室外环境中的关联成像研究进展

光学成像是人类不可或缺的信息获取方式之一,其在预警侦察、精确制导、交通运输和工业生产等军用和民用领域发挥着不可替代的作用.在室外环境中,由于背景光、杂散光和大气介质的影响,光学成像的分辨率、信噪比和作用距离等受到限制.近年来,在光学、物理、信息论及计算机等多学科的交叉融合发展的支撑下,新型光学成像技术不断涌现,为发展远距离、大视场、高信息通量的室外光学成像带来新的契机.关联成像作为新型主动成像技术之一,具有高灵敏、抗干扰、信息并行获取等特点,能够较好地应对室外光学成像中所面临的如远距离导致光功率急剧衰减、环境噪声干扰引起的低信噪比等问题,并能在一定程度上减少散射、湍流等导致的图像模糊等问题,是当前室外环境中光学成像的热门研究领域之一.本文从光学成像原理出发,分析室外环境中光学成像分辨率、信噪比、空间带宽积和成像距离的影响因素,重点介绍和梳理室外关联成像在成像系统、信噪甄别技术和成像算法等方面的研究进展,并浅析光学成像向更远距离、更广视场拓展的过程中需要研究的基础问题和待攻克的关键技术.

基于胶囊网络的文本数据真值发现

为解决传统真值发现算法无法提取文本数据关键语义信息的问题,提出一种基于胶囊网络的文本数据真值发现算法(Truth Discovery of Text Data Based on Capsule Network,Caps-Truth),对传统卷积神经网络(Convolutional Neural Network,CNN)进行改进,在神经网络模型中构造语义胶囊层替代CNN池化层表征文本语义信息。首先通过CNN卷积层获取文本数据全局特征,利用初级胶囊层将特征信息向量化,再通过语义胶囊层表征文本数据细粒度语义信息,将特征向量输入全连接神经网络挖掘文本数据可信度并获得可靠答案。上述算法在真值发现中引入胶囊网络,利用动态路由算法整合零散语义,有效提高了文本数据真值发现的效果。实验结果表明,Caps-Truth算法优于对比算法。

关联成像算法研究进展

光学成像是人们获取信息最重要的技术手段之一。关联成像作为一种基于光场高阶关联发展起来的新技术,利用单个点探测器就可以实现对目标的成像,具有物像分离、探测灵敏度高、抗干扰能力强等优点,为光学成像技术的发展带来了新的机遇。但关联成像以时间换空间的多帧累积成像模式,严重限制了图像的获取效率。为了解决该问题,除了进行系统结构、光源和探测方法优化设计外,研究高效的图像重构算法也是提高成像质量和成像速度最有效的方法之一。好的图像重构算法不仅能大大降低成像所需的测量次数,提高信息提取效率和重构图像质量,还能降低对成像系统硬件的要求,是关联成像技术走向实用的关键。近年来,关联成像图像重构算法不断演变,发展出很多不同类型的重构算法。本文简要回顾了关联成像的原理机制,进而在此基础上系统介绍了几种主要关联成像算法的基本原理,并分析了其优缺点和适用场景。

基于Bi-GRU并包含注意力机制的文本数据真值发现

针对传统真值发现算法无法直接应用于文本数据的问题,该文提出基于Bi-GRU并包含注意力机制的文本数据真值发现方法。根据文本答案的多因素性,词语使用的多样性与文本数据的稀疏性等特点,该文对用户答案进行细粒度划分,并利用Bi-GRU表征文本答案的语义信息,利用双层注意力机制分别学习用户答案关键词可靠度及用户答案可靠度。依据真值发现的一般假设,无监督学习上下文向量,并最终获得可靠答案。实验结果表明,该算法适用于文本数据真值发现场景,较基于检索的方法及传统真值发现算法效果更优。

W波段功率放大模块研制

W波段功率放大器模块是发射机的核心,在毫米波通信、雷达、制导和电子战等方面有着至关重要的作用。本文介绍了一种W波段功率放大器模块的设计与测试。使用驱动放大器和功率放大器单片器件级联的方案研制了W波段功放模块。测试结果表明,该W波段功率放大器模块输出功率大于26dBm,带内波动小于0.5dB,并且经过高低温实验充分验证了本设计在不同温度情况下具有良好的可靠性。

基于深度神经网络的多属性无监督真值发现

传统真值发现算法,通常假设数据源可靠度与观测值可信度之间的关系可用简单函数表示,而简单函数通常不足以表达这种复杂的关系。为了解决这一强假设导致真值发现结果质量不高的问题,提出了基于深度神经网络的多属性无监督真值发现方法。方法建立包含三个隐含层的全连接神经网络,以数据源多属性观测值作为输入,真值作为输出,使用该网络对数据源可靠度与观测值可信度之间的复杂关系进行无监督学习,同时充分利用数据源多属性特性,减小缺失值对数据源质量评估产生的影响。在真实数据集上的实验结果表明,上述方法较于传统方法效果更优。

