基于ICEEMDAN-SSA-Wavelet的声发射信号降噪研究

针对粘接件声发射(AE)信号含有噪声分量难以滤除的问题,提出一种改进ICEEMDAN的方法。该方法首先使用ICEEMDAN分解原始AE信号,并通过相关系数和能量差值的方法筛选出低频分量和高频分量;运用麻雀优化算法(SSA)优化后的改进小波阈值去噪算法对其进行去噪;最后将保留的低频分量和去噪后的高频分量重构成一个新的信号,通过实验数据对比和分析评估降噪效果。实验结果表明,相较于改进小波阈值去噪和ICEEMDAN去噪,文中提出的方法对金属与非金属粘接件AE信号的降噪效果更好,能够保护原始信号的频域信息,进而提高脱粘检测精度。

基于SSL-DDPM的脑电疲劳状态检测方法

疲劳检测对日常生活是至关重要的,尤其对于驾驶领域。基于脑电(EEG)信号的疲劳驾驶检测已吸引了众多学者的关注,但由于高质量带标签的EEG样本稀少问题严重阻碍了疲劳检测领域的发展。因此,文中首次将自监督学习(SSL)与扩散模型(DDPM)相结合应用于EEG的疲劳检测研究中,提出一种基于SSL-DDPM的脑电疲劳状态检测方法。该方法分为预训练和下游任务两部分,预训练阶段中首先对原始信号进行DDPM扩增,然后以ResNeXt代替ResNet为骨干网络对扩增前后的EEG信号进行特征提取,最后对提取的特征进行信号重构。下游任务的网络以共享预训练网络参数为主,对扩增前后的信号进行疲劳检测。通过SEED数据集和Multi-channel数据集进行实验验证,最终分类准确率分别达到88.23%和86.14%,验证了文中疲劳状态检测方法的有效性。

基于DNN-HMM和RNN的维吾尔语语音识别

基于深层神经网络(DNN)的语音识别模型不仅在单个语言上表现出色,而且在多语言信息处理领域也表现出了优异的能力。随着语音数据量的增加,高斯混合模型(GMM)在有效提升大词汇量连续语音识别系统性能以及识别效果上被神经网络(NN)模型超越。文中采用Kaldi开源语音识别平台,结合RNN语言模型和DNN模型的三种损失函数,即最大互信息量(MMI)、最小贝叶斯风险(sMBR)和最小因素错误率(MPE),在维吾尔语语料库(THUYG-20公开语料库)测试数据上分别取得了16.73%,16.55%和15.95%的词错误率。相比高斯混合模型的词错误率分别降低了2.88%,3.06%和3.66%。深层神经网络在资源匮乏的少数民族语言以及多语言信息处理上有更强的能力。

融合金字塔卷积的U-Net肝脏与肝肿瘤分割网络

U-Net自诞生以来就在医学分割领域十分热门,尽管原生的U-Net在医学图像分割任务上已经有着非常不错的表现,但是在肝脏肝肿瘤分割任务上仍然有着改进空间。首先肝脏肝肿瘤分割任务中每张CT切片的肝脏和肝肿瘤的大小不一、形状各异,所以需要提取多尺度信息,而U-Net网络所有进行卷积操作的卷积核尺寸都是一样的,因此将金字塔卷积模块替换了传统卷积,以此达到提取多尺度信息的目的。由于有些切片中肝脏肝肿瘤和背景相比样本数量少得多,为此将交叉熵损失函数与Dice损失函数相结合来解决样本数量不平衡带来的问题。U-Net使用下采样操作,因此保证下采样时能保留更多有用的上下文信息至关重要,为此引入了CBAM注意力模块,它同时具备空间注意力和通道注意力。通过在LiTS2017数据集上的大量实验证明了提出模型的有效性。

一种可级联的多通道实时阵列信号处理系统设计

随着数字波束形成(DBF)体制雷达的集成度要求越来越高,分体式信号处理系统架构已经很难满足要求。为了解决此问题,文中提出一种可级联的多通道实时阵列信号处理系统。首先,在同一块阵列信号处理板上采用24路的模数转换器(ADC)、现场可编程逻辑门阵列(FPGA)、数字信号处理器(DSP)等芯片,实现多通道ADC采样、下变频、波束控制、数字波束形成、信号处理等功能;然后,通过高速GTH总线、系统同步、系统校准、多级流水等技术实现级联不同数量的阵列信号处理板,可应用于不同规模的DBF体制雷达。

