基于隐式退化模型的磁共振图像超分辨重建网络

对于使用算法提升磁共振(MR)图像分辨率的研究,现有方法多停留在跨尺寸、同尺寸有监督的超分辨算法研究,提出一种基于隐式退化映射模型的MR图像超分辨重建网络SG-Diffusion,通过掩码自编码器隐式建模MR图像的退化过程,减小实验构建数据集与实际场景下MR图像的域差距,并基于隐式退化模型构建样本对,训练得到基于自引导扩散模型的MR图像重建网络,从而实现无监督同尺寸MR图像的空间分辨率提升。在fastMRI数据集的4倍加速采样脑部MR图像超分辨实验结果显示,本文提出的基于隐式退化模型的MR图像超分辨重建网络能够有效提升退化MR图像的空间分辨率,同时与基于显示退化模型的图像退化重建方法相比,本文提出的SG-Diffusion方法具有更好的重建效果。

基于复数域深度强化学习的多干扰场景雷达抗干扰方法

在现代电子战中,雷达面临的干扰环境比以前更加复杂,机载干扰机会根据突袭任务与突袭阶段的不同而改变其干扰方式。近年来,基于强化学习的雷达抗干扰方法在单一干扰对抗场景下取得了一定进展,但在实际复杂多干扰场景下的研究仍有不足。为了解决该问题,本文提出了一种基于复数域深度强化学习的多干扰场景雷达抗干扰方法以优化频率捷变雷达的抗干扰策略。首先,针对突袭任务的阶段性特点建立了噪声瞄准干扰、距离假目标欺骗干扰与密集假目标转发干扰3种干扰模型,并设计了3种干扰顺序策略来模拟实际干扰场景。其次,针对多干扰场景模型,构建了一种融合信干噪比与目标航迹完整性的强化学习奖励函数,并针对干扰信号的复数域特征,提出了一种基于复数域深度强化学习的多干扰场景雷达抗干扰方法。最后,基于3种干扰顺序策略设计了雷达抗干扰仿真实验,结果表明,所提方法能够有效解决雷达面临的时序条件下复杂多干扰场景的主瓣干扰问题,与两种经典深度强化学习算法相比该方法抗干扰决策性能大幅提高,平均决策时间降低至405.3 ms。

卷积目标分类网络的可信评估建模方法

为了提升目标分类系统的可靠性和智能空战场景的适应性,需要对目标分类系统的可信性进行定量评价,现存的目标分类系统缺少完善的可信性评价方法,所以提出了以数据为驱动,围绕目标分类系统“数据+算法+平台”三要素的可信性评估方法与准则。提出了基于黑盒和白盒的可信性评估模型,构建了目标分类系统泛化能力评估模型和目标分类系统鲁棒能力评估模型,多方面评估系统的工作能力,从根本上保证了目标分类系统的可靠性。通过生成测试用例并使用评估模型对分类网络结果进行可信性评估,形成了目标分类系统的可信性评估方法,可用于支撑、完善目标分类系统的可信性评价技术体系,提升目标分类系统的可靠性分析能力,同时为分类算法的可用性提供建议。搭建了目标分类系统可信性评估平台,该软件平台集成了数据生成模块、系统泛化性指标计算模块和系统鲁棒性指标计算模块,从泛化性、鲁棒性不同角度对目标分类系统进行了评估。