基于最小熵约束的可解释卷积神经网络

导弹武器系统上的光学探测算法要求具备高可靠性,卷积神经网络属于"黑盒"模型,本文提出一种基于最小熵约束的可解释卷积神经网络,为卷积神经网络模型在导弹武器系统上的应用创造条件.该方法通过传统方法(连通域检测、边缘检测等)找到图片中存在可解释特征,通过模型对可解释特征进行评分,聚类,并通过这些特征对原模型训练提供约束,在最终预测的同时,通过评分对模型给出解释.经实验验证,该方法能够在尽量保证模型分类性能的前提下,极大提高模型的可解释性.     

基于遗传算法的重定位容错方法的研究

随着网络成为人们获取信息的主要工具,人们对网络可靠性的要求也越来越高。针对网络中的结点出现故障而影响网络传输效率和可靠性问题,进行了基于遗传算法的重定位容错方法的研究。首先,描述了树型网络结构,根据网络组件的开销提出了网络代价目标函数。其次,阐述了遗传算法最小代价路径的搜索过程,提出了基于遗传算法的重定位容错方法。最后,通过仿真实验验证了重定位容错方法在路径搜索中的有效性。这样既缩短了路径搜索时间,又提高了网络传输信息的可靠性。     

用于聚束SAR成像的非迭代高质量相位梯度自聚焦（QPGA）算法

相位梯度自聚焦（PGA）方法对多种成像情况和相位误差函数都具有稳健性，但要其收敛通常需要进行4－6次迭代。为了收敛于杂波干扰中的显著散射体上，同时能充分地获取模糊函数，必须进行迭代。在本文中，我们提出用选择性地增大高质量同步源集合的方法来加速估计收敛，且不受SAR图像的距离像素的限制。这是非常可能的，因为每个距离单元中都含有一个以上的、横跨积累孔径的显著散射体。使在一个距离门中所选择出的次最亮的散射体的能量（比另一个距离门中最大亮度散射体）更高也是很可能的。由于采用恰当的目标滤波方法对从大的散射体集合中选择出的高质量散射体进行滤波，且采用了更高阶的相位误差测量工具，新算法在不进行迭代的情况下就获得近收敛的聚焦质量。我们把这种解决方案叫作高质量PGA（QPGA）算法。     

一种基于模糊遗传算法的图像分块恢复方法

针对遗传算法进行图像恢复时运算复杂度高的问题,提出一种基于模糊遗传算法的图像分块恢复方法。将大尺寸的灰度退化图像均匀划分为若干子图块,对各子图块依次采用遗传算法进行恢复,并将其直方图统计数据输入模糊逻辑控制器自适应地调整适应度函数的参数、适应度拉伸时的退火初始温度、交叉概率和变异概率,最后将恢复后的子图块重组为整幅图像并对因分块所造成的边界噪声进行相应处理。仿真结果表明,该方法可有效降低遗传算法进行图像恢复的复杂度,恢复图像的质量也较维纳滤波法和传统遗传算法有明显提高。     

一种基于遗传算法的编队队形重构优化方法

针对卫星编队队形重构问题,提出了一种满足星间安全距离约束的燃料优化队形机动     

同步误差条件下的空间目标双基地ISAR自聚焦算法

以空间目标为研究对象,针对双基地雷达时间、空间及频率同步误差导致的逆合成孔径雷达图像散焦问题,提出基于离散多项式相位变换的自聚焦算法。算法首先将目标平动、转动及同步误差导致的相位项统一建模为高阶多项式,利用离散多项式相位变换方法估计高阶多项式系数并据此构建补偿相位项,完成高阶相位补偿。最后进行方位压缩得到高聚焦度的二维ISAR像。算法通过选取合适的延时参数及成像积累时间可得到高精度参数估计及相位补偿,理论分析和仿真校验了算法性能优于常用的非参数化自聚焦算法。     

