基于贝叶斯神经网络的船用惯导定位修正方法

船用惯性导航系统(inertial navigation system, INS)通常采用与全球卫星导航系统(global navigation satellite system, GNSS)组合导航的方式提高其长时间工作的定位精度。当GNSS失效时,其定位误差将随时间迅速发散。针对这一问题,设计了采用反向传播神经网络(back propagate neural network, BPNN)、根据INS原始输出数据拟合修正经纬度的定位修正方案,提出了基于Bayesian算法更新网络权重系数的方法,结合理论分析和试验研究确定了神经元个数与训练数据集的分配方案。实船试验结果表明,当GNSS失效时,在后续2 h,通过24 h历史数据训练得到的神经网络修正INS位置,相比INS独立工作时的定位误差,修正后误差均值下降了63%,误差最大值下降约50%,最小值下降至0。

基于深度学习的认知物联网频谱感知算法研究

针对认知物联网(Internet of Things, IoT)对低信噪比(Signal to Noise Ratio, SNR)的频谱感知性能低下以及传统卷积神经网络(Convolutional Neural Network, CNN)频谱感知方法提取数据特征不充分导致感知性能差等问题,提出了一种改进残差网络——ResNeXt的单节点频谱感知算法,ResNeXt只需要设置少量超参数且高度模块化,将该网络在图像处理上的优势应用在频谱感知问题上,先将接收信号转成二维矩阵并归一灰度化处理,得到灰度图像作为网络的输入。通过训练ResNeXt来提取灰度图像特征,将在线数据输入完成频谱感知。将各个次用户(Secondary User, SU)得到的评分向量矩阵直接用融合中心SoftCombinationNet(SCN)融合获得协作频谱感知结果,有效解决了传统硬融合方法检测性能低、软融合处理复杂等问题。实验结果表明,所提方法在低SNR仍能实现低虚警率、高检测概率,优于传统频谱感知方法。

基于NBVTH算法的军用窄带信道视频传输研究

随着信息技术快速发展,音视频传输广泛应用在军民用领域。针对军用环境通信传输带宽窄、电磁干扰强、网络稳定性低等特点,迫切需要对军用窄带信道下音视传输频编码进行优化。介绍了适应军用窄带信道传输的视频编码框架和最新技术,提出了基于HEVC标准优化的窄带视频传输(NBVTH)算法,并在压缩比、压缩图像质量、编码时延等关键技术指标方面,将NBVTH算法与常用的H.264/AVC编码进行了性能对比分析。试验结果表明,NBVTH算法明显提升了编码性能,更加适用于军用窄带信道的视频传输。