基于PCA的EEG-fNIRS特征融合

运动想象脑-机接口(MI-BCI)可解码用户运动意图,它无需任何外部刺激就能产生指令,可以为无法自主运动患者提供一种额外交流通道,辅助或改善其生活方式,但目前还没有一个比较好的方法能对MI-BCI进行高效解码。脑电图(EEG)和功能近红外光谱(fNIRS)是目前一种无创的功能神经成像技术。在单个模式上,EEG的空间分辨率较差,而时间分辨率较高,相比之下,fNIRS提供了更好的空间分辨率,所以文中采用双模态的方式对MI信号进行解码。由于EEG和fNIRS是两种不同类型的信号,如何对两种信号进行融合是目前研究的重点和难点,文中首先对特征提取后的两种信号进行归一化处理,然后采用主成分分析(PCA)算法进行信号融合。实验招募了12名被试做抬左右腿的运动想象。结果表明单独使用EEG和fNIRS进行信号解码精度最高为73.8%,使用PCA对EEG-fNIRS的特征进行融合后分类精度实现了81.2%,提高了7.4%。实验结果证明提出的方法可以为未来的多模态在线BCI系统提供新的思路。

基于误差可控的转换变换心电信号去噪方法

针对心电信号在去除噪声时不可控误差引起的幅值和形态变形问题,提出一种基于误差可控的转换变换心电信号去噪方法。通过转换变换可以获取心电信号的低频分量和高频分量:通过对特征波形和高频噪声处设置不同的误差界可有效滤除高频噪声,并将特征波的重构误差控制在较小的范围内;对低频分量进行cubic插值可以获得更加光滑的基线漂移。从而可改善去噪引起的形态改变。在MIT-BIH数据库的心电图上进行实验,结果表明:提出的方法可以有效滤除基线漂移和高频噪声,同时特征波形的幅值和形状得到了很好的保持。与对比方法相比,去噪后心电信号的信噪比、均方根误差、归一化相关系数均得到改善。

无人机远程通信高密度集成电磁干扰抑制技术

在高密度集成电磁干扰环境中,为增强无人机远程通信的信息可靠性与有效性,文中研究无人机远程通信高密度集成电磁干扰抑制技术。估算无人机远程通信网络中高密度集成电磁干扰信号能量,并通过自适应波束形成实现电磁干扰抑制。在入射信号动态变化时,自适应调节权重系数,形成高密度集成电磁干扰信号抑制波束,并引入基于相位补偿的抗扰波束指向优化控制方法,来控制频率跳变对电磁干扰信号抗扰波束指向的负面影响,优化电磁干扰抑制效果。测试结果显示,使用此技术后,无人机远程通信网络的信息传输误比特率从0.1降为0.02,信息可靠性与有效性得到了提升。

采用混合融合方式的改进MV3D目标检测模型研究

针对3D目标检测精度低、在复杂工况下检测效果差的问题,利用图像和点云数据作为输入,引入深度补全增加点云前视图特征,并对MV3D目标检测模型进行改进,提出混合融合方式,将全局信息较多的图片特征拼接到融合完成后的点云特征中,最后再进行融合。文中所提出的混合融合方案兼顾了深度融合的特征又增加了全局的特征信息,利用DETR模块对原模型的非极大值抑制操作进行优化,使得模型轻量化。最后在KITTI数据集上对文中模型进行了实验分析,结果表明,所提出的模型可以实现复杂工况下的3D目标检测,且在精度上与原模型相比,在三种不同检测难度的工况下平均提升了7.19%。

基于注意力时间卷积的运动想象脑电分类方法

以运动想象为基础的脑机接口技术有助于运动障碍患者的康复,因而被广泛应用于康复医疗领域。针对目前脑电信号的信噪比导致深度学习方法在运动想象数据集上解码精度不高的问题,提出一种基于注意力时间卷积的运动想象脑电分类方法。首先利用深度卷积模块初步提取脑电信号中的时间与空间信息,采用多尺度卷积模块中三个不同大小的卷积块进一步提取MI-EEG(运动想象脑电)数据中整体和细节特征;再经过多头注意力模块突出数据中最有价值的特征,利用时间卷积网络提取高级时间特征;最后,经过全连接网络和softmax层输出分类结果。实验结果表明,在BCI竞赛IV-2b数据集上,所提模型对运动想象二分类任务的平均分类准确率达到了84.26%,与已有的基准模型相比,该方法的准确率有显著提高。

