能够用于卫星遥感岛礁影像的多类目标智能化提取。     

复杂背景下机场道面细带状结构病害检测算法

机场道面裂缝、角隅断裂、接缝破碎、修补等病害宽度狭小、长短不一、图像中像素占比少,呈细带状结构,且与复杂背景对比度低,现有检测算法效果不佳。针对以上问题,提出了一种基于注意力机制与特征融合的深度神经网络模型DetMSPNet。首先,利用注意力机制模块CBAM,使得特征学习更加专注于细带状结构病害区域,抑制干扰信息;其次,构建残差空洞金字塔模块,提取不同尺度空间下的特征信息;然后,设计最大池化支路,便于之后浅、深层不同层次特征进行融合,加强模型对于病害的定位能力,并且将深层特征输入3种不同扩张率的扩张卷积和金字塔池化模块,使得病害特征包含更多全局上下文信息;最后,对所有层输出的病害特征信息进行融合,实现不同尺度、不同层次特征的信息互补。与目前3种经典的目标检测算法在机场道面病害图像数据集APD上做了对比实验,结果表明:所提算法的mAP达到78.51%,优于对比算法。所提DetMSPNet模型,提高了算法对机场道面细带状结构病害检测中宽度狭小、长短不一、图像中像素占比少、与复杂背景对比度低等情况的适应能力。      

一种数字电路电磁传导发射多源模型提取方法

基于电磁干扰要素理论，提出一种数字电路电磁传导发射多源模型提取方法，用于解决数字电路电磁传导发射的建模问题。以电磁干扰要素理论为出发，综合考虑数字电路模块特点，将数字电路电磁传导发射模型划分为若干基本要素和扩展要素。针对数字电路时钟信号特征，选取梯形脉冲序列为基本要素形式，提出一种改进的联合估计算法用于提取基本要素参数及对应扩展要素系统传递函数模型；针对数字电路多源共存的情况，提出一种基于自相关函数的多源辨识分离方法，从而实现从一组测试数据中识别出多个基本要素及对应扩展要素，并最终完成数字电路电磁传导发射的建模。仿真及实验结果验证了所提方法的可行性和准确性。      

基于信息融合的网络安全态势量化评估方法

针对目前网络安全态势评估大多存在信息来源单一、评估范围有限、模型不易构建、时空开销大且可信度较低等问题,提出了一种多源异构信息融合量化评估网络安全态势的方法。首先,构建分级朴素贝叶斯分类器,快速高效地融合主机上各多源异构非确定性信息源。然后,利用拉普拉斯原理平滑参数学习,优化分类与推理结果。使用数理统计的方法融合网络上各主机的安全指数,量化评估网络安全态势,对当前网络安全状况有一个宏观整体的认识。最后,通过真实网络环境的实验,验证了所提方法在网络安全态势评估中的可行性和有效性。      

基于朝向约束和重识别特征的目标轨迹关联方法

基于检测关联和深度学习的目标轨迹关联方法是计算机视觉领域的研究热点之一，但现有方法设计中缺乏有效的时空约束，且目标表观特征泛化能力不足，在目标朝向差异明显的情况下会发生识别错误，在目标轨迹关联时会导致频繁的ID切换和错误关联。针对该问题，提出了一种基于朝向约束和重识别特征的目标轨迹关联方法。将行人朝向判别引入行人重识别中，提出了一种具有朝向约束力的行人重识别网络模型，提升了目标特征的表示能力。结合目标朝向、卡尔曼滤波得到的位置信息、重叠面积等时空特征，提出一种基于朝向约束的分层轨迹关联模型，得到单相机内的目标轨迹。在跨相机场景中，通过引入一种简单有效的双向竞争匹配机制，实现了目标轨迹的有效关联。实验结果表明: 所提方法在MOT数据集上度量指标优于多种方法，能够减少频繁的ID交换，有效解决了相似目标相向而行时的错误关联；帧率达到19.6帧/s，能够满足近实时场景下的使用要求。      

