LFM脉冲雷达密集多目标回波特性建模研究

对密集多目标的检测和分辨是当前雷达技术领域所面临的前沿课题和紧迫任务,而其中对其回波特性的分析研究则是解决其它问题的前提和基础。研究了线性调频脉冲雷达密集多目标回波信号的幅度和相位特性,建立了多目标回波信号模型,并对比双基地雷达进行了讨论,最后针对不同条件进行了仿真实验。仿真结果表明,同一距离分辨单元内,多个目标的回波会发生相干合成,目标位置、幅度、相位的变化使得合成后的回波频谱发生畸变;同时,只要多个目标之间存在距离差,脉冲压缩输出信号主瓣内的相位特性便会较单目标情况有显著区别。

基于CNN-LFM模型的个性化推荐

评分数据的稀疏性和新物品的冷启动问题一直是阻碍推荐系统发展的难题。针对这些问题,利用物品的图像数据作为辅助信息以提高评分预测的准确性,提出一种基于卷积神经网络与隐语义模型的推荐模型(CNN-LFM)。CNN-LFM模型利用隐语义模型挖掘评分数据,获得用户和物品的潜在特征,其中物品的潜在特征会在卷积神经网络提取的图像特征的约束下不断完善。在真实数据集下进行实验,对结果的定量和定性分析表明CNN-LFM模型不存在新物品的冷启动问题,即使当评分数据十分稀疏时,其性能也远远优于其它推荐模型。

基于LFM矩阵分解的推荐算法优化研究

在推荐系统中,基于矩阵分解的推荐算法是目前的研究热点之一,然而普通矩阵分解算法的推荐精确度偏低,为了改善该问题,以矩阵分解算法中的潜在因子模型(LFM)优化为研究对象,分析LFM中两种基础推荐算法在寻优速率与推荐精度上的不足,然后提出两种改进算法:带冲量的批量学习算法和混合学习算法,最后通过实验数据测试,对比了不同算法的推荐效果,结果证明改进算法的性能更优。

基于自适应预白化的水下动目标LFM回波联合检测

有色混响噪声背景以及水下动目标径向速度造成的回波和样本失配导致匹配滤波器对于线性调频LFM(linear frequency modulation)回波检测性能下降。基于自适应预白化处理的广义似然比GLRT(generalized likelihood ratio test)方法利用混响噪声背景的自回归AR(autoregressive)模型构建白化滤波器来抑制混响噪声,但回波和混响噪声的混叠会造成AR模型偏差。结合匹配滤波的回波定位特性和基于自适应预白化处理GLRT方法的混响噪声背景抑制特性,提出结合这两种方法的联合检测算法。仿真和实验数据测试表明联合检测算法对于水下动目标LFM回波检测性能优于单纯的零速样本匹配滤波和GLRT方法。

基于ADS的LFM脉压雷达系统建模与仿真

指出雷达系统基于传统仿真软件建模与仿真时的缺点;阐述了ADS(Advanced Design System)软件在雷达系统仿真中的优势;然后建立一个基于ADS软件平台的雷达系统仿真模型库。当对某种雷达系统仿真时,只需根据要求修改各个模块的参数或更换子模块即可准确迅速地搭建起系统仿真模型,大大缩减了建模所花费的时间和人力物力。以一个线形调频脉冲压缩雷达系统建模的过程为例,对ADS软件在雷达系统仿真中的应用加以介绍,并给出最终仿真结果。

隐式反馈场景下的LFM-XGB-LR融合推荐算法

在信息流消费场景中,利用用户的隐式行为反馈,对用户进行个性化内容推荐是核心问题。而由于行为惯性的问题,用户通常只是浏览feed流,互动行为数据稀疏,导致传统方法在个性化等方面性能不高。针对该问题,设计了隐式反馈的权重转化方法,提出LFM-XGB-LR融合模型,利用LFM生成嵌入向量,结合了XGB在特征交叉和LR在离散计算上的优势。实验结果表明,基于LFM的嵌入改善了模型个性化的问题,该融合模型在各项指标上均有稳定提升。

基于LFM的协同过滤算法研究及实现

本文主要介绍与隐语义模型LFM(Latent Factor Model,LFM)相关的理论基础、模型优点以及训练模型时求解最优损失函数的两种基本算法。在训练模型时,可以基于标签内容来提取物品特征,也可以让模型去发掘物品潜在特征;最后在Movie Lens数据集上进行测试,验证隐语义模型LFM既可以对用户—项目的评分矩阵中未评分项目进行精确评分,也可揭示物品的隐藏特征和一些潜在规律。

