关于超短波监测数据存储规范的分析与思考

超短波监测一体化标准规范体系建设对于推进全国超短波监测网建设,包括监测设施以及监测数据的互联互通至关重要,实现监测数据互联互通离不开监测数据采集、存储、传输等一系列规范的支撑。经过多年的努力实践,监测数据存储规范已渐趋成熟。本文重点对两项超短波监测数据存储规范进行解读和分析,为数据规范的应用提供了有益参考和借鉴,以期推动无线电监测行业的数字化转型与创新发展。

浅析深度学习技术在无线电监测中的应用

深度学习技术的发展为无线电监测工作的自动化、智能化提供了新的思路和方法。本文对我国无线电监测领域应用深度学习技术的研究进行了梳理和分析,对广播监测等应用范例进行了介绍,可为科研人员今后开展相关研究提供参考。

基于深度学习的无线电干扰信号识别研究

为提升无线电信号自动化监测能力,本文基于深度学习技术提出一种通过无线电频谱图像识别干扰信号的方法,并设计实验验证了该方法的识别准确率,证明了该方法的可行性和通用性。

一种基于卫星导航信号载噪比的GNSS干扰查找方法

针对近年来多发的GNSS系统信号受干扰和现有设备性能与手段较难满足此类干扰查找需求的情况,本文简述了GNSS接收系统工作原理,并通过对GNSS干扰信号的分类和特点进行分析,提出了一种基于卫星导航信号载噪比的干扰分析查找方法。

基于YOLOv5s的金属制品表面缺陷的轻量化算法研究

为解决企业降低智能化成本的要求,运用低成本、低算力的硬件设备,通过深度学习中目标检测算法模型对产品进行缺陷检测。基于深度学习目标检测中的YOLOv5s网络,采用结构裁剪思想,并基于网络中的BN层对网络进行稀疏训练,将稀疏训练后的模型对应权重值较小的层进行裁剪,从而降低模型的计算参数数量以及模型文件大小,达到轻量化的效果。使用NVIDIA的加速推理框架TensorRT对训练好的裁剪模型进行层级融合,实现推理加速效果。实验结果表明:所提目标检测模型相对于原始YOLOv5s模型权重文件大小降低约70%,同时在公开数据集NEU-DET上检测精度达到了74.2%。在搭建的高性能实验台中单图推理速度相比原模型提升了11.3%,且网络没有精度损失;在低性能实验台中,所提模型相比原网络模型推理速度提升了165%,相比高性能实验台中的结果有了更显著的提升,说明所提模型在低算力硬件设备中表现优秀。再针对所提模型采用公开的潜水泵叶轮的俯视图数据集进行普适性测试,最后对所提模型采用推理加速框架TensorRT进行加速后,在高性能实验台上可以达到单图5.8 ms的推理时间。所提目标检测模型在低算力硬件设备上推理速度提升较大,可以帮助企业降低预算。