W频段宽带线性扫频源

本文介绍了一种W频段宽带线性扫频(LFM)源。该W频段扫频源首先采用锁相电路(PLL)直接输出Ku波段扫频信号,然后通过下混频产生X波段信号,最后对该X波段扫频信号倍频放大的方式实现。最终输出(三角波或锯齿波)扫频信号频率为87~97GHz,输出功率大于14dBm,功率波动小于2dB,信号相位噪声优于-78dBc/Hz@1kHz,杂散抑制优于40dBc。

Ka波段多普勒雷达前端关键技术研究

本文研究了一种用于测试高速目标运动速度的Ka波段多普勒雷达收发前端。该部件采用收发一体机制并工作于连续波模式,工作频率为37.6GHz,发射功率大于21dBm。因此,该部件在保证测试运动目标产生多普勒频率高精度的同时,还能对具有极小反射截面的运动目标进行探测。本文针对该前端部件进行了方案设计和详细分析,并进行了实物的制作和测试。

基于多目标蚁群优化的单类支持向量机相似重复记录检测

为解决数据源中相似重复记录样本稀少问题,提出一种基于多目标蚁群优化的单类支持向量机相似重复记录分类检测方法。根据记录对中2条记录是否相似,将相似重复记录检测建模为二分类问题,用单类支持向量机进行分类,并且只用不相似重复记录样本对进行训练;选择合适的属性相似度函数计算记录对之间的相似特征向量,将其作为单类支持向量机分类器的输入进行二分类检测;建立以查准率、查全率、特征数量综合最优为目标的多目标特征选择模型,结合训练样本为单类样本的特点,将启发式因子定义为类内散度最小化约束,设计了求解模型的多目标蚁群算法。通过将单类支持向量机算法和支持向量域描述算法、传统二分类支持向量机算法进行对比,结果验证了单类支持向量机算法的有效性和优越性。

多源文本数据真值发现方法

针对传统真值发现算法无法直接应用于文本数据的问题,提出基于深度神经网络面向多源文本数据的真值发现算法(NN_Truth)。根据文本答案多因素性、词语使用多样性以及文本数据稀疏性等特点,将“数据源-答案”向量作为网络输入,识别答案真值向量作为网络输出,依据真值发现的一般假设,无监督学习各数据源答案向量间关联关系,并最终获得答案真值。实验结果表明,该算法适用于文本数据真值发现场景,较基于检索的方法及传统真值发现算法效果更优。

基于神经网络编码的真值发现

由于互联网的开放性和多源性,不同互联网平台提供的数据参差不齐,多个数据源对同一实体的描述可能存在冲突,真值发现是消解语义冲突,提高数据质量的重要技术手段之一。传统真值发现算法通常假设数据源可靠度与观测值可信度间的关系可用简单函数表示,设计迭代规则或概率模型进行真值发现,而人工定义的条件通常难以反映数据底层的真实分布,导致真值发现结果不理想。针对此问题,提出基于神经网络编码的真值发现方法TDNNE。首先利用“数据源-数据源”“数据源-观测值”关系及真值发现的假设构造双损失深度神经网络;然后利用该网络将数据源与观测值嵌入到高维空间,分别表示数据源可靠度与观测值可信度,使可靠数据源与可信观测值彼此接近(同时,不可靠数据源与不可信观测值彼此接近);最后基于嵌入空间进行真值发现。与传统方法相比,TDNNE方法不需要人工定义迭代规则或数据分布,而是利用神经网络自动学习数据源观测值间复杂的关系依赖。在真实数据集上的实验结果表明,该方法准确率较基于迭代的Accu等方法准确率提高约2%~25%,较基于概率图模型的3-Estimates等方法提高约2%~4%,较基于优化的CRH方法提高约2%~5%,较基于神经网络的FFMN方法提高约1%~2%。

基于结构保持对抗网络的跨模态实体分辨

跨模态实体分辨旨在从不同模态的数据中找到对同一实体的不同客观描述.常用的跨模态实体分辨方法通过将不同模态数据映射到同一空间中进行相似性度量,大多通过使用类别信息建立映射前后的语义联系,却忽略了对跨模态成对样本信息的有效利用.在真实数据源中,给大量的数据进行标注耗时费力,难以获得足够的标签数据来完成监督学习.对此,提出一种基于结构保持的对抗网络跨模态实体分辨方法(Structure Maintenance based Adversarial Network,SMAN),在对抗网络模型下构建模态间的K近邻结构损失,利用模态间成对信息在映射前后的结构保持学习更一致的表示,引入联合注意力机制实现模态间成对样本信息的对齐.实验结果表明,在不同数据集上,SMAN和其他无监督方法和一些典型的有监督方法相比有更好的性能.

统计测量视角下延期考试公平性判定算法研究

考试公平是教育公平的重要体现,更是社会公平的重要内容。针对因疫情防控等不可抗力因素导致考试延期,从而产生的统一考试与延期考试结果公平性无法量化判定的问题,从具体数据分析入手,借助统计测量手段,利用非参数模型和置换法分别确定延期考试公平性判定评价指标和置信区间,定量判定不同批次考试是否公平,为推动考试质量评价科学化提供重要技术手段。实验结果表明,所提算法能够有效解决不同批次考试试卷难度一致性定量判定问题。