摘要:在当代电子战中，电子干扰与抗干扰的较量愈演愈烈。开展针对雷达有源干扰的识别算法已经成为雷达对抗领域研究的热点，具有重大的战略意义。本文针对雷达有源干扰识别算法进行整体分析，总结了目前国内外干扰识别手段的一般流程。首先对常见雷达干扰的种类进行划分，详细介绍目前常见的雷达有源干扰信号的干扰机理和信号模型，然后从特征提取手段和分类器的设计两个角度出发全面地梳理干扰识别算法流程。最后针对雷达有源干扰识别算法未来的发展方向做出了展望。

摘要:瞬态图像是一种场景对光脉冲进行响应的快速图像序列。通过对时间维度信息的捕获，瞬态图像实现了对时域中蕴藏的场景信息的有效利用，而非视距成像是瞬态图像在场景解析领域中最典型的应用。非视距成像是一种对视线范围外物体或场景进行成像的技术，近几年在国内外广受关注。本文根据不同的成像机理，对瞬态图像的不同成像方式进行分类，并根据算法原理或实现效果的不同，对比了多种基于瞬态图像的非视距成像算法。最后总结了基于瞬态图像的非视距成像技术面临的挑战，并展望了未来的发展方向。

摘要:遥感影像在实际土地监测中其检测精度会受到影像数据中噪声的影响。为了提升变化检测方法的精度，本文提出了一种结合多尺度特征提取和注意力机制的孪生卷积神经网络的变化检测方法。首先使用含有不同膨胀率的空洞卷积和空间注意力模块组成多尺度特征提取模块；然后将同一卷积层的特征图相减获取前后两时期影像的差异特征图，并使用通道注意力机制增强特征提取效果；最后通过全连接层输出变化检测结果。将本文方法与目前已有的一些变化检测方法在未添加噪声的原始遥感影像数据和添加噪声后的遥感影像数据上进行对比分析。结果表明：（1）支持向量机这类采用单个像素光谱信息作为输入的方法受图像中噪声影响较大，以卷积神经网络为基础的方法受噪声影响较小；（2）本文提出的变化检测方法与其他方法相比检测精度较高且受噪声影响较小，获得了较好的变化检测结果。

摘要:为分割灰度不均图像和各类噪声图像，本文提出了一个结合混合符号压力函数的活动轮廓模型。首先，利用图像的全局和局部信息，根据当前活动轮廓的位置，构造一个混合符号压力函数，该函数通过自适应权值线性组合一个全局压力项和一个局部压力项，得到图像相对于当前活动轮廓的混合压力。然后，结合此混合符号压力函数，构造活动轮廓的演化方程，最后通过交替迭代算法求解模型。实验中采用不同的人造、医学和自然图像对模型进行了测试，实验结果表明，该模型对初始轮廓有较强的鲁棒性，能有效分割灰度不均图像及各类噪声图像，并且相对于其他活动轮廓模型，本文模型具有最好的实验效果。

摘要:比较同一场景无雾和有雾时图像RGB（Red-green-blue）三通道和HSV（Hue-saturation-value）三通道的变化，提出一种基于幂指数拉伸的去雾算法。首先将图像从RGB变换到HSV空间，将饱和度分量和亮度分量分别作1~3的幂指数拉伸和调整，将拉伸变换后分量生成HSV图像再变换到RGB空间，生成增强后的去雾图像。以饱和度均值、亮度指标、信息熵和对比度作为去雾评价的指标，确定最优的拉伸幂指数组合。然后使用最优幂指数完成去雾处理，同时根据图像饱和变化的阈值或时间间隔长度决定是否重新寻找最优拉伸幂指数。最后使用Python软件，借助多进程编程实现本文去雾算法。当图像分辨率为400像素×300像素时，树莓派上运行时幂指数参数寻优用时为5.077~6.160 s，单帧图像去雾用时第1帧时间长为0.308 s，其余时间为0.077~0.168 s，结果验证了本文算法的实时性。

摘要:在SSD（Single shot multibox detector）单阶段人脸检测模型的基础上，针对复杂局部遮挡下人脸检测精确性差的问题，提出了一种基于层级注意力增进网络的多尺寸遮挡人脸检测方法。首先，在SSD基础网络的多层初始特征图上，通过引入注意力增进机制提升人脸可见区域的响应值。然后为不同增强特征层设计不同尺寸的锚框，以提高对多尺寸遮挡人脸的分层识别效果。最后在训练时将注意力损失函数、分类损失函数和回归损失函数融合为多任务损失函数，共同优化网络参数。在WIDER FACE人脸数据集和MAFA遮挡人脸数据集上的实验表明，本文方法的检测精确性和时效性均优于目前主流遮挡人脸检测方法。

摘要:针对当前人眼定位相关算法任务单一、且在多种干扰因素影响下（如光照、眼镜、遮挡）性能下降的问题，提出了可同时检测人眼感兴趣区域、识别人眼多种属性及定位关键点的轻量型神经网络MEL-YOLO。将YOLOV3算法与改进的DS-sandglass模块结合，在关键点回归分支应用去归一化的编解码方法提高网络定位宽度，并且在损失函数引入完全交并比（Complete intersection-over-union，CIoU）和均方误差（Mean square error，MSE），使得网络整体性能提升。MEL-YOLO算法在近红外虹膜数据集上人眼检测准确率为100%；属性识别和关键点定位准确率分别为98.7%和96.5%，在可见光数据集UBIRIS上分别达到92%和91%。实验结果证明：MEL-YOLO能同时实现人眼检测、属性识别及关键点定位，且准确率高、模型较小、泛化能力强，能够适用于低性能的边缘计算设备。

