电子侦察中认知实时分选技术的研究

随着电磁环境的日趋复杂化,传统的电子侦察已经不能满足要求,通过将认知这一理论用于电子侦察中,可以满足在复杂电磁环境中对目标及威胁信号进行实时侦察,提出了认知实时分选技术的框图,并根据其中的智能模块进行了仿真,仿真结果证明了该系统可以智能地识别未知信号,表明了该方法的有效性和优越性。

跳汰机实时分选密度测控及灰分闭环控制的探讨

文章从跳汰机实时控制的角度 ,提出、论证了跳汰机二段实时分选密度的概念 ,为进一步实施“灰分闭环控制”进行了探讨。

雷达截获系统实时信号分选处理技术研究

高密度复杂信号环境下的实时信号分选处理技术是新一代雷达截获接收机信号处理的关键技术 ,也是雷达截获领域一个丞待解决的问题。系统地介绍和分析了国内外近年来在实时信号分选处理方向上的研究现状和最新进展 ,并介绍了所做的一些研究工作和观点 ,同时指出了目前这一领域有待于进一步深入研究和完善的问题及研究方向。

变学习速率在线ICA算法在雷达信号分选中的应用

已有的独立分量分析(ICA)雷达分选方法多采用FastICA算法,FastICA算法是一种离线批处理ICA算法,缺乏实时分选能力。文中将一种变学习速率的在线ICA算法应用到雷达分选中,克服了FastICA算法无法实现在线实时分选的缺点;同时,算法能根据相依性测度所反映的信号分离的状态自适应地调节学习速率,平衡了传统在线ICA算法收敛速度和稳态误差之间的矛盾,从而使得采用这种ICA算法的雷达信号分选方法具有收敛速度快,分离效果好的特点。仿真实验验证了分选方法的有效性。

一种实用的复杂信号分选技术

描述了电扫描恒差测向体制接收机的信号分选方法、特点及软、硬件实施,并用于某出口艇告警侦察机上.由于该体制的侦察机从接收机侦收的信号尚未有精确的方位,这就给信号分选如何在密集、复杂的电磁环境下实时、正确分选出各种体制的雷达信号,并精确算出其方位带来了困难.本文利用频域、时域多参数进行分选,对频率捷变雷达由于去掉了方位这个重要的相关因素,在去交错时,就需增加更多的判断因素,并可用△U_(max)引导天线进行局部搜索.在分离出各信号的单个脉冲列后,进行比幅测向.查表算出精确方位,然后送信号识别分机识别、显示,引导干扰机干扰.

基于YOLOv5s-SDE的带式输送机煤矸目标检测

传统的煤矸图像检测方法需要人工提取图像特征,准确率不高,实用性不强。现有基于改进YOLO的煤矸目标检测方法在速度和精度方面有所提升,但仍不能很好地满足选煤厂带式输送机实时智能煤矸分选需求。针对该问题,在YOLOv5s模型基础上进行改进,构建了YOLOv5s-SDE模型,提出了基于YOLOv5s-SDE的带式输送机煤矸目标检测方法。YOLOv5s-SDE模型通过在主干网络中添加压缩和激励(SE)模块,以增强有用特征,抑制无用特征,改善小目标煤矸检测效果;利用深度可分离卷积替换普通卷积,以减少参数量和计算量;将边界框回归损失函数CIoU替换为EIoU,提高了模型的收敛速度和检测精度。消融实验结果表明:YOLOv5sSDE模型对煤矸图像的检测准确率达87.9%,平均精度均值(mAP)达92.5%,检测速度达59.9帧/s,可有效检测煤和矸石,满足实时检测需求;与YOLOv5s模型相比,YOLOv5s-SDE模型的准确率下降2.3%,mAP提升1.3%,参数量减少22.2%,计算量下降24.1%,检测速度提升6.4%。同类改进模型对比实验结果表明,YOLOv5s-STA与YOLOv5s-Ghost模型的检测精度明显偏低,YOLOv5s-SDE模型与YOLOv5s模型及YOLOv5s-CBAM模型的检测效果整体相近,但在运动模糊和低照度情况下,YOLOv5s-SDE模型整体检测效果更优。