语义通信的数学理论

自从1948年经典信息论诞生以来,在其指导下,现代通信技术已经逼近了理论性能极限,例如信息熵H(U)、信道容量C=max_(p(x))I(X;Y)以及率失真函数R(D)=min_(p(x|x):Ed(x,x)≤D)I(X;X)。长期以来,由于经典信息论只研究语法信息,限制了通信科学的进一步发展。近年来,研究语义信息处理与传输的通信技术获得了学术界的普遍关注,语义通信开辟了未来通信技术发展的新方向,但还缺乏一般性的数学指导理论。为了解决这一难题,构建了语义信息论的理论框架,对语义信息的度量体系与语义通信的理论极限进行了系统性阐述。首先,通过深入分析各类信源的数据特征,以及各种下游任务的需求,总结归纳出语义信息的普遍属性——同义性。由此指出语义信息是语法信息的上级概念,是许多等效或相似语法信息的抽象特征,表征隐藏在数据或消息背后的含义或内容。将语义信息与语法信息之间的关系命名为同义映射,这是一种“一对多”映射,即一个语义符号可以由许多不同的语法符号表示。基于同义映射f这一核心概念,引入语义熵H_(s)(U)作为语义信息的基本度量指标,表示为信源概率分布与同义映射的泛函。在此基础上,引入上/下语义互信息I^(s)(X;Y)(I_(s)(X;Y)),语义信道容量C_(s)=max_(f_(xy))max_(p_((x)))I^(s)(X;Y)以及语义率失真函数R_(s)(D)=min_({f_(x),f_(x)})min_(p(x|x):Ed_(s)(x,x)≤D)I_(s)(X;X),从而构建了完整的语义信息度量体系。这些语义信息度量是经典信息度量的自然延伸,都由同义映射约束,如果采用“一对一”映射,则可以退化为传统的信息度量。由此可见,语义信息度量体系包含语法信息度量,前者与后者具有兼容性。其次,证明了3个重要的语义编码定理,以揭示语义通信的性能优势。基于同义映射,引入新的数学工具——语义渐近均分(AEP),详细探讨了同义典型序列的数学性质,并应用随机编码和同义典型序列译码/编码,证明了语义无失真信源编码定理、语义信道编码定理和语义限失真信源编码定理。类似于经典信息论,这些基本编码定理也都是存在性定理,但它们指出了语义通信系统的性能极限,在语义信息论中起着关键作用。由同义映射和这些基本编码定理可以推断,语义通信系统的性能优于经典通信系统,即语义熵小于信息熵H_(s)(U)≤H(U),语义信道容量大于经典信道容量C_(s)≥C,以及语义率失真函数小于经典率失真函数R_(s)(D)≤R(D)。最后,讨论了连续条件下的语义信息度量。此时,同义映射转换为连续随机变量分布区间的划分方式。相应地,划分后的子区间被命名为同义区间,其平均长度定义为同义长度S。特别是对于限带高斯信道,得到了一个新的信道容量公式C_(s)=B log[S^(4)(1+P/N_(0)B)],其中,平均同义长度S表征了信息的辨识能力。这一容量公式是经典信道容量的重要扩展,当S=1时,该公式退化为著名的香农信道容量公式。综上所述,语义信息论依据同义映射这一语义信息的本质特征,构建了语义信息的度量体系,引入新的数学工具,证明了语义编码的基本定理,论证了语义通信系统的性能极限,揭示了未来语义通信的巨大性能潜力。

大量程高线性光谱共焦位移测量系统

兼具高精度、高稳定性并能实现非接触测量的光谱共焦位移测量系统在工业、医疗、科研等许多领域得到了广泛应用。目前制约光谱共焦位移测量系统应用发展的因素是大量程和高线性度。讨论了光谱共焦位移测量系统中色散物镜实现线性轴向色散的条件,设计了一种高线性色散和大色散范围的色散物镜,指定了适合的公差范围,加工装配了一组色散物镜,搭建了光谱共焦位移测量系统,采用双频激光干涉仪进行了位移标定,并对标准量块进行了厚度测量。结果表明,该系统工作波段为450 nm~650 nm,实际位移范围为10 200μm,线性拟合判定系数R^(2)达到0.993 7,实际测量最大误差仅为3μm,证明该光谱共焦位移测量系统同时具备大量程、高线性度和高测量精度的特点。

相干累加与AR滤波相结合的舰船轴频电场信号处理方法

针对采用电场传感器阵列测量舰船电场的应用场景,为提升目标轴频电场的信噪比,提出一种相干累加结合自回归(autoregressive,AR)模型滤波的方法对阵列电场信号进行处理。对测量得到的阵列电场信号进行时延补偿后累加,同时对环境电场信号进行AR建模,并利用AR模型参数构造滤波器,以对累加后的信号实施滤波处理。为验证所提方法在低信噪比条件下的有效性,对实测阵列式电场信号进行处理,结果表明,所提方法能够在信噪比为-25.39 dB的条件下有效压制噪声频谱,保留轴频线谱,处理后信噪比提高约21.92 dB。

基于二次分数低阶协方差的时延估计方法

针对强脉冲噪声背景下基于分数低阶统计量时延估计方法性能退化且需要噪声先验知识的问题,提出了一种基于二次分数低阶协方差的时延估计新方法。所提方法首先利用有界非线性Sigmoid函数对含有脉冲噪声的信号进行预处理,使其在不影响有用信号时延信息的基础上对附加脉冲噪声进行充分压缩;然后对处理后的收发信号进行二次分数低阶协方差运算,即求得发射信号的自分数低阶协方差和收发信号的互分数低阶协方差之后,再次计算二者的互分数低阶协方差,以期更大程度上抑制脉冲噪声的影响。通过模拟仿真实验对所提方法进行了有效性验证,结果表明所提方法突破了分数低阶矩阶次需小于Alpha稳定分布噪声特征指数的限制,并且比分数低阶协方差方法具有更高的估计精度。仿真实验结果表明在广义信噪比-10 dB情况下,时延估计用时为0.0560 s,准确率达到97.76%。