抵御对抗样本攻击的指纹室内定位方法

随着城市智能化的发展, 基于WiFi接收信号强度(RSS)的指纹室内定位服务受到社会的广泛关注。深度学习技术是利用RSS信号获得高室内定位性能的一种重要手段, 但其易遭受对抗样本攻击, 给定位系统带来严重安全隐患。为此, 提出了一种抵御对抗样本攻击的基于深度学习的RSS指纹室内定位方法(AdvILoc)。该方法基于图像识别领域对抗样本防御方法的研究和分析, 结合室内RSS指纹数据特征单一且高维的特点, 通过在RSS指纹室内定位深度学习模型中添加池化层、全连接层, 以及满足差分隐私的噪声层来抵御对抗样本攻击, 解决了基于深度学习的室内定位模型易过拟合且泛化能力不高的问题。通过添加Dropout层, 以及设计模型参数正则化方法, 提高模型抵御对抗样本攻击的鲁棒性。在2个真实RSS指纹室内定位数据集上的实验结果表明:与已有基于多层感知机(MLP)、卷积神经网络(CNN)的RSS指纹室内定位方法相比, 所提方法在保证时间开销和基本不影响定位模型性能的情况下, 提高了模型抵御对抗样本攻击的鲁棒性；在满足l₂范式规范的C&W攻击下, 随着攻击大小不断增大, 模型的定位准确率下降也更平稳。      

基于Swin Transformer和多尺度特征融合的红外弱小目标检测方法

红外弱小目标的检测识别是军事侦察和遥感探测领域的一项关键技术。针对现有的传统目标检测方法普遍存在的检测误报率高、环境适应性差等问题,本文设计提出了一种基于Swin Transformer和多尺度特征融合的红外弱小目标检测方法。该方法首先在基于编解码Unet网络架构的基础上,通过引入Swin Transformer的自注意力机制代替常规的卷积核来进行目标特征的分层提取,从而有助于在更大的感受野下挖掘目标在不同尺度下的潜在信息;之后,通过设计一个自底向上的跨层特征融合模块作为网络模型的解码器,可以从复杂背景中保留红外弱小目标特征,并将目标的浅层局部信息和深层语义信息进行充分融合。试验测试结果表明,所提方法在红外小目标公共测试数据集SIRST上能够实现0.747的交并比指标(IoU),以及0.752的归一化交并比指标(nIoU),其性能均优于其它典型方法,在不同复杂场景下均拥有更好的检测效果。     

不同速度运动汽车的磁异信号研究与探测

运动汽车随着速度的增加伴随着非稳态材料的产生，如汽油高温燃烧、高速摩擦引起自由电荷累积等。针对这些磁异信号难以采用适用于铁磁性材料的磁偶极子模型描述的问题，提出了结合磁偶极子模型和运动电荷等效模型的方法，理论计算不同速度运动汽车的磁异信号并分析其时域、频域特征，获得磁异信号与速度的依赖关系。采用隧道磁阻传感器（TMR）结合滤波、放大、模数转换技术构建弱磁信号探测实验装置，探测不同速度运动汽车的时域磁异信号，并采用傅里叶变换获得其频域信息，与理论模型相吻合。随着速度的增加，频域信号向高频方向偏移，对于从低频地磁背景场中提取目标弱磁信号极其重要。      

基于无监督学习的多模态可变形配准

针对医学图像配准问题，传统方法提出通过解决优化问题进行配准，但计算成本高、运行时间长。深度学习方法提出使用网络学习配准参数，从而进行配准并在单模态图像上取得高效性能。但在多模态图像配准时，不同模态图像的强度分布未知且复杂，大多已有方法严重依赖标签数据，现有方法不能完全解决此问题。提出一种基于无监督学习的深度多模态可变形图像配准框架。该框架由基于损失映射量的特征学习和基于最大后验概率的变形场学习组成，借助空间转换函数和可微分的互信息损失函数实现无监督训练。在MRI T1、MRI T2以及CT的3D多模态图像配准任务上，将所提方法与现有先进的多模态配准方法进行比较。此外，还在最新的COVID-19的CT数据上展示了所提方法的配准性能。大量结果表明:所提方法与其他方法相比，在配准精度上具有竞争优势，并且大大减少了计算时间。      

进动弹道目标平动补偿与分离

弹道目标在中段高速运动时会造成微多普勒曲线的叠加折叠,此时传统的平动补偿方法并不适用于弹道目标。在分析进动锥体弹道目标各个散射点的频率特性后,发现曲线交点处的频率完全是由平动引起的。根据这一特性,提出一种利用时频图交点信息进行平动补偿的方法。首先,得到回波信号的时频骨架图;然后,采用基于双边滤波器的Harris角点检测方法提取出时频骨架中的角点进而得到时频图中的交点坐标;最后,利用交点坐标估计出平动参数进行平动补偿。针对传统Viterbi算法在曲线交点容易产生错误关联的问题,提出一种利用交点信息的分段Viterbi算法对补偿后的时频曲线进行分离。仿真实验验证了所提方法的有效性。