用于ISAR动目标成像的鲁棒自聚焦算法

对逆合成孔径雷达（ISAR）动目标成像的运动补偿提出了一种鲁棒的自焦算法，称为AUTOCLEAN。该方法是基于非常灵活的数据模型的一种参量算法，其数据模型考虑了由无用的目标径向运动以及传播或系统不稳定性引起的合成孔径时间内任意距离徙动和任意相位误差，AUTOCLEAN可被归类成一种多散射体的算法（MSA），但它与其他现存的MSA在好几个方面都有很大的不同：1）在二维（2－D）图像域内可自动选择强散体；2）散射体不必很好地隔离或者非常地强；3）以最优方式将所选的各散射体的相位和RCS（雷达横堆截面）信息加以综合；4）避免了麻烦的相位展开步骤，AUTOCLEAN在计算上很有效并只包括一系列FFT（快速傅里叶变换），AUTOCLEAN的另一个良好的特性是假定目标有大量的强散射体，其性能也可渐进地得以提高，数字和实验结果表明AUTOCLEAN是ISAR成像非常稳健的自动聚焦方法。     

一种基于遗传算法的加权子空间求解法

遗传算法是模拟生物进化过程的计算模型,是一种新的全局优化搜索算法,将其应用于加权子空间拟合技术的求解过程中,可以减少计算量,加快搜索速度.仿真试验验证了这种解决方法的有效性.     

一种基于最小欧氏空间距离的PN码相位差估计方法

文章提出了一种基于最小欧氏空间距离的估计本地PN码和接收信号PN码相位差的方法。该方法采用数字的方法,能够在极低信噪比下,通过对相关峰值的处理,得到相位差的准确估计,特别能够在估计的相差范围、精度与运算复杂度之间根据实际需要折中选择。文章阐述了其基本原理并给出了进一步降低运算复杂度的途径,给出了仿真结果,仿真了其抗噪声性能。该方法可以应用在PN码同步跟踪的各种环路中。     

一种自适应各向异性的SAR图像去噪算法

为了在抑制噪声时尽可能保留图像边缘信息,提出一种自适应各向异性SAR图像去噪算法。该方法设计一组具有不同尺度和方向的滤波器模板,针对不同图像边缘的局部特征计算出滤波器的尺度和方向,选择最优匹配的各向异性滤波器,从而可以在抑制噪声的同时很好地保留边缘。仿真实验表明,提出的自适应各向异性SAR图像去噪算法具有很强的噪声抑制和边缘保持能力,并且具有较高的实效性。     

对合成孔径雷达的移频干扰研究

从分析脉冲压缩信号时延和频移的耦合特性出发，推导了移频干扰对采用脉冲压缩信号体制的合成孔径雷达（SAR）的干扰输出形式，研究表明移频干扰的移频量与合成孔径雷达方位向处理的多普勒带宽无关，但只能形成点目标或线目标干扰。为此，提出了两种改进的移频干扰新样式——随机移频干扰和步进移频干扰。改进的移频干扰样式能够形成一个干扰区域，克服了固定移频干扰不能掩护分布目标的不足。理论分析和仿真表明，改进的移频干扰样式可掩护分布目标，由于可获得一维和二维信号处理增益，干扰效果优于噪声干扰。     

对合成孔径雷达的步进移频干扰

为了使压制干扰获得更多的SAR匹配处理增益,从而进一步降低干扰功率,提出了一种脉内脉间二维部分相干干扰：步进移频干扰。该干扰在保留信号脉内脉间相位特性的同时,让干扰载频在脉间步进递增或递减变化,人为产生距离向和方位向的耦合效应。理论分析和仿真实验表明,该干扰可同时获得SAR在距离向和方位向的部分匹配处理增益,因而降低了干扰功率需求。此外,该干扰的SAR成像输出为一个干扰区域,无需复杂的复合调制即可作为压制干扰掩护分布式目标,干扰实施简单,是一种有效的SAR压制干扰方式。
     

星载SAR的多普勒中心频率估计的新探索

本文对几种经典的多普勒中心频率估计算法的从滤波的角度加以分析，分析了符号相关算法的实质，并提出一种了简单适用的非线性滤波方法，对雷达回波方位功率谱周期图进行平滑，在满足成象要求下，可以快速估计出多普勒中心频率。     

