基于深度学习的水声通信信号调制类型识别

水声通信信号识别为水声通信侦察和对抗的重要前提,具有重要作用。然而,传统的水声通信信号识别方法通常是基于信号处理和模式识别技术,依赖领域专家的专业知识和经验进行特征选择和提取,具有较强的主观性,且可能无法利用更复杂的信号特征。本文基于深度学习提出一种水声通信信号识别的智能方法。首先利用仿真数据对卷积神经网络进行训练,然后分别使用仿真和湖上试验数据对算法网络进行测试。仿真结果表明,在SNR=5dB时,该方法对2ASK、4ASK、BPSK、QPSK、2FSK、4FSK和OFDM等7种水下通信信号的识别率均能达到90%以上,7种湖上试验的通信信号类型平均识别率达到97.9%。这表明该方法具有良好的宽容性。此外,本文还通过对基于高阶累积量和深度学习方法的比较,验证了本文提出方法具有显著的优越性。

不同行距和播量对信粳1号直播产量的影响

以常规粳稻品种信粳1号为材料,设置5 kg/667m^(2)、7.5 kg/667m^(2)、10 kg/667m^(2)三个播种量和0.17 m、0.20 m、0.23 m、0.27 m四个行距,采用条直播方式,研究了不同播量和不同行距对直播水稻产量形成及产量的影响。结果表明:获得高产的最佳配套技术模式是播量10.0 kg/667 m^(2)、行距0.17 m;0.17 m是进行水稻直播最合理的行距;每667 m^(2)播种量在10.0 kg以上为宜。

双曲调频信号的级联原子库参数估计

为降低水下通信中出现的多径和多普勒效应,提高水下目标探测精度,采用双曲调频信号作为探测信号,利用双曲调频信号(hyperbolic modulation frequency,HFM)时频变化具有双曲线的特征,通过建立HFM信号时间-尺度级联原子库模型,在原子库中寻找最优解,进而对HFM信号的两个频率变化因子进行估计。计算机仿真和水池实验的结果均证明,相较于现在常用的小波-拉东变换(wavelet-Radon)估计方法,本方法的均方根误差小于1%,因此在水下目标探测中有较大的应用价值。

分布式检测融合在被动声纳浮标中的应用

针对多枚被动声纳浮标进行联合探测的问题,利用声纳浮标信号多径传播模型和舰艇频谱特征提出了一种新的分布式检测方法。根据检测融合理论和似然比检验理论,在给定单枚浮标探测性能条件下,给出融合检测概率的计算方法。仿真分析验证了所提方法的有效性,并为多枚被动声纳浮标联合探测以及效能评估提供了理论和工程基础。