基于决策边界敏感性和小波变换的电磁信号调制智能识别对抗样本检测方法

深度学习在图像分类和分割、物体检测和追踪、医疗、翻译和语音识别等与人类相关的任务中取得了巨大的成功。它能够处理大量复杂的数据,并自动提取特征进行预测,因此可以更准确地预测结果。随着深度学习模型的不断发展,以及可获得的数据和计算能力的提高,这些应用的准确性不断提升。最近,深度学习也在电磁信号领域得到了广泛应用,例如利用神经网络根据信号的频域和时域特征对其进行分类。但神经网络容易受到对抗样本的干扰,这些对抗样本可以轻易欺骗神经网络,导致分类错误。因此,对抗样本的生成、检测和防护的研究变得尤为重要,这将促进深度学习在电磁信号领域和其他领域的发展。针对现阶段单一的检测方法的有效性不高的问题,提出了基于决策边界敏感性和小波变换重构的对抗样本检测方法。利用了对抗样本与正常样本对模型决策边界的敏感性差异来进行检测,接着针对第一检测阶段中未检测出的对抗样本,本文利用小波变换对样本进行重构,利用样本去噪前后在模型中的预测值差异来进行检测。本文在两种调制信号数据集上进行了实验分析,并与基线检测方法进行对比,此方法更优。这一研究的创新点在于综合考虑了模型决策边界的敏感性和小波变换的重构能力,通过巧妙的组合,提出了一种更为全面、精准的对抗样本检测方法。这为深度学习在电磁信号领域的稳健应用提供了新的思路和方法。

基于反障碍距离加权的复杂场景电磁频谱地图构建方法

针对复杂场景中存在电磁波不可穿透的障碍物导致电磁频谱地图(REMs)构建性能不佳、反距离加权(IDW)算法受限于插值邻域的人工选择等问题,该文提出一种基于Voronoi图的反障碍距离加权(VIODW)的复杂场景电磁频谱地图构建算法。该算法通过创建包含障碍物的Voronoi图,为每一个待插值点自适应选定插值邻域用于电磁频谱数据构建,并利用任意角度路径寻优(ANYA)算法计算得到待插值点与插值邻域内每个监测站点之间的障碍距离,最后以障碍距离的反幂次作为权重加权获得待插值点处的电磁频谱数据,实现高精度的复杂场景电磁频谱地图构建。理论分析和仿真结果表明,该方法具有良好的构建精度,能够准确拟合出电磁波在复杂场景中的功率分布情况,为复杂场景下电磁频谱地图高精度构建提供了一种有效方法。

S波段永磁式相对论磁控管设计及实验研究

对S波段永磁式全腔提取相对论磁控管进行了理论设计和数值模拟研究,并对其进行了实验研究。通过理论分析初步获取相对论磁控管结构参数,并采用三维电磁仿真软件对模型进行粒子仿真优化,根据引导磁场需求设计永磁磁场产生结构。该永磁式相对论磁控管在500 kV电压输入条件下,输出微波功率1.978 GW,效率49.2%。利用实验室小型脉冲功率驱动源平台开展了初步实验研究。实验中,该永磁式相对论磁控管在脉冲驱动源驱动下获得GW级输出功率,功率转换效率约40%,实验结果与模拟结果吻合得较好。

基于低秩张量完备的电磁大数据标注补全算法

全面、准确的电磁数据标注是电磁大数据智能分析的前提和基础。针对战场博弈强对抗条件下电磁感知数据存在的标注率低、标注信息错误冗余等问题,提出基于张量完备理论的标注补全方案。理论上,同一场景下的同一目标,利用不同感知平台观测提取的特征参数(如雷达脉冲参数)是相似(低秩)的,且在一段观测时间内的测量结果是分段连续光滑的。故跨平台接收的目标数据标注补全可以建模为基于低秩张量完备的特征复原模型,并引入全变分正则来刻画一段时间内特征参数的分段连续光滑属性。由于模型非凸,使用基于矩阵最大秩分解的非凸近似算法进行迭代求解。通过仿真数据以及雷达脉冲描述字实侦数据并对模型的性能进行测试。实验结果表明,所提方法在目标特征标注信息严重缺失的情况下能够很好地实现标注补全,同时具有一定的标注纠错功能。

基于仿真实验的智能并行训练方法

智能训练是利用机器学习算法对神经网络智能体模型进行训练优化的过程,智能体模型通过不断试错的训练方式实现智能提升。大规模训练数据是智能训练的必要条件,通常难以从现实世界中直接获取,如何通过仿真的方式生成大量有效的训练数据,是智能训练的重要研究方向。对此提出一种基于仿真实验的智能并行训练方法,利用仿真实验管理可快速生成批量仿真实验想定,并支持节点自动部署和运行,通过合理的训练架构设计和有效训练流程设计实现智能并行训练。通过实际案例展示了智能训练的仿真实验管理过程,并结合训练效果证明了给出的方法提高了智能训练效率和智能体泛化性。

