基于射频数字化技术的航天测控体系架构研究

从中国航天系统的发展历程出发,系统总结了传统航天测控系统、资源重组测控系统和射频数字化资源重组测控系统的结构及其主要特点,并在文末创造性地提出了一种基于射频数字化等多项技术的航天测控体系,对该体系的主要组成和功能进行了介绍,并结合实际提出了建立该体系存在的技术难题和相应解决方案。     

基于深度学习的雷达干扰识别方法研究

针对复杂电磁环境下雷达干扰信号识别问题,从优化卷积神经网络结构的角度出发,本文提出了一种对卷积神经网络结构LeNet-5增加批量归一化层和改变激活函数的方法。该方法能够加速网络收敛,提升网络的学习效率。本文首先建立舰船目标模型,分析了噪声调幅干扰、噪声调频干扰、梳状谱干扰和无干扰的真实目标回波信号在时频域的差异,然后利用四种信号对舰船目标模型生成数据集,最后通过本文所提方法实现雷达干扰的自动识别。仿真结果表明：在全信噪比条件下,本文所提方法对四种信号的识别准确率达到98.1%,表明所提方法有着较好的稳定性和鲁棒性。     

基于卷积神经网络的雷达和通信信号调制识别

雷达和通信信号的调制识别是电子侦察对抗的一项关键技术,通过搜索、截获敌方电子设备发射的电磁辐射信号,经过电子侦察系统分析、识别,从而获取敌方战术、技术特征参数等情报。人工神经网络中的深度学习网络由于具有强大的表征学习能力,可以自动从原始数据中提取出各种复杂的特征。介绍了一种差分自相关预处理结合深度学习进行中频信号调制识别的方法,结合工作的实际需求,对深度学习在信号调制识别中提出了一些展望,如进一步提高在低信噪比下的识别率和研究深度学习调制识别混合架构。     

基于深度学习的雷达辐射源识别算法

为解决雷达辐射源识别中特征提取困难、低信噪比条件下识别效率低的问题,提出了一种基于一维卷积神经网络和长短期记忆网络的深度学习智能识别算法,构建了一个CNN-LSTM网络,能实现对不同脉内调制方式雷达辐射源的端到端识别.该网络首先利用卷积层学习信号局部特征,然后将卷积层输出的结果输入长短期记忆网络,学习信号的全局特征,最...     

基于卷积神经网络技术的直升机旋翼谱识别方法

针对直升机雷达回波在时频二维分布图上的分布特性,提出一种基于卷积神经网络技术的直升机旋翼谱识别方法,实现了直升机旋翼谱与其他类型目标的区分,从而有效识别直升机。当雷达工作在低重复频率(LPRF)时,直升机旋翼回波在时频分布图上呈现明显的扩展特征。通过仿真与实测数据分析,表明该特征与其他目标回波在频率维分布特性存在较大差异。利用卷积神经网络中的卷积核技术,将实测数据与卷积核矩阵进行二维卷积运算,依据输出矩阵实现了直升机旋翼谱的识别。利用实际采集的直升机回波数据进行验证,证明该方法是有效的,可应用于各种采用脉冲多普勒工作体制的雷达系统。     

基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。     

基于卷积神经网络的雷达辐射源稳健识别方法

针对低信噪比下,基于传统统计特征的雷达信号识别方法对复杂调制信号类型识别性能不高,因而处理复杂度高的问题,提出一种基于卷积神经网络的雷达辐射源信号稳健识别方法。该方法通过提取信号的瞬时相位特征,获得变换域的表征信号,将其作为卷积神经网络的输入,实现雷达辐射源信号的快速识别。针对瞬时相位特征对于信噪比敏感的特点,采用主成分分析方法对信号特征域进行降噪处理,提升模型对噪声的稳健性。通过仿真实验验证了所提出方法在不同信噪比下对7种调制信号类型的识别性能,通过理论分析及不同方法的实验对比,验证了算法具有耗时较短、识别准确率较高、噪声稳健性好等优势,具有良好的工程实用性。     

月球表层采样样品智能确认方法

表层采样是月球采样探测的重要方式,样品智能确认有助于提升工作效率与复杂问题处理能力。结合月球表层采样铲挖工作过程,分析了铲挖过程中臂载相机图像的特点,模仿有人参与识别过程,提出了层次解耦的月球样品智能识别流程,利用深度学习方法构建了一类深度卷积识别网络,完整地描述了图像、特征、标记在网络中的正反传递关系,并在月球表层采样地面试验中进行了验证,结果表明该方法对不同光照、不同背景、不同过程、不同形态的样品,具有较好的泛化识别能力,误识别率优于8.1%,平均单幅识别时间约0.7 s。     