基于ECA和三分支卷积融合网络的脑电信号解码研究

基于运动想象脑电信号的脑机接口系统可以实现大脑和外部设备的交互,能够帮助残疾人控制辅助设备,提高他们的生活质量。然而,有限的脑电信号解码性能限制了脑机接口产业的大规模发展。文中提出一种基于高效通道注意力(ECA)和三分支卷积融合网络的ECA-TBCFNet模型用于基于脑电图的运动想象(MI-EEG)信号解码。ECA模块可自动捕捉脑电信号中的跨通道交互,三分支卷积融合网络能够多尺度地提取信号中的时空特征。ECA-TBCFNet模型在BCI竞赛IV-2a数据集上的四分类任务中取得了83.3%的准确率和0.78的kappa系数;此外,在Physionet MI-EEG数据集上两分类和四分类任务中,ECA-TBCFNet模型的准确率分别为87.87%和69.01%。结果表明,提出的ECA-TBCFNet模型可以有效提高运动想象脑电信号的识别准确率,并具有较高的鲁棒性。

基于奇异谱分析和改进ResNet的射频指纹识别方法

针对当前真实场景下远距离射频指纹识别难以准确提取特征且实时性较差的问题,提出一种基于奇异谱分析重构信号和改进残差神经网络的射频指纹识别的方法。首先,将采集到的信号进行奇异谱分析,根据贡献率大小对原始信号进行重构,随后通过STFT获得时频谱图作为神经网络的输入:其次,构建轻量级残差神经网络,加快模型收敛速度;然后,在轻量级网络的下采样过程中引入混合维度注意力机制,对网络中间的特征图进行重构,强调重要特征,抑制一般特征;最后,使用激活函数Leaky ReLU替换原有的ReLU,避免在负值区域的梯度永远为0,进而导致模型训练无法反向传播。使用公开数据集POWDER-4BS-Iqsample验证实验后的结果表明,所提方法仅需要训练10个epoch识别精度就能达到87%,在保证识别精度的前提下缩减了时间损耗。与多种经典模型和算法相比,所提方法更加兼具识别精度与实时性。

基于循环谱的去模糊调制识别算法

针对当前调制识别算法在低信噪比下识别率低和循环谱应用中由于部分信号谱图相似而性能下降的问题,提出基于二维循环谱灰度图的去模糊调制识别算法。针对谱图特征相似的信号构建了二维循环谱灰度图模板库,通过与模板库进行谱图匹配将信号分流成两部分:谱图相似信号和谱图可区分信号。在信号分流基础上提出差异化识别方法,针对谱图可区分信号,通过构建基于二维循环谱灰度图的卷积神经网络(CSG-Net)完成识别;针对谱图相似信号,借助多通道学习深度神经网络(MCLDNN)完成识别。实验结果表明,提出的算法综合了不同网络的优势,提升了网络整体的识别性能,在-10 dB信噪比时依然有接近70%的识别率。

基于双目系统的海面远距离测距研究

为适应未来无人船发展趋势,发现并定位海上远距离目标,采用YOLOV8和局部立体匹配方法,提出一种双目视觉远距离定位技术方案。首先对双目相机进行标定;然后采用YOLOV8算法对海上目标进行检测;进一步通过局部立体匹配,对两个相机检测目标进行局部特征提取和局部特征匹配;最后基于匹配结果,根据双目视觉原理计算所匹配目标的距离。实验结果表明:该技术方案对距离为100~300 m、300~500 m、500~700 m、700~900 m的目标测距平均精度分别为90%、84%、75%、60%,处理速度为20 PFS。与传统方法相比,所提方法直接聚焦海面目标,只对局部像素进行立体匹配,具有运行速度快、定位效果好的优势。

基于改进凸包算法的手势定位

文中主要介绍了手势分割、手势轮廓、手势凸包、凸包缺陷、指尖定位与手势跟踪,并基于此架构实现对键盘鼠标的模拟。将图像由RGB模型转化为HSV模型后,再通过HSV利用肤色阈值对人手进行分割,从而获得手势轮廓凸包。通过三角形原理计算出指尖与凸包缺陷,解决了手势水平状态下凸包缺陷无法定位的问题。采用单目视觉下的手势跟踪算法进行指尖定位初始化跟踪目标,实现无监督的Camshift实时手势跟踪。实验结果表明,在光照良好的条件下,对键盘模拟的准确率高达90%以上。