基于稀疏空间采样的雷达阵列天线主波束指向估计

天线主波束指向代表了雷达的能量集中方向,其在电子对抗领域是一个十分重要的信息。当已知雷达天线的主波束指向时,可以避开目标雷达的探测或对其实施精准的电子干扰。基于雷达周围部署的少量观测点,构建噪声环境下的稀疏空间采样数学模型,并提出四种雷达阵列天线主波束指向的估计算法。蒙特卡洛仿真测试结果展示了所提算法在不同条件下的估计准确性。

行为科学新发展:网络化电磁辐射源组织行为学

随着近年来电磁辐射源向多功能综合、机器智能、组网协同等方向的快速发展,人类社会中的“组织行为学”在集群性组网的电磁辐射源中的扩展应用,成为电磁辐射源行为科学新的发展方向。对“网络化电磁辐射源组织行为学”这一新研究方向产生的背景、研究意义、研究内容与研究方法进行了详细的阐述,归纳总结了该学科的研究重点,并对其应用前景进行了展望。上述研究结果为该学科的后续建设与应用牵引奠定了重要基础。

融合深度学习的贝叶斯滤波综述

当前动态系统呈现大型化、复杂化的趋势,基于贝叶斯滤波的动态系统状态估计遇到一系列新的挑战.随着深度学习在特征提取与模式识别等方面的优势与潜力不断显现,深度学习与传统贝叶斯滤波相结合的研究也随之兴起.为此,梳理了不同领域融合深度学习的贝叶斯滤波方法的应用案例,从中剖析不同类型动态系统下贝叶斯滤波存在的局限性和共性难题.在此基础上,总结了当前贝叶斯滤波存在的几类不确定性问题,以深度学习的视角将这些问题归纳为特征提取和参数辨识两大基本问题,进而介绍深度学习为贝叶斯滤波所提供的解决方案.其次,归纳整理了两类深度学习与贝叶斯滤波结合的具体方法,着重介绍了深度卡尔曼滤波和融合深度学习的自适应卡尔曼滤波.最后,综合考虑深度学习方法和贝叶斯滤波方法的优势,讨论了融合深度学习的贝叶斯滤波方法的开放问题和未来研究方向.

星载测向系统的测向误差及其定位误差计算方法

针对星载测向系统可通过单次测向实现对地面/海面辐射源瞬时定位的特点,基于星载测向系统的定位模型,推导任意二维阵型的相位干涉仪测向误差表达式。分别从方位角与俯仰角以及空间夹角详细推导了单星测向定位误差公式,并结合球面约束推导单星直接定位的误差表达式。数值仿真表明,基于测向角度的定位误差计算方法结果逼近理论误差值,从而可基于任意二维测向阵型,快速评估卫星观测区域内的测向误差及其定位误差,而单星直接定位相较于测向定位,定位误差显著降低。

基于3D先验特征的人脸超分辨率重建算法

为有效解决复杂环境下人脸超分辨率特征恢复的问题,提出一种全新的人脸超分辨率网络.该网络通过融合3D渲染先验知识和双重注意力机制,增强了对人脸空间位置和整体结构的理解,同时提高了细节信息的恢复能力.在数据集CelebAMask-HQ上的实验结果表明:对放大4倍下采样的人脸,该算法在峰值信噪比和结构相似性上达到28.76 dB和0.827 5;对放大8倍下采样的人脸,峰值信噪比和结构相似性评价指标达到26.29 dB和0.754 9.与同类的SAM3D算法相比,该算法在处理放大4倍下采样时的峰值信噪比和结构相似性上分别提升了4.09,1.93个百分点,在处理放大8倍下采样时上述两个指标分别提升了2.02,4.54个百分点.从而证明该算法的优越性,也表明在实际应用中人脸的超分辨率恢复能获得更真实和清晰的视觉效果.