基于谱聚类和LFM的选课推荐算法设计

高校教务系统中学生数量和课程种类的飞速增长,使得传统推荐算法难以处理海量、高维的选课数据,为进一步提升大学生的选课效率,文章提出一种改进的LFM隐语义模型推荐算法,首先构造选课评分数据的相似矩阵,通过谱聚类进行初始分类,然后分类别构建LFM模型并计算合理的推荐算法。通过在某高校的选课数据集上的对比实验,证明了本文算法具有较高的预测精度和较低的空间复杂度。

一种认知跟踪雷达LFM波形库建立方法

认知雷达是下一代雷达发展的方向之一。在对认知跟踪反馈环进行分析的基础上,提出了一种线性调频(LFM)信号波形库的建立方法。在应用交互多模型跟踪机动目标的背景下,通过所建的波形库对发射波形进行实时调用,达到减小跟踪误差的目的。研究了具有不同调频率参数与FrFT旋转角度组合的不同数量LFM信号波形库的建立,以最小化模型选择不确定性为目的推导波形选择准则,得到了不同的波形选择策略。仿真验证分析其跟踪精度可以看出,构建具有一定数量LFM波形的波形库可以提高认知跟踪雷达的性能。

基于STD标准的LFM脉冲信号建模与应用

信号和测试定义(STD)标准是面向信号自动测试工程应用的理论基础,但目前该标准中提供的基本信号模型并不能满足雷达告警设备检测需求。针对此问题,依据标准要求扩展线性调频(LFM)脉冲信号类型,并进行信号仿真。基于MATLAB APP Designer工具设计开发测试信号模型加载和实例创建软件,创建信号实例,并通过矢量信号源模拟产生雷达信号,送至雷达告警接收机前端,进行信号的有效性验证。实验证明,扩展的线性调频脉冲信号模型可以满足实际测试需求,为未来雷达信号标准化建模奠定了良好基础。

宽带LFM信号的线性度测量

介绍了一种采用微波延迟线鉴相的方法对宽带LFM信号的线性度进行测量的装置。在该装置中,使用光纤、电缆实现微波延时,在小波变换的基础上采用相位建模以提高瞬时频率的测频准确度,根据线性调频信号的调频形式建立数学模型,得出了线性度的数学表达式。

宽带信号模型及分辨力性能研究

讨论了宽带信号的模型及条件 ,在此基础上对宽带线性调频信号在宽带模型下的距离、速度及速度距离联合分辨率特性进行了分析和模拟 ,并对宽带模型及窄带模型下的结论进行了比较 ,证明了信号分辨力取决于信号频谱结构及尺度 ,得出了两种模型下信号分辨力特性的关系。

分数阶傅立叶变换的线性调频干扰抑制的改进算法

为了抑制扩频通信中存在的大量干扰,构建了直接序列扩频系统抗线性调频干扰(Linear Frequency Modulation,LFM)模型,重点对基于分数阶傅立叶变换(Fractional Fou-rier Transform,FRFT)的时频滤波算法及其改进算法的性能作了仿真和分析.仿真结果表明,这类算法对于LFM类的信号可获得明显的噪声抑制效果,并具有良好的幅度保持性.更为重要的是,FRFT是一维的线性变换,可以用FFT(Fast Fourier Transform)来实现;在处理多分量信号时,FRFT不仅在计算上大为简化,而且不受交叉项的困扰.

隐含语义模型在推荐系统中的应用研究

隐含语义推荐模型是基于用户历史行为而自动聚类的算法,系统无需为物品打标签或分类,推荐系统可以自动将项目分成若干种类.为基本LFM推荐模型增加系统偏好、用户偏好和项目偏好参数,实验结果表明,改进后的推荐模型比基本模型的推荐效果提升1%.