基于深度学习算法的极化合成孔径雷达通用分类器设计

地物分类是PolSAR(极化合成孔径雷达)的重要应用方向。传统算法需要基于特定数据人工选取特征和设计分类器,而深度学习算法能够自行从海量数据中提取层次化特征。在深度学习算法总结的基础上,结合深度学习和PolSAR大数据,提出了一种高效率、高精度的通用分类器设计方法。使用人工标记的数据训练CNN(深度卷积网络),自动化地进行特征学习和提取,并实现高精度的地物自动分类。在具有不同分辨率的机载和星载PolSAR数据上对通用分类器进行测试,都能快速、准确地分类。研究成果可快速将PolSAR数据转译为更直观的地物分类结果,对海量数据,特别是GF-3卫星PolSAR图像的利用有一定的辅助价值。     

基于低比特量化神经网络的红外目标识别方法及其FPGA实现

红外目标识别系统成为航空航天、无人驾驶等军事和民用领域中一项至关重要的技术。红外目标识别算法是红外目标检测识别系统中的核心之一。传统红外目标识别技术往往依赖人为的特征选择,无法对复杂困难的红外目标实现高效、准确的识别。本文提出了训练中反量化与通道级量化相结合的量化策略,有效减小量化误差对网络模型性能的影响。实验结果表明:本文提出的低比特量化算法在红外数据集上有着优异的表现。在硬件部署方面,本文提出了更加高效的卷积计算单元,提高了硬件资源的利用率,同时也达到了更高的峰值性能。最终,在PYNQ-Z2嵌入式现场可编程门阵列(FPGA)上进行验证,系统在150 MHz的时钟频率下达到了90.6 GOP/s的峰值吞吐率,其功耗为2.5 W。     

可适应多维度信息变化的智能星图识别方法

为了提高当视场发生变化以及星等误差较大时星图识别方法的鲁棒性,提出了一种可适应多维度信息变化的智能星图识别方法。首先,依次选取一个导航星作为主星,利用其它星距主星的角距信息和星等信息,并考虑视场轴向变化、星等误差、角距误差的影响,构建覆盖性较全的样本库;然后构建了一种可以综合利用角距和星等信息的卷积神经网络;最后进行了网络训练和仿真试验验证。本方法提高了对角距误差和星等误差的鲁棒性,且识别速度快、识别率高、星表容量小。仿真试验结果表明,该方法在星等误差为0. 2MV、角距误差为0. 04°和0. 06°时,识别率优于97%。     

基于改进式YOLOv2的红外图像目标识别方法

针对智能化导引头信息处理算法设计验证需求,本文对多类型目标、海陆空背景辐射特性数据进一步挖掘,提出引入深度学习算法应用于外场红外数据二次分析挖掘的方法。选择采集得到的包括车、船、无人机(UAVs)、客机等类型的红外数据,针对红外图像与可见光图像不同的成像特性,利用改进式YOLOv2红外目标检测与分类算法,融合多级特征,增加一个重组特征图,实现对红外弱小目标智能化快速分类研究,对提取的海量视频库中的目标红外辐射特征进行分类整理。     

卫星测控射频链路安全防护能力分析与设计

针对当前卫星测控射频链路面临的安全威胁,文章分析了不同测控体制的抗干扰能力,提出一种兼容直扩/扩跳频等多种体制的测控系统方案,采用多体制融合设计及基于窗函数的频域抗干扰算法,并在射频接收通道增加限幅器设计,在某遥感卫星的测控系统中应用,经过工程试验表明:此测控系统方案具备较高抗干扰能力和抗毁伤能力,可为其他有高抗干扰能力需求的卫星测控系统设计提供借鉴.     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的模型预测控制算法,满足航天工程低硬件需求,实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态,然后将控制过程中状态量用于3层3核卷积神经网络的训练,训练完成后,用该卷积神经网络代替模型预测对组合航天器进行控制,从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数,相比传统模型预测算法所需硬件计算时间降低约5倍,在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制,控制精度在10 -4 量级。     

基于CNN-LSTM神经网络的前视成像算法

雷达前视成像作为雷达成像领域的难点与重点,在自动驾驶、导航、精确制导等方面具有广阔的应用前景。传统的前视成像算法受限于天线孔径的宽度,无法实现高分辨率的成像,本文使用卷积神经网络（Convolutional Neural Networks, CNN）与长短期记忆（Long Short-Term Memory,LSTM）网络相结合实现前视成像中方位向的预测,首先介绍了扫描前视成像信号的类卷积模型及其病态性,利用脉冲压缩以及距离徙动校正对回波信号预处理,输入CNN-LSTM神经网络逐距离单元进行方位向估计。仿真结果表明：算法能有效提高前视成像的方位分辨率,实现前视成像的超分辨。     

模糊神经网络应用于数据融合中实现目标的身份识别

结合“情报侦察与数据融合专家系统”的需求 ,对基于产生式规则的模糊知识表示和推理、神经网络的结构和机理进行了研究 ,提出了将模糊规则与神经网络相结合 ,实现一种新的推理方法。在此基础上 ,实现了一种将模糊规则转化为神经网络的算法以及神经网络的学习算法 ,并具体讨论了这种新的推理方法在“情报侦察与数据融合专家系统”中实现飞机的身份识别的应用。实验证明这种网络结构巧妙地将模糊集理论和神经网络结合起来 ,充分利用了两者各自的优势 ,最终达到了对目标身份识别的效果