基于空间变换技术的脉冲激光声信号检测

针对目前脉冲激光声信号检测方法极易受到环境噪声的影响,导致检测精确度不理想的问题。提出基于空间变换技术的脉冲激光声信号检测方法。首先,采用小波阈值法去除脉冲激光声信号中的噪声;其次,利用球傅里叶空间变换技术对声信号中的声源展开定位,获取声信号的准确位置;最后,分别提取声信号中的比值特征、比重特征、频率特征三种参数,在此基础上通过SVM算法对其展开分类识别,以此实现脉冲激光声信号的有效检测。实验结果表明,所提方法的声信号检测精度超过96%。

空空高速移动通信信号的频偏估计和跟踪算法

空空高速移动场景下飞行平台通信信号的多普勒频率范围大且变化快。针对现有频偏估计和跟踪算法难以兼顾估计精度和工程可实现性的难题,提出了低复杂度的新型高精度频偏估计和跟踪算法。首先根据空空高速移动场景下多普勒频率快速变化且具有时空相关性特征,在传统频偏模型的基础上构建适用于空空高速移动场景的时变频偏模型;然后基于此模型将相邻短前导的频偏估计值进行相互关联并处理,将频偏精度优化问题转化为经典的超定线性方程组的优化求解问题,最大限度地抑制了估计噪声,提高了频偏估计精度。仿真结果表明,该算法估计的残余频偏相对于经典算法大幅降低,当信噪比大于5 dB时,残余频偏的均方根误差控制在100 Hz范围内。针对该算法求解过程中存在的数值稳定性问题,给出了相应的工程可实现方法。该算法采用前馈补偿频偏跟踪方法,与传统的锁相环反馈跟踪方法相比,提高了系统的稳定性和时效性。

基于峰值直方图均衡化的车位图像增强

车位增强算法作为自动泊车的重要组成部分,其增强结果直接影响车位线提取效果。基于此,引入了暗通道作为低频分量进行自适应对比度增强,基于多组低对比度车位图像数据,讨论了多种低对比度增强算法的适用性,针对增强算法部分区域产生的车位增强不足与过曝现象导致降低车位线提取的完整性与精度下降的问题,提出峰值直方图均衡化的快速增强算法,结合了PSNR、结构相似性、平均亮度和信息熵等作为客观评价指标,利用了霍夫直线检测统计算法增强结果的车位提取精度,并进行了验证。研究结果表明:本算法能够减少环境信息干扰,保留更多纹理细节,提升全局图像亮度与对比度,其在低照度环境下仍然具有出色的鲁棒性。本算法车位线提取精度超过90%,算法运行时间仅为37.18 ms,能够为低对比度场景下的自动泊车系统提供方法指导。

基于Labview的分布式光纤光栅信号解调技术研究

分布式光纤光栅信号解调中受到通信信道的码间干扰导致信道均衡性不好,提出基于Labview的分布式光纤光栅信号解调技术。采用连续时间采样技术构建分布式光纤光栅信号采集模型,对信号输出的功率谱密度特征进行相位调制处理,在离散的维纳模型下提取分布式光纤光栅信号的偏移中心频率和单边带功率谱密度特征信息,通过Labview的调制解调技术实现对信号的调制解调处理,最后采用抗相位噪声干扰的星座图分析方法分析光纤光栅信号解调的抗干扰性和误码抑制能力。仿真结果得知,该方法进行分布式光纤光栅信号解调的抗干扰性较好,提高了信道的频谱带宽,降低了频率中心偏移,传输误码率低于0.05%,信号的传输延时维持在30μs左右,具有较强的应用性。