一水甲酸锂晶体生长动力学和生长机理的研究

本文实时测定了 312 .16K时一水甲酸锂晶体 (LFM ) (0 10 )和 (0 2 1)面的生长速率。根据Bennema修正的用于水溶液晶体生长的BCF表面扩散模型 ,计算了晶体生长过程的激活能以及动力学系数。结果表明LFM晶体生长主要是表面扩散控制的螺位错生长机制。

超宽带线性调频雷达目标回波模型

超宽带雷达具有高分辩能力，它探测到复杂目标时，目标总的电磁散射是多散射中心的合成，回波信号不同于普通的窄带雷达回波。文中分析了在超宽带信号照射下的目标散射特性，得到超宽带雷达的一般模型。对于超宽带线性调频信号，给出了目标回波的仿真结果。

集成时频特征的拖曳式诱饵存在性检测方法

拖曳式诱饵干扰为实现角度欺骗需要通过目标机动来形成导弹、目标、诱饵三角态势,弹目距离的接近以及三角几何关系的剧烈变化导致雷达接收回波中目标与诱饵的多普勒频率呈现时变非平稳特性。传统傅里叶分析方法无法反映频率分量随时间的变化情况,易导致谱线展宽和分辨力下降,使得基于频谱展宽的干扰检测具有很大的局限性。在分析诱饵干扰特点以及时频变化特性的基础上,将目标与干扰的回波分段近似为多分量线性调频模型,利用时频分析展现频率特征随时间的演变规律,采用WVD(Wigner-Ville distribution)与霍夫变换(Hough transform)相结合的方法检测接收回波中的多分量信号峰值,结合干扰特性设计阈值门限,实现了雷达波束内拖曳式诱饵干扰的存在性检测判决。末制导典型场景下的仿真实验验证了方法的有效性。

一种用于网络用户行为聚类的标签自动生成方法

针对目前多数聚类算法需要事先确定网络用户行为数据规模以及生成的簇标签缺乏明确语义的问题,提出一种用于网络用户行为聚类分析的簇标签自动生成方法。应用潜在因子模型和矩阵分解方法对原始网络用户行为数据补充缺失值,根据网络用户行为数据的属性特征进行用户行为聚类并在聚类过程中增加行为特征,同时利用行为特征信息产生簇标签以提高网络用户行为的聚类准确性。在Last.fm、Movielens和CiteULike数据集上的实验结果表明,该方法无需事先确定网络用户行为数据规模,并且可在保证较高聚类准确率的前提下自动生成语义更明确的簇标签。

基于堆栈降噪自编码器改进的混合推荐算法

针对传统协同过滤算法仅利用评分信息作为推荐依据,没有利用用户评论和标签信息,无法准确反映用户对项目特征的偏好,推荐精确度低且容易过拟合等问题,提出一种基于堆栈降噪自编码(SDAE)改进的混合推荐(SDHR)算法。首先利用深度学习模型SDAE从用户自由文本标签中抽取项目的显式特征信息;然后,改进隐因子模型(LFM)算法,使用显式项目特征信息替换LFM中的抽象特征,进行矩阵分解训练;最后通过用户-项目偏好矩阵为用户提供推荐。在公开数据集Movie Lens上的实验测试,与三组推荐模型(基于标签权重及协同过滤、基于SDAE和极限学习机、基于循环神经网络)比较,该算法推荐精确度分别提高了45.2%、38.4%和16.1%。实验结果表明,所提算法可以充分利用项目自由文本标签信息提高推荐性能。

基于卷积神经网络交互的用户属性偏好建模的推荐模型

潜在因子模型(LFM)以其优异的性能在推荐领域得到了广泛应用。在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能。然而,大多数LFM仍然存在一些问题:第一,LFM在对用户进行建模时,忽略了用户如何根据其特征偏好对项目作出决策;第二,采用内积的特征交互假设特征维度之间是相互独立的,而没有考虑到特征维度之间的关联。针对上述问题,提出一种新的推荐模型:基于卷积神经网络(CNN)交互的用户属性偏好建模的推荐模型(UAMC)。该模型首先获得用户的一般偏好、用户属性和项目嵌入,然后将用户属性和项目嵌入进行交互,以探索用户不同的属性对不同项目的偏好;接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联,从而得到用户的属性偏好向量;接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好,从而获得用户的向量表示;最后采用点积来计算用户对项目的评分。在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验。实验结果表明,所提模型在均方根误差(RMSE)上与稀疏数据预测的神经网络分解机(NFM)模型相比分别降低了1.75%、2.78%和0.25%,验证了在LFM的评分预测推荐中,UAMC在提升推荐精度上的有效性。