Micro-Doppler feature extraction of micro-rotor UAV under the background of low SNR

Micro-Doppler feature extraction of unmanned aerial vehicles(UAVs)is important for their identification and classification.Noise and the motion state of the UAV are the main factors that may affect feature extraction and estimation precision of the micro-motion parameters.The spectrum of UAV echoes is reconstructed to strengthen the micro-motion feature and reduce the influence of the noise on the condition of low signal to noise ratio(SNR).Then considering the rotor rate variance of UAV in the complex motion state,the cepstrum method is improved to extract the rotation rate of the UAV,and the blade length can be intensively estimated.The experiment results for the simulation data and measured data show that the reconstruction of the spectrum for the UAV echoes is helpful and the relative mean square root error of the rotating speed and blade length estimated by the proposed method can be improved.However,the computation complexity is higher and the heavier computation burden is required.

低信噪比下基于多元变分模态分解的水下蛙人特征提取

为提高低信噪比下对蛙人辐射噪声的提取能力,提出了一种矢量多通道信号的水下蛙人辐射噪声特征提取方法。首先针对矢量多通道信号使用多元变分模态分解,得到固有模态函数。然后选取能量最高的模态函数组作为研究对象,计算该模态函数组互谱后的加权排列熵。最后提取加权排列熵频谱的蛙人特征量。海试结果表明,本方法可在无需先验信息情况下,提取由矢量水听器采集的蛙人信号特征,在检测率为80%的情况下抗噪能力较传统算法提升了10 dB。

基于Dropout-多尺度空洞卷积神经网络的轴承故障诊断

为了提高故障诊断模型对故障轴承低信噪比信号的特征提取能力,使模型在强噪声环境下仍能发挥作用,提出了一种基于Dropout-多尺度空洞卷积神经网络(D-MDCNN)的滚动轴承故障诊断模型。首先,通过Dropout数据预处理,对训练数据进行“损坏”,强迫模型仅依靠少量特征便可进行故障诊断,以提高模型的抗噪声能力;然后,使用不同扩张率的空洞卷积扩充了多尺度信息,并利用CNN模块来完成对特征的提取与故障诊断;同时,在模型中加入批量归一化处理操作,用来加快模型训练的收敛速度,提高了模型的性能;最后,利用美国凯斯西储大学轴承数据集和东南大学齿轮箱数据集对基于D-MDCNN的模型进行了实验验证,并将实验结果与采用其他深度学习模型所得的实验结果进行了对比分析。实验结果表明:在无噪声至4dB的噪声环境下,D-MDCNN在西储大学和东南大学两个数据集上均可取得99%的诊断准确率;相比于其他同类模型,基于D-MDCNN的模型具有更高的诊断准确率和抗噪声能力。研究结果表明:基于D-MDCNN的模型是一种有效的轴承故障诊断模型。

基于小波变换和邻域特征的多聚焦图像融合算法

提出了一种基于小波变换和邻域特征的多聚焦图像融合算法。该算法首先采用小波变换对源图像进行多尺度分解,得到低频和高频子图像;然后对低频子图像采用基于邻域归一化梯度的方法得到低频融合系数,对高频子图像采用基于邻域方差的方法得到高频融合系数;最后进行小波重构得到融合图像。采用均方根误差、信息熵以及峰值信噪比等评价标准,将该算法与传统融合方法的融合效果进行了比较。实验结果表明,该算法所得融合图像的效果和质量均有明显提高。

一种基于时频分析的窄带雷达飞机目标分类特征提取方法

针对低信噪比情况下窄带雷达目标分类问题,该文提出基于时频分析的窄带雷达飞机目标分类特征提取方法。该方法利用喷气式飞机、螺旋桨飞机和直升机3类目标调制周期的差异,提取时频谱域的熵值变化特性,并给出时频分析中窗函数长度的优化选择方法。基于仿真和实测数据的实验结果表明,该文方法可以在低信噪比情况下显著提升飞机目标正确分类概率。

基于梯度比率的SAR图像局部特征提取方法研究

本文研究了基于像素灰度差值计算的LBP算子和基于梯度比率的LGRP算子等局部二值模式。首先介绍了基本LBP算子和其他几种LBP算子的变形模式,并通过光学图像和实测SAR图像对LBP算子进行性能评估。针对LBP对SAR图像乘性噪声敏感的问题,利用梯度比率计算的LGRP算子,并结合旋转不变LBP的抗旋转性,本文提出了一种改进的SAR图像LGRP特征,获得了对SAR图像的抗噪性和抗旋转性能。实验结果表明,由本文方法提取的SAR图像局部特征具有较好的不变性,可用于姿态角变化下的目标识别与图像纹理切片匹配。

基于梯度特征的弱小目标检测

针对传统检测方法对低对比度和低信噪比弱小目标检测难度大的问题,提出一种基于梯度特征提取的弱小目标检测方法。首先利用弱小目标的各向同性及在梯度空间中的正负分布特性,提取两个方向梯度特征;然后通过改进的局部对比度算法分别抑制两个方向梯度特征的相似性,融合两个抑制相似性的方向梯度特征,增强目标同时抑制背景;最后通过自适应阈值对结果图进行分割,得到最终检测结果。实验结果表明,该算法不仅能够有效检测极低信噪比与对比度的目标,而且对复杂边缘场景具有很好的抑制效果,在信噪比、背景抑制因子以及检测率方面优于其他算法。

低信噪比情况下的微多普勒特征提取方法

如何在低信噪比条件下进行微多普勒目标特征提取一直是微弱信号雷达检测的难点问题,文中从增强信号的角度出发,在信号不失真条件下,研究了多重自相关函数与信号强度的关系,提出了基于多重自相关函数与短时傅里叶变换联合的微多普勒目标特征提取方法,实现了在低信噪比条件下微多普勒目标特征的提取。文中通过建立旋翼回波信号,并在信噪比为-5d B的情况下,利用所提出的方法进行微多普勒特征提取,仿真结果表明该方法可以在低信噪比条件下有效提取出目标微多普勒特征。

一种基于新型特征与支持向量机的调制识别方法

调制识别技术在民用和军事领域中具有非常重要的意义。判识信号的调制类型,是实现通信信号正确接收解调的前提。针对低信噪比下的数字调制信号类型识别问题,提出了一种基于新型特征与支持向量机的调制识别方法。该方法采用基于时频域和小波变换域的特征提取新思路,在计算处理中进行融合,具有良好的稳健性和抗噪性。另一方面,对基于支持向量机的分级判决方法实现了改进,引入分层模型结构,扩展了适用范围。最后,通过计算机仿真验证了新方法结果的有效性,且其识别正确率高,具有工程实用性,性能也优于过去的一些算法。

基于深度卷积神经网络的图像帧间补偿研究

由于图像分辨率低,传输过程中容易出现图像丢失、不清晰现象。针对上述问题,提出一种深度卷积神经网络算法实现图像帧间补偿。首先依据深度卷积神经网络构建图像帧间补偿模型,其次采用稀疏自编码与线性解码方式提取出该补偿模型的图像特征,再通过多层卷积神经网络对图像特征做映射处理,最后根据稀疏算法重建图像帧分辨率,使图像帧间得到补偿。实验结果表明,基于深度卷积神经网络的图像帧补偿实训可以有效提高图像帧分辨率,解决图像丢失问题,实现了图像高清晰化。