基于原子范数的非均匀阵列到达角估计

在雷达系统中,天线阵列至关重要。非均匀阵列能减少天线阵元使用,带来更高的自由度,但由于其阵元位置不规则排布在到达角(DOA)估计、空间频谱计算等方面存在难题,难以满足雷达目标跟踪、声源估计等场景中高精度和快速DOA估计的需求。针对该问题,文中在ℓ_(0)原子范数的基础上提出基于Circle混沌映射的并行无网格DOA估计算法。该算法通过并行处理目标函数的同时进行群体寻优,引入自适应策略进行模型精英学习和状态评估,随后增加变异算子实现全局最优解寻找,从而实现了非均匀阵列信号快速DOA估计。仿真验证表明,相对于常见DOA估计算法,该算法可以获得较小的均方根误差(RMSE),同时实现更精确的角度估计和更少的计算复杂度。

基于RFID的轻量化的动作识别方法

针对基于射频识别(RFID)的相位(Phase)信号的动作识别技术识别精度不高或不够轻量化等问题,提出基于RFID的轻量化的动作识别方法。该方法通过格拉姆矩阵将一维数据转化为二维图像,将Phase转换为格拉姆角场作为改进的MobileNet网络输入,通过格拉姆角场图像所拥有的高阶信号描述能力表现更多的几何性质和内在数据结构,在减小异常数据对识别效果影响的同时提高识别性能并充分利用网络。同时,将坐标注意力机制融合压缩激励机制,获取相位信号中更丰富的上下文信息使模型更好地定位和识别目标,同时在保证不影响识别精度的情况下重新构建网络,减少模型参数以及所需计算量。该方法与传统MobileNet相比,模型参数量仅为原模型的12.9%,同时识别率提高2.34%,每秒浮点运算次数也优于原模型。实验结果表明,该模型各个指标都表现出更优的实验结果,能够完成动作识别的相关要求。

相位模糊下基于软判决的卷积码识别方法

QPSK数据流通常具有相位模糊的问题,传统方法常采用卷积码遍历识别码字起始位置的译码算法,这将导致算法计算量大、资源占用高等诸多问题。因此,提出一种基于软判决的卷积码起始位置识别与QPSK相位模糊消除的译码方法,以有效提升译码算法性能。首先,推导了卷积码编码序列与校验矩阵之间的数学表达式,明晰了卷积码码字起始位置与相位模糊的逻辑关系;然后,求解CCSDS标准卷积码的校验矩阵,以方程成立的概率作为判决的度量,该方法适用于各种码率的删除卷积码,具有工程实用性;最后,通过仿真分析验证了所提出方法的有效性。研究表明该方法无需遍历卷积码的码字起始位置和相位模糊,且鲁棒性较强,所需数据量较小,随着数据量的增大和卷积码码率的降低,识别准确率逐渐提高。

多目标智能优化的运输机群装载方案生成方法

运输机群装载方案制定是影响大规模航空运输任务成功实施的重要环节和核心要素。围绕异型、多架运输机的多样化物资装载规划需求,以安全、高效、经济性为装载规划目标,并以起飞重量、货舱尺寸、重心包线、舱段几何结构、舱段结构强度限制等实际限制条件为约束,建立了灵活、通用的多目标多约束装载规划数学模型;随后,围绕求解精度和规划速度的现实需求,提出多目标智能优化的运输机群装载方案生成算法,其内部嵌入了一个两阶段分步优化的种群搜索策略,在保证优化准确性的同时提升了方案生成速度;最后,通过想定多样化、多机型航空运输装载规划任务,并对比其他智能优化算法,结果表明,新方法所需架次少、规划效率高,具有很好的应用前景。

水下声传感器网络联合同步和定位方法

水下传感器网络(UASNs)在海洋监测、资源勘探、灾害预防和海洋学数据收集等方面的广泛应用,引起了学术和工业研究人员的极大关注。在这些服务中,节点的准确定位是水下声传感器网络的研究重点之一。然而,在实际的水下环境中,传播速度随深度变化(即分层效应)和异步时钟的存在均会显著影响测距的精度,从而降低定位性能。针对以上特性,文中设计一种基于自主水下航行器(AUV)辅助的水下声传感器网络联合同步和定位方法。在开始定位流程后,目标节点通过接收AUV发出的信标信号建立水声传播方程并进行相对距离的估计,其中考虑了异步时钟问题和分层效应引起的水声弯曲效应问题,实现了对目标节点位置和时钟的联合估计。仿真结果验证了所提方法的有效性和可行性。