基于实数化的均匀圆阵矩阵重构方法

为了减小低快拍数和低信噪比下采样协方差矩阵误差,并降低其运算复杂度,提出了一种基于实数化的均匀圆阵采样协方差矩阵重构方法。针对均匀圆阵的特点,通过组建特殊的基向量,构成特殊的重构矩阵。通过将采样协方差矩阵实数化,进一步降低了重构矩阵的复杂度。考虑到多通道不一致性对重构矩阵的影响,引入0位校正算法,提高了重构方法的稳健性。最后应用重构后的协方差矩阵进行子空间类波达方向估计(direction of arrival,DOA)。实验仿真证明,该特殊重构矩阵在实数化下与原矩阵重构能力相同;当快拍数为100、信噪比为0 dB时,双信源分辨力较重构前由74%提高到95%以上;理论重构运算复杂度降低到原来的53.99%。

基于强噪声条件下的激光图像边缘检测研究

边缘检测是激光图像处理的一个重要步骤,针对当前激光图像边缘检测误差大,易受噪声干扰等缺陷,为了获得完整的激光图像边缘,设计了基于强噪声条件下的激光图像边缘检测方法。首先采集激光图像,采用直方图均衡技术对原始激光图像进行增强处理,改善激光图像质量,然后采用小波变换去除激光图像噪声,并采用Canny算子进行激光图像边缘检测,最后测试结果表明,与当前激光图像边缘检测方法相对比,本方法能够检测出更多激光图像边缘细节,激光图像边缘检测精度的平均值超过93%,而且激光图像边缘检测时间控制60 ms以内,为激光图像提供了一种高精度检测技术。

基于特征值的动态数字信道化子带检测算法

动态数字信道化接收结构通过检测所有子带,判断信号是否存在,为综合滤波器组处理提供依据,因此子带检测在接收结构中起着关键作用。针对传统检测算法存在低信噪比(signal-to-noise ratio,SNR)下检测性能不高的问题,依据随机矩阵理论,提出了基于最大最小特征值之差与平均特征值之比的检测算法,利用平均特征值和最小特征值的极限分布规律来推导算法的检测门限。其次,根据所有子带数据获取的特征值信息对所提算法进行了优化。最后,在动态数字信道化接收结构中,分析不同因素下算法的性能,表明了所提算法能够克服低SNR的影响,子带检测的性能更好。

球体质量块型六维加速度传感器的最大工作频率

工作频带是加速度传感器的重要性能指标之一,但六维加速度传感器的最大工作频率目前尚不明确。鉴于此,分别以实心球体质量块型和空心球体质量块型六维加速度传感器为研究对象,构建了系统最大工作频率的数学模型。首先,通过虚拟实验,获得了传感器基频及最大工作频率与质量块直径和支链刚度之间的数据对。接着,分别绘制了基频和最大工作频率的性能图谱,并运用多元线性回归理论拟合了数据对。最后,运用线性包络原理建立了2个频率之间的映射关系。结果表明,最大工作频率始终介于基频的1/35~1/30区间内。

融合梯度先验与全局聚合的立体匹配算法

现有基于学习的立体匹配算法具有一定局限性,通常特征提取部分使用的常规卷积倾向于捕捉外观信息,忽略了结构信息的提取,并且由于卷积感受野的限制,这些算法在弱纹理、重复纹理等病态区域性能较差.为此本文提出了一种融合梯度信息及全局代价聚合的立体匹配网络模型(GFGANet).首先,设计了差分卷积残差组(CDC-ResBlock-Groups),显式编码结构信息提高特征表达,然后设计全局代价聚合模块(Trans-Hourglass),有效聚合代价体并捕获全局上下文,最后采用加窗视差回归降低了视差标签不平衡的影响,此外使用StereoDRNet的后处理进行视差细化.实验表明,所提方法在重复纹理,弱纹理区域表现优异,在SceneFlow中的端点误差(EPE)仅为0.645px,KITTI 2015上的误匹配率为2.04%,与基础模型PSMNet相比,性能显著提升.