基于扩展标量衍射理论的多层衍射元件基底材料选择方法

基于扩展标量衍射理论(Extended Scalar Diffraction Theory,ESDT),建立了衍射光学元件(Diffractive Optical Element,DOE)的有效微结构高度、有效周期宽度、入射角度、基底材料与衍射效率之间的理论关系模型。提出了斜入射时,利用基于ESDT的DOE基底材料选择方法。以工作在MWIR-LWIR双波段的多层衍射光学元件(Multilayer Diffractive Optical Element,MLDOE)为例进行分析。结果表明:积分衍射效率(Polychromatic Integral Diffraction Efficiency,PIDE)不仅与MLDOE的微结构高度相关,同时受周期宽度、入射角及基底材料等因素的影响。对于基底材料组合AMTIR1-ZNS,在所有周期宽度下均能获得最小的衍射效率差值,而对于基底材料组合GE-ZNS,在所有周期宽度下均能获得最大的衍射效率差值。对比分析MWIR-LWIR双波段下ZNSE-ZNS和AMTIR1-ZNS两组基底材料组合PIDE>90%的角度范围,当周期宽度为500μm时,ZNSE-ZNS的入射角度范围为4.5°,而AMTIR1-ZNS的入射角度范围为5.4°,然而,随着周期宽度的增加,ZNSEZNS的入射角度范围反超了AMTIR1-ZNS。该设计方法和结论可以用于指导双波段红外光学系统中MLDOE的设计。

MOCVD生长的中红外高功率量子级联激光器

量子级联激光器(QCL)是中远红外波段的优质光源,具有体积小、重量轻、电光转化效率高等诸多优势,在传感、通信和国防等领域有重要的应用前景。金属有机物化学气相沉积(MOCVD)技术作为更高效的外延方式,应发展适用于QCL的MOCVD外延生长技术以满足快速增长的市场需求。本文报道了全结构由MOCVD技术外延的QCL,通过将传统的“双声子共振”有源区结构修订为“单声子共振结合连续态抽取”结构,减少了电子的热逃逸,改善了器件的温度特性。针对该结构,进一步改变了有源区的掺杂浓度,并对比了不同掺杂浓度对器件性能的影响。腔长8 mm、平均脊宽约6.7μm的较高掺杂有源区器件在20℃下连续输出功率达3.43 W,中心波长约4.6μm,电光转化效率达13.1%;8 mm腔长的较低掺杂有源区器件在20℃下连续输出功率达2.73 W,中心波长约4.5μm,阈值电流仅0.56 A,峰值电光转化效率达15.6%。器件的输出功率和电光转化效率较之前文献报道的MOCVD制备的QCL有明显提高。该结果表明,MOCVD完全具备生长高功率QCL的能力,这对推动QCL的技术进步具有重要意义。

基于随机有限集的多目标跟踪技术综述

随机有限集理论为多目标跟踪、多传感器融合和态势评估等问题提供了完整、统一的理论框架和解决方案。基于随机有限集的跟踪算法将多目标状态和量测建模为随机有限集,自然地引入航迹起始、终结机制,可实现目标数量和状态的同时估计。通过对随机有限集框架下的概率假设密度、带势概率假设密度、多目标多伯努利滤波器、扩展标签随机集滤波器和泊松多伯努利混合滤波器的研究进展进行详细梳理和综合对比,对基于随机有限集的多目标跟踪领域未来发展方向进行了分析和展望。

面向大气颗粒物干扰的图像清晰化算法研究与展望(特邀)

在恶劣天气条件下,大气中的颗粒物会造成图像失真,为光学成像应用带来挑战。图像去雾技术应运而生,成为了解决这一难题的关键。文中对近年来的去雾方法按照基于非物理模型、物理模型和深度学习的方法进行分类,并对每类方法中流行的去雾方法进行了阐述。非物理模型算法试图通过增强、融合等方式改善图像质量,但在复杂情境下表现不佳;物理模型算法通过对大气特性建模来复原图像,然而对气象条件的适应性仍有待提高;深度学习方法以其端到端的学习能力,为图像去雾带来了新的可能性,但面临数据和计算资源的挑战。通过对算法优缺点的比较,文中为未来去雾研究提供总结与帮助,预示着去雾技术在数字图像处理领域的重要性将不断增强。

基于微通道散热的板条激光放大器热仿真分析

众所周知,热效应是限制大功率高能量激光器发展的一大瓶颈,在高能激光产生的过程中伴随着大量的废热产生,影响高能量激光器的光束质量甚至会影响其正常工作。为了保证高能量激光器的稳定运作并研究其工作物质的散热过程中的热分布状态,本文建立了一种用于高能Zig Zag板条激光放大器的双端入水微通道散热模型,利用CFD模拟仿真软件在额定工况下对微通道与空腔热沉进行散热对比,还研究了模型的可变参量:通道高度、翅片厚度,以及水流量对于散热性能的影响。模拟研究发现本文提出的微通道热沉冷却效果优于全腔水冷效果,微通道热沉将晶体表面最高温差控制在4℃以内,表面温度也降低了32;同时在压降允许范围内优化通道参数能再将冷却效果提升10,实现增益介质分布式高效散热。

