基于深度强化学习与扩展卡尔曼滤波相结合的交通信号灯配时方法

深度Q学习网络(DQN)因具有强大的感知能力和决策能力而成为解决交通信号灯配时问题的有效方法，然而外部环境扰动和内部参数波动等原因导致的参数不确定性问题限制了其在交通信号灯配时系统领域的进一步发展。基于此，提出了一种DQN与扩展卡尔曼滤波(EKF)相结合(DQN-EKF)的交通信号灯配时方法。以估计网络的不确定性参数值作为状态变量，包含不确定性参数的目标网络值作为观测变量，结合过程噪声、包含不确定性参数的估计网络值和系统观测噪声构造EKF系统方程，通过EKF的迭代更新求解，得到DQN模型中的最优真实参数估计值，解决DQN模型中的参数不确定性问题。实验结果表明:DQN-EKF配时方法适用于不同的交通环境，并能够有效提高车辆的通行效率。      

基于滑动截获和信号相关的对流层散射频谱感知

为提高对流层散射频谱感知的性能，提出了适应对流层散射多径衰落信道的频谱感知方案。针对对流层散射频谱感知性能低下的问题，在分集接收的基础上，分析对流层散射信道的时域扩散特性，提出滑动截获的方式截获信号，计算其最佳截获长度。同时，为降低噪声对检测性能的影响，利用信号的相关性，求出各截获窗内信号的相关矩阵，构造统计量，分别推导在Nakagami-m衰落信道模型下不同分集数时的检测概率和检测门限。通过仿真实验分析，验证在不同条件下所提频谱感知算法的性能，与传统算法相比，所提算法在对流层散射信道中适应性更好、性能更强。     

采用局部约束线性编码的像素级舰船目标图像融合

为了提升视觉信息在低能见度条件下的适用性,提出了一种采用局部约束线性编码的像素级舰船目标图像融合方法.首先,采用K均值奇异值分解算法从海量的训练样本中完成过完备字典的学习.其次,在考虑着舰导引实时性任务需求的前提下,采用局部约束线性编码完成融合系数的非迭代求解,相较于压缩感知理论架构下的匹配追踪算法,极大地降低了计算复...     

适用于通信信号盲源分离的 分离条件数学建模方法研究

针对使用盲源分离技术分离卫星通信信号的数学假设工程实施问题,重点对分离条件中的数学假设混合矩阵列满秩展开研究。根据最优化理论,提出了一种适用于通信信号盲源分离的分离条件数学建模方法。首先,介绍了盲源分离的分离模型与基本假设;其次,选择矩阵条件数来衡量混合矩阵的正定性,并结合阵列天线接收模型,以矩阵条件数为目标函数,建立最优化模型,寻找最优天线间距;最后,以两个信号源、两个接收天线为例进行仿真。仿真结果表明：所建立的优化模型可以有效找到最优天线间距,通过设计合适的天线间距可以有效满足混合矩阵列满秩条件。最优天线间距与载波频率成反比。该建模方法有效将抽象的数学假设转化为具体的天线间距设计,加强了盲源分离技术的可实施性,为大规模的盲源分离天线阵列设计提供技术支撑。     

基于视听融合的宽频带振动频谱提取（英文）

提取振动频谱对于旋转机械的故障诊断至关重要。环境和噪声的多样化限制了传统单模态振动提取方法的性能。由于视听信号具有不同的采样频率、噪声和环境限制，视听融合算法可以有效解决单一模态存在的问题。基于此，文中提出了一种基于视听融合深度卷积神经网络的宽带频谱提取方法，该方法充分融合了不同模态的有效信息。该模型基于双流编码器从不同的模态中提取特征，使用深度残差融合模块提取高级融合特征并输出给解码器。实验结果表明，该模型的表现优于最新的振动提取方法，如Reg Net, MFCNN及L2L等，噪声环境下的振动频谱提取准确率提高15%。     

基于Bi-LSTM及贝叶斯似然比检验的GEO与LEO卫星组合频谱感知

目前的频谱感知算法以模型驱动为主，其感知性能过于依赖预定的统计模型，这使得其在信道环境复杂的卫星通信场景中的部署变得困难。对LEO卫星过境期间的信噪比波动情况进行分析，结果显示信噪比的波动达到14 dB。针对该复杂场景提出了一种基于双向长短期记忆网络及贝叶斯似然比检验联合的频谱感知算法。该算法不需要任何主信号的先验知识，可自动从主信号中学习隐藏特征并做出决策。基于Neyman-Pearson准则，在神经网络输出端设计了一种基于阈值的检测方案，可方便地控制恒定的虚警概率。仿真结果表明，所提算法在信噪比为–14 dB的情况下，仍能达到83%的检测性能，且始终优于卷积神经网络、多层感知机和基于模型驱动的能量检测算法。     

面向量化分块压缩感知的区域层次化预测编码

在量化分块压缩感知的预测编码中，低参考价值的候选者将导致较差的率失真性能。为了高效地降低编码失真，提出了一种基于螺旋逐块扫描的区域层次化预测编码方法。在以同一采样率进行观测后，各块按由内向外的扫描次序进行预测与量化。当前观测矢量从上下文感知候选集中选取与之具有最小误差的反量化矢量，作为其预测矢量；根据层次相关性，所有块被划分到3种区域之一，通过块编码模型为不同区域设定自适应的质量因子，关键区域被赋予较大的质量因子。与现有的预测编码方法相比，所提方法综合利用了矢量之间的空域相关性和层次相关性，实验结果获得了至少0.12 dB的率失真增益。