波束跃度对星载方位向扫描模式SAR图像质量的影响

针对星载方位向扫描模式合成孔径雷达(Synthetic Aperture Radar,SAR)系统中天线无法实现连续扫描而引入成对回波的问题,提出了波束跃度对SAR成像质量影响的定量化分析方法。提出了一种广义的SAR成像几何模型,以模式因子区分不同的方位向扫描模式;结合傅里叶级数和泰勒级数展开推导了波束跃度下的方位向天线方向图,在此基础上建立了方位向回波信号模型;得到成对回波幅度和位置与波束跃度的定量关系,着重比较分析了波束跃度对不同方位向扫描模式SAR图像质量的影响。仿真结果验证了上述分析方法的有效性。     

一种基于DPCA的星载SAR运动目标检测方法

文中研究星载条件下用DPCA检测地面慢速运动目标的SAR-GMTI技术,提出一种对杂渡抑制以后的原 始数据应用Radon变换来检测运动目标的新方法。与基于图像域的DPCA运动目标检测方法相比,该方法不需要方位 压缩,因而减小了计算负荷,但没有损失目标检测性能。此外,该方法更加清楚地显示出杂波对目标参数估计的影响,可 为进一步研究提供思路。仿真结果证明这种方法的正确性和有效性。     

对新型SAR欺骗干扰效果的评估方法

欺骗干扰效果评估是SAR对抗领域的热点和难点问题。基于新型欺骗干扰的特点,给出欺骗度和压制度的表征方式,并提出一种将欺骗度和压制度相结合的综合评估方法。该方法不仅可利用干扰前后目标轮廓特征的变化描述欺骗干扰逼真度,而且根据图像ROI压制度的分析实现对欺骗度的验证,并结合人工决策模式得到了干扰样式优选的判决条件。实验结果表明,这种评估方法不仅能够有效地对新型欺骗干扰的对抗效果作出评价,而且引入了一定的信息反馈机制,使得评估结论的针对性更强,可靠性更高。     

基于通道剪枝的SAR图像舰船检测优化算法

近几年,随着深度学习的发展,基于深度学习的目标检测算法开始应用于合成孔径雷达(SAR)图像中的舰船检测。但深度学习模型结构复杂,参数量与计算量巨大,无法应用到星载处理器的实时处理中。本文提出一种结合了Faster-RCNN和卷积通道剪枝的舰船检测方法,在保证检测精度不受较大影响的情况下,剪除卷积层中的部分参数,提高检测效率。实验表明:经过剪枝优化的Faster-RCNN舰船检测模型中的参数量降低了约56%,而推理时间减少了约51%,同时精度下降仅有1.9%。这给未来在星载处理器上部署舰船检测算法提供了新的思路。     

"预先"进化遗传算法研究

遗传算法在对单目标函数的静态寻优中表现出了良好的收敛性和鲁棒性。但是在优化目标动态变化,要求很快给出优化结果时,由于遗传算法运行时间较长,就难以实现。本文提出的“预先进化遗传算法”,就是为了使遗传算法具有动态性能,能够适应优化目标的动态变化,提高寻优的实时性。算法主要思路是借助于并行计算技术、在确定优化目标(决策)过程中就对可能的多个优化目标函数的优良个体进行培养。一旦优化目标确定,在预先培养的优良个体的基础上可以快速寻优。这样就使遗传算法能够适用于优化目标可变的动态环境。文中描述了“预先”进化遗传算法的实现算法,并证明了算法的有效性。最后对算法进行了验证。通过实例可以看出,采用传统遗传算法,单目标函数优化一般要迭代300次,才能够得到较理想的优化结果。而“预先”进化遗传算法经过150次左右的多个目标同时预先进化后,对具体目标的进化只需要50次左右就收敛到较理想的数值。由于预先进化是与决策具体的优化目标同时进行,因此可以实现优化目标确定后的快速寻优。     

基于可进化硬件的容错技术及其原理

可进化硬件容错技术是一种模仿生物进化过程的容错方法,现已成为世界各国容错计算技术领域新的研究方向。可进化硬件不是采用传统的静态冗余技术,而是利用其本身固有的特性实现容错。重点论述可进化硬件技术的2个基本要素,并分析其实现容错的原理。