基于Raw I/Q和深度学习的射频指纹识别方法综述

硬件差异会形成辐射源的独有指纹,并附加在无线电信号上,利用辐射源的这一独特属性可进行射频指纹识别。在非合作条件下,由于信道环境未知、信号调制方案等先验知识匮乏,基于特征工程的射频指纹识别方法面临巨大挑战,而基于深度学习的射频指纹识别方法,尤其是能够直接处理Raw I/Q的方法表现出了很大潜力,但是该方向的研究成果较为零散,妨碍了研究者对关键问题的把握。该文首先从先验知识的利用上,对基于深度学习的射频指纹识别方法进行了分类对比,将问题聚焦到基于Raw I/Q和深度学习的射频指纹识别方法。然后,该文重点对使用Raw I/Q进行射频指纹识别的深度神经网络模型进行了分类和讨论,并对射频指纹识别相关的开源数据集、数据表示方法和数据增强方法进行了整理和归纳。最后,该文讨论了基于深度学习的射频指纹识别方法所面临的难题和值得关注的研究方向,以期对射频指纹识别的研究与应用有所帮助。

基于深度信念网络的命名实体识别

传统的命名实体识别方法是将大量手工制定的特征输入到统计学习模型中以实现对词语的标记,能够取得较好的效果,但其手工特征制定的方式增加了模型建立的难度。为了减轻传统方法中手工特征制定的工作量,首先对神经网络语言模型进行无监督训练以得到词语特征的分布式表示,然后将分布式的特征输入到深度信念网络中以发现词语的深层特征,最后进行命名实体识别。该方法在前人研究的基础上利用深度信念网络对神经网络语言模型进行了扩展,提出了一种可用于命名实体识别的深层架构。实验表明,在仅使用词特征和词性特征的条件下,该方法用于命名实体识别的性能略优于基于条件随机场模型的方法,具有一定的使用价值。

基于作战环和联合信息熵的体系作战效能评估方法

针对信息化条件下体系作战效能评估难的问题,首先借鉴作战环的建模思想将各作战要素抽象为节点,要素之间的关系抽象为信息链路边和对抗行动边,构建作战网络模型;然后基于信息熵量化节点和信息链路边的不确定性,基于联合熵量化对抗行动边的不确定性,在此基础上给出了体系作战效能评估的具体流程;最后以战斗机突防作战体系为例进行分析,验证了提出方法的可行性和合理性。

高维特征向量相似度计算方法研究

在机器学习、目标识别等诸多领域都会涉及到特征向量的有效识别问题,大多是通过与先期建立的模板特征向量库进行比对,因此高维特征向量的相似度计算就成为特征识别的关键。提出利用互信息熵的计算方法描述高维特征向量之间的“距离”,与传统的“欧氏距离”“相关系数”等方法相比较,不仅考虑了向量的长度信息,还考虑了角度信息,因此可以更进一步地描述高维向量彼此之间的差异,丰富高维特征向量相似度计算方法。

面向军事文本的命名实体识别

针对军事文本中的命名实体,提出一种基于条件随机场模型的半监督命名实体识别方法,旨在将人员军职军衔名、军事装备名、军用物资名、军事设施名、军事机构名(含部队番号)以及军用地名等军事命名实体的识别融合到一个统一的技术框架中。该方法针对军事文本的语法特点建立高效的特征集合,建立条件随机场模型对军事命名实体进行识别,并依次使用基于词典的方法和基于规则的方法对识别结果进行校正。实验表明,该方法在军事文本中能够出色地完成命名实体识别任务,在测试语料上的F-值最高达到90.9%,接近通用领域中命名实体识别的水平。

一种张量扩展的条件随机场模型及其在自然语言处理任务中的应用

传统的自然语言处理方法是将大量手工制定的特征输入到统计学习模型中,以完成文本的加工处理。条件随机场模型在多种自然语言处理任务中都取得了较好的效果,但手工特征制定的方式以及庞大的特征数量增加了模型建立的难度,降低了模型运算的速度,同时易使模型"过拟合"。为了解决上述问题,提出一种张量扩展的条件随机场模型,利用张量变换自动构建出复杂的特征,减少了手工特征制定的工作量,并使用Tucker分解算法加速模型,得到的模型可用于多种自然语言处理任务。实验表明,在提取相同基本特征的前提下,与传统的条件随机场模型相比,模型在多种自然语言处理任务中的性能都有所提高,具有一定的使用价值。

基于深度学习的电离层参数预测研究

对于电离层参数预测,通过长短期记忆(LSTM)的预测神经网络建模实现电离层参数的短期和日均值预测。使用逐点预测和序列预测2种方法,并采用多维预测和经验模态分解(EMD)算法优化,预测电离层参数的每小时和每天的变化规律。实验结果验证了所提优化算法在提高预测电离层参数预测精度上的可行性。

