星上遥感影像在轨处理进展研究

从星地数传、高时敏任务等对星上遥感影像在轨处理的需求出发,本文对美国、欧洲以及国内主要的星上遥感影像在轨处理进展进行了研究;以此为基础,结合星上遥感影像在轨处理框架与深度学习等智能处理技术,分析了高性能星上智能处理平台构建、基于深度学习的遥感影像在轨智能处理、多源遥感影像数据在轨融合处理、星地协同数据处理及在轨更新等星上遥感影像在轨处理关键技术;最后,对星上遥感影像在轨处理未来发展趋势进行了总结,为进一步提升遥感卫星在轨应用效能提供参考。     

深度学习模型的可解释性及其在医学影像分析应用中的研究进展

深度学习模型作为机器学习的分支之一,被广泛应用于以医学影像分析为代表的图像识别领域。其优势在于不依赖人为标注,模型训练过程中计算机能够识别和处理人为遗漏的特征信息,从而达到甚至超过人类处理的准确性。基于深度模型中未知的数据处理过程所带来的可解释性普遍缺失的问题,现有解决方式主要包括建立内在解释性、注意力机制解释特定模型以及以LIME为代表的不可知模型解释等。对可解释性进行量化评估的方式仍在探索,特别是在医学决策相关模型中针对医生和患者双方的解释性评估中已经提出了一些可供参考的量表。当下对深度学习模型在医学影像中的应用研究普遍更关注准确性而非可解释性,导致可解释性缺乏,进而阻碍深度学习模型的临床实际应用。如何平衡准确性和可解释性以开发令医患双方能够信服的深度学习模型将成为业界未来的研究重点。     

基于交互融合的高精度图像融合算法的研究

针对可见光和SAR图像融合,提出了一种基于跨模态差分感知和注意力机制的交互融合（TDPAM Fusion）算法,能有效保留可见光图像中的纹理结构和SAR图像的细节信息。首先,采用跨模态差分感知融合（Cross-Modal Differential Perception Fusion, CMDAF）模块提取图像的互补信息,避免真值缺失并提高融合精度。其次,通过坐标注意力机制（Coordinate Attention,CA）提高特征提取的准确性和效率,增强语义信息的集成。最后通过交互融合算法（Interactive Fusion Module,IFM）将特征自适应融合。设计了相应的大型基准数据集,用于网络模型的训练和测试。实验结果表明：TDPAM Fusion融合算法可以获得包含清晰SAR信息的高质量可见光图像。此外,融合算法将互信息（Mutual Information,MI）、空间频率（Spatial Frequency,SF）、视觉保真度（Visual Fidelity,VIF）和相关系数（Correlation Coefficient,CC）等关键指标,分别提高了约6.41%、10...     

面向体系对抗的电磁环境模拟技术研究

电磁环境模拟技术广泛应用于装备论证、研制、试验、演习等专业领域中.针对未来体系对抗的研究需求,从近年来的模拟实践出发,重新剖析了当前模拟技术的研究差距,归纳了存在的共性问题.在已有的模拟技术体系基础上,构想了总体目标愿景,提出了一种新的思路,即采用"深度强化学习+云边结合"的技术框架来开展体系对抗背景下的电磁环境模拟技...     

通信信号智能调制识别对抗攻击研究

基于深度学习技术的通信信号调制识别算法由于其优秀的特征提取能力,极大地提升了调制识别任务的精度,但是对抗样本特性的存在,导致基于深度学习的调制识别模型的安全性受到了极大威胁,通过在训练好的调制识别网络中添加设计好的特定微小扰动,就可以使得调制识别模型完全失效。研究了基于深度学习的调制识别模型及其对抗样本攻击方法,提出一种基于快速梯度符号法的定向扰动生成方法,该方法在扰动和原始信号功率比为-21 dB的条件下,针对11类常见的不同调制种类的通信信号生成扰动,实现对通信信号调制识别模型的定向攻击,为智能调制识别模型的攻防对抗提供参考。     

基于优势行动-评论的雷达自主干扰决策方法

随着认知电子战技术的不断发展,传统雷达干扰决策方法效率低、准确性差等缺点日益凸显。为解决该问题,提出了一种基于优势行动-评论（A2C）的雷达自主干扰决策方法。该方法以A2C强化学习算法为基础构建干扰决策智能体,智能体通过观察环境状态并不断与敌方雷达进行交互以学习自身的干扰策略,最终实时给出有效的干扰决策。最后通过仿真实验对比分析了Deep Q Network (DQN)算法和A2C算法在实时性和准确率等方面的优劣。仿真结果表明,A2C算法具有在未知环境下的干扰策略快速学习和决策的能力,可有效支撑认知电子战背景下的干扰策略选择。     

面向天地融合网络的无线资源智能分配方法

为满足天地融合网络全时、全域通信需求,采用认知无线电技术可实现有限频谱资源的感知与高效利用,有效缓解同频干扰问题。文章提出了一种用于天地一体认知网络的信道选择和功率调整的无线资源智能分配方法,在保证主用户服务质量的前提下最大化系统数据速率。首先,将天地融合网络建模为异质图结构,通过用户距离估计信道状态信息,并且利用图卷积网络提取和分析关键环境特征。其次,采用深度强化学习探索底层拓扑环境信息,通过试错与奖惩机制不断优化资源分配策略。仿真结果验证了所提方法的收敛性,并且证明系统数据速率能够得到显著提升。     

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。     

基于改进优先经验回放的SAC算法路径规划

为解决智能体在复杂环境下的路径规划问题,提出一种基于改进优先经验回放方法的在线异策略深度强化学习算法模型.该模型采用柔性动作评价算法,通过设计智能体的状态空间、动作空间及奖励函数等实现智能体无碰撞路径规划;利用样本状态优先度与TD误差构建的样本混合优先度的离散度计算样本采样概率,进一步提出基于改进优先经验回放方法的柔性动作评价算法,提高模型学习效率.仿真实验结果验证了提出的改进柔性动作评价算法在各个参数配合下的有效性及改进优先经验回放方法在连续控制任务中模型学习效率的优越性.