基于深度强化学习的多智能体角度跟踪方法设计

在智能态势感知应用场景中,多智能体角度跟踪问题常出现在需要对移动目标进行监测和控制的场景。与传统的目标跟踪方法不同,角度跟踪任务不仅需要追踪目标的空间坐标,还需确定目标间的相对角度。现有控制方法在处理这类规模较大且易受环境变化影响的问题时往往效果不稳定或性能降低。为此,提出一种基于多智能体强化学习(MARL)的解决方案,首先建立多智能体角度跟踪问题的基础模型,然后设计1个多层次的仿真决策框架并提出针对此问题适应性更强的多智能体强化学习算法AR-MAPPO,通过动态调整数据复用轮数以提升学习效率和模型稳定性。实验结果表明,该方法在多智能体角度跟踪任务中相比传统方法和其他强化学习方法具有更高的收敛效率和更优的角度跟踪性能。

面向小型载荷的宽带通信信号随机共振检测方法

随着人工智能等领域的飞速发展,无人机在各个领域,尤其是现代战争中发挥着越来越重要的作用。无人机凭借其强大的灵活性和高隐蔽性优势,对现代作战具有颠覆性影响。在无人机执行战场侦察、监视、通信、电子干扰、雷达诱骗、激光制导等任务的过程中,及时探测敌方辐射信号尤为重要。随机共振方法利用特定非线性系统可以使输入其中的信号与噪声在一定条件下产生协同作用的特点,将噪声的能量转移到信号中来放大信号,是常用的微弱信号检测方法之一。窄带信号的随机共振检测技术已趋于成熟。而对小型载荷无人机监视、通信等场景下的微弱宽带通信信号,现有随机共振检测方法直接采用窄带信号的时域能量检测方法,并未基于宽带信号特点设计专门的检测方法,低信噪比条件下检测性能受限。为了满足对微弱宽带通信信号的检测要求,本文以常用的宽带通信信号为研究对象,对于单通道接收场景,提出基于宽带信号局部频谱的随机共振信号检测方法,该方法与传统的随机共振信号检测方法相比性能提升约6 dB。其次,对于更低信噪比的情况,提出一种随机共振与互相关检测相结合的双通道协同检测方法,并提出基于随机共振后两路互相关系数最大化的系统参数优化准则。典型场景下的仿真分析表明,对于单通道接收的低信噪比微弱宽带通信信号,局部频谱法可以有效提升检测性能;对于更低信噪比宽带通信信号,采用随机共振处理后的双通道互相关检测可以进一步提升检测性能。

SAR ATR中标签噪声不确定性建模与纠正

深度监督学习在合成孔径雷达自动目标识别任务中的成功依赖于大量标签样本。但是,在大规模数据集中经常存在错误(噪声)标签,很大程度降低网络训练效果。该文提出一种基于损失曲线拟合的标签噪声不确定性建模和基于噪声不确定度的纠正方法:以损失曲线作为判别特征,应用无监督模糊聚类算法获得聚类中心和类别隶属度以建模各样本标签噪声不确定度;根据样本标签噪声不确定度将样本集划分为噪声标签样本集、正确标签样本集和模糊标签样本集,以加权训练损失方法分组处理训练集,指导分类网络训练实现纠正噪声标签。在MSTAR数据集上的实验证明,该文所提方法可处理数据集中混有不同比例标签噪声情况下的网络训练问题,有效纠正标签噪声。当训练数据集中标签噪声比例较小(40%)时,该文所提方法可纠正98.6%的标签噪声,并训练网络达到98.7%的分类精度。即使标签噪声比例很大(80%)时,该文方法仍可纠正87.8%的标签噪声,并训练网络达到82.3%的分类精度。

基于极大似然估计的非理想场景雷达信号分选算法

目前,已有研究针对理想条件下的雷达脉冲信号分选问题进行了详细阐述,但是缺乏杂散脉冲和缺失脉冲两种非理想情景下的模型表征。为解决这一问题,提出了一种基于极大似然估计的非理想场景雷达信号分选算法。该算法通过修正似然因子来表征杂散脉冲和缺失脉冲现象,提高在复杂场景下的分选准确率。当部分雷达先验信息已知时,所提算法模型具有更好的分选效果。仿真实验结果表明,与已有的极大似然模型和深度学习算法相比,所提算法在分选准确率上有显著提升,具有较高的应用价值。

一种面向多功能雷达搜索模式的识别算法

针对多功能雷达在多种搜索模式下波形参数趋同,传统的波形模板匹配识别误报率较高,无法有效辨识的问题,以承担预警监视的多功能机载雷达为典型,深入分析了该类雷达的三种搜索模式。利用融合后的多站侦察数据训练神经网络,并利用网络完成识别。仿真结果表明,所提出算法能够准确识别多功能雷达的三种搜索模式。