面向电磁大数据的未知雷达辐射源智能识别

基于人工智能的方法在雷达辐射源识别任务中已取得很好的效果。但随着电子信息技术的发展,将会出现越来越多的未知辐射源,其特征分布与类别都是未知的,在缺少先验知识的情况下,难以对人工智能模型进行充分的训练,使得现有的大多数方法都无法很好地完成对未知雷达辐射源的识别。为了解决上述问题,提出并阐述了可用于未知雷达辐射源识别的电磁大数据的解决方案,重点研究了基于Flink的未知雷达辐射源快速比对检索识别算法。通过对比实验证明了该方法的有效性,其识别准确率可达87.2%,当并行度设置为6时,整个互信息与K最近邻(MI-KNN)并行化算法耗时仅为4.7s。

基于元挖掘的数据归约工作流优化

传统的数据归约工作流是依靠领域专家进行选择而产生的,这种选择工作流的方法虽然可靠性高,但效率很低。针对这种情况,提出1种基于元挖掘的工作流优化方法。利用元挖掘的思想进行数据归约实验,产生元数据,用户可依据元数据进行数据归约工作,得到基于数据集特征的工作流优化选择规则。实验结果表明,该方法能够自动给用户推荐恰当的、适用性强的数据归约工作流,满足用户的期望并且提高数据归约任务的执行效能。

基于主被动波束成形联合优化的双RIS辅助抗干扰通信方法

针对双可重构智能表面(RIS)辅助的无线通信系统,提出了基于主被动波束成形联合优化的抗干扰通信方法。以接收信干噪比最大化为目标,构建主被动波束成形的联合优化问题。基于交替优化算法,将联合优化问题分解为3个子问题来迭代求解。通过半定松弛算法求解各RIS的近似最优被动反射向量;基于广义瑞利商求解基站的最优主动波束成形向量。仿真结果表明,所提方法优于传统的单RIS辅助抗干扰通信方法。

双可重构智能表面辅助的联合主被动干扰方法

提出布设双可重构智能表面(Reconfigurable Intelligent Surface,RIS),对非法通信系统实施联合主被动干扰。具体地,在干扰机侧布设一个RIS,以增强非法接收端接收的主动干扰信号功率;在非法发送端侧布设一个RIS,以减弱非法接收端接收的有用信号功率。在此基础上,以最小化非法通信系统的接收信干噪比为目标,构建双RIS反射系数矩阵的联合优化问题,并将此联合优化问题转化为两个单RIS反射系数矩阵的子优化问题。针对发送端侧RIS反射系数矩阵优化复杂度高的问题,设计快速算法求解。仿真结果表明,文中提出的双RIS辅助的联合主被动干扰方法性能明显优于基于单RIS的被动干扰方法、单RIS辅助的主动干扰方法和不采用RIS的传统主动干扰方法。

人工智能在雷达辐射源识别领域中的应用研究与思考

首先阐述复杂电磁环境下雷达辐射源识别的背景与意义,概述常用的雷达辐射源识别方法,并详细介绍人工智能在雷达辐射源识别领域中的应用研究现状,进而分析复杂电磁环境下雷达辐射源识别任务面临的挑战和亟需解决的问题,最后提出一种电磁大数据的解决方案。

面向实体标注的军事语料库建设

军事语料的识别和标注是军事语料库建设的关键。针对军事语料的实体,提出了一套统一的军语词性标记规范和军事语料标注规范,设计了一种基于军语词典的自动扩展的军事语料实体特征提取框架。该框架借助设计的高精分类器进行基本特征的选择和提取,结合军语的典型特征组成特征集,构建基于军语词典校正的特征空间,对军事语料进行实体识别之后按照指定的标注规范和词形标记规范进行军事语料实体的标注,构建一个较大规模的高质量军事语料库。实验表明,该框架可以较好地完成语料实体的识别和语料标注工作,有利于军事语料库的建设工作和认清其在军事上的广泛作用和应用前景。

军事语料实体标注系统的设计与实现

论文主要针对军事文本语料标注问题,提出一种军事语料实体标注系统设计方案,提出军事实体词类划分标准并研制出统一的标记符号和粒度划分。旨在利用语料标注系统辅助人员完成军事文本的语料标注,形成军事语料库。该系统以军事文本为对象,对其系统需求和总体设计方案进行了分析设计,采用命名实体识别技术和人工干预相结合的方式,提高了军事语料实体标注的准确率。通过对生成语料中标注实体的属性抽取,完成了语料文件的自动生成,最终实现了标注系统的设计。