基于CNN-LSTM的MIMO-OFDM信号盲调制识别算法

无线通信信号的盲调制识别技术作为非协作通信的核心技术之一,在提高频谱利用效率以及未知信号解调中起着至关重要的作用。另外,非协作通信中存在着电磁环境未知,噪声干扰严重,信噪比低等问题,因此在非协作通信下进行未知信号的盲调制识别较为困难。为解决非协作通信中多输入多输出正交频分复用(MultipleInput Multiple-Output Orthogonal Frequency Division Multiplexing, MIMO-OFDM)信号在低信噪比下子载波盲调制识别的问题,本文使用CNN(Convolutional Neural Network,CNN)网络与LSTM(Long Short-Term Memory,LSTM)网络构建一维CNN-LSTM网络进行盲调制识别。鉴于I/Q数据具有很强特征表达能力,该算法选取I/Q数据作为第一输入特征直接输入网络。同时为了弥补噪声对I/Q数据的干扰,本文还选用抗噪声能力强的循环谱作为另一输入特征,为进一步提升循环谱的抗噪声能力,本文对循环谱进行切片累加操作得到抗噪声性能更好的循环谱切片累加序列作为第二输入特征。仿真结果表明,本文所提方法可以在SNR=2 dB条件下实现对{BPSK,QPSK,8PSK,16QAM,32QAM,128QAM}调制方式的识别,并且识别精度达到98%。

DRSN与集成融合的OFDM辐射源个体识别方法

针对在低信噪下通信辐射源识别率低的问题,提出一种DRSN(Deep Residual Shrinkage Networks)与集成融合的OFDM辐射源个体识别方法。首先,从OFDM发射机产生信号的原理出发,对可能产生OFDM发射机指纹差异的来源进行分析,对相邻帧OFDM信号做相干积累,有效提升OFDM信号的信噪比,通过截取OFDM前导信号,减少因传输内容差异所带来的影响,对OFDM前导信号进行功率累加和双谱对角切片信号处理,构建OFDM前导信号的多域数据集;随后,将OFDM前导信号多域数据分别送入具有自动软阈值化去噪和具有跨层连接结构防止梯度消失的DRSN网络进行训练,有效减少噪声对发射机指纹信号的干扰和避免阈值设置不佳所带来识别效果不佳的问题,并且在DRSN网络训练时采用5折交叉验证的策略,防止网络训练中出现过拟合的现象,利用Stacking集成学习思想实现3个DRSN网络初级预测结果的融合;最后,将融合结果作为次级数据送入逻辑回归LR(Logistic Regression)次级线性分类器,利用ECOC(Error Correcting Output Code)策略将多分类任务转为二分类任务,对样本类别进行编码,当测试样本经过二分类器获得一组预测类别编码后,通过计算样本类别编码与预测类别编码之间的欧式距离,根据最小欧式距离所属类别来确定最终分类结果。在公开数据集上的实验结果表明:对比其他深度学习的方法,信噪比为5 dB和0 dB时,DRSN与集成融合的OFDM辐射源识别的准确率分别为97%和95.88%,并且具有较低的复杂度,能够验证在低信噪比下该方法的有效性。

基于毫米波通信技术的超高清视频传输方法研究

为了提高对超高清视频传输能力,提出基于毫米波通信的超高清视频传输方法。采用多频调制通信组网技术构建超高清视频传输的信道模型,建立超高清视频毫米波通信传输的自适应图像信息交互和采集模型;结合Lyapunov指数谱密度特征分析,实现谱特征分解和信道均衡模型构建;建立视频传输的视景转换和高阶谱特征提取模型;采用毫米波通信技术,实现滤波补偿和反馈增益调节;采用联合自相关的统计特征分析方法,得到动态均衡迭代函数,通过复杂信道环境下的抗干扰抑制和均衡调度,实现对超高清视频的无损传输和编码解码。实验结果表明,该方法进行超高清视频传输的误码率较低,平均为0.058 2,传输时延较低,平均为248.4 ms,峰值信噪比为49 dB。

基于深度卷积网络的二维波达方向估计方法

为了提高信号波达方向估计技术的实时性和简便性,设计了一种适用于估计均匀圆阵多信号波达方向的深度卷积网络。由阵列观测数据得到的协方差矩阵被当作是包含实部和虚部两个通道的图像,将其当作是卷积神经网络的输入张量,便可以通过训练网络来提取包含在信号协方差矩阵中的波达方向细微特征,从而实现准确快速地同时对多个入射信号的方向进行估计的目的。仿真结果表明,设计的深度卷积网络能够很好地完成二维信号波达方向估计。相比于现有估计方法,卷积网络给出的结果更加精确,且算法相对稳定。因此,提出的深度卷积网络在多目标方位识别与跟踪领域具有潜在的工程应用价值。