摘要:传统基于孪生网络的视觉跟踪方法在训练时是通过从大量视频中提取成对帧并且在线下独立进行训练而成，缺乏对模型特征的更新，并且会忽略背景信息，在背景驳杂等复杂环境下跟踪精度较低。针对上述问题，提出了一种融合注意力机制的双路径孪生网络视觉跟踪算法。该算法主要包括特征提取器部分和特征融合部分。特征提取器部分对残差网络进行改进，设计了一种双路径网络模型；通过结合残差网络对前层特征的复用性和密集连接网络对新特征的提取，将2种网络拼接后用于特征提取；同时采用膨胀卷积代替传统卷积方式，在保持一定感受视野的情况下提高了分辨率。这种双路径特征提取方式可以隐式地更新模型特征，获得更准确的图像特征信息。特征融合部分引入注意力机制，对特征图不同部分分配权重。通道域上筛选出有价值的目标图像信息，增强通道间的相互依赖；空间域上则更加关注局部重要信息，学习更丰富的上下文联系，有效地提高了目标跟踪的精度。为证明该方法的有效性，在OTB100和VOT2016数据集上进行验证，分别使用精确率（Precision）、成功率（Success rate）和平均重叠期望（Expect average overlaprate，EAO）作为评价标准。结果显示，本文算法的精确率、成功率和平均重叠期望分别为0.868、0.641和0.350；相比基准模型分别提高了5.1%、2.0%和0.9%。结果证明本文算法充分利用了不同网络的优点，在保证模型精度的同时，能够较好地适应目标外观的变化，降低相似物的干扰，取得更稳定的跟踪效果。

摘要:针对复杂场景下仅依靠传统的目标检测与跟踪算法进行跟踪时准确度低且速度慢的问题，提出一种基于GhostNet与注意力机制结合的行人检测与跟踪算法。首先，将YOLOv3的主干网络替换为GhostNet，保留多尺度预测部分，利用Ghost模块减少深度网络模型参数和计算量，在Ghost模块中融入注意力机制给予重要特征更高的权值。然后，引入目标检测的直接评价指标GIoU来指导回归任务。最后，利用Deep-Sort算法进行跟踪。在公共数据集上实验表明，改进后的模型平均精确度均值（mean Average precision，mAP）达到了92.53%，帧速率是YOLOv3模型的2.5倍；所提算法跟踪准确度优于改进前及其他算法，可以精确有效地跟踪复杂场景下的多目标行人，并具有较强的鲁棒性。

摘要:随着深度学习的兴起，行人重识别逐渐成为计算机领域的热门话题。它通过给定的查询行人图像进行跨摄像机检索，找出与查询身份相匹配的行人。然而，由于受到不同视角下的背景、光照等因素影响，采集到的行人图像中存在大量的难样本，利用这些难样本训练得到的模型识别性能低下，缺乏鲁棒性。因此，为了提高模型对难样本的鉴别能力，设计了一种新颖的通过混淆因子合成具有难样本信息图像的方法。对于每批输入图片，通过相似性度量寻找每张图像对应的难样本，结合混淆因子合成具有难样本信息的新图像再以有监督的方式促使模型挖掘难样本信息，从而提高模型鲁棒性。大量对比实验表明，所提方法在主流数据集上达到了较高的识别率，消融实验证明了所提方法的有效性。

摘要:针对全麻手术患者术中低体温发生率高、影响因素复杂的问题，提出了一种基于特征选择和XGBoost优化的术中低体温预测模型，以更好辅助医生对全麻手术患者的临床诊断。首先，利用随机森林（Random forest， RF）在处理高维数据集上的优势，通过RF的袋外估计法进行特征选择。然后，以极端梯度提升（XGBoost）为基础，利用基于精英保留策略的遗传算法，即EGA算法优化XGBoost超参数。最后，根据最优参数训练预测模型，并用于术中低体温预测。该模型组合利用3种算法优点，提升模型泛化能力和预测精度。实验结果表明：本文所提模型与逻辑回归、支持向量机等7种机器学习预测模型相比，预测准确率、精确度、召回率、AUC均有优势；与现有其他预测模型相比均有提升。

摘要:作为消化系统最常见的疾病之一，急性胰腺炎的医学影像仍使用简单的手工特征进行分析，效率与精度较低，与其危害性并不相称。由于胰腺的解剖变异性以及各种并发症，急性胰腺炎的影像表现复杂，不同患者不同种类的病灶差异大，基于CT影像的急性胰腺炎诊断难度较大。本文提出一种基于双重注意力网络用于诊断急性胰腺炎，该网络使用全局特征为不同阶段的局部特征生成局部注意力特征，使不同阶段的注意力特征关注不同尺度的病灶，最终通过融合对全局注意力特征进行分类。同时在生成注意力特征时，使用通道域注意力调整通道间的依赖，提高模型的表示能力。在真实的急性胰腺炎数据集上的实验结果表明，本文提出的网络取得了更好的急性胰腺炎诊断精度，相对原模型，灵敏度与曲线下面积（Area under the curve ，AUC）分别至少提升了3.4%，3.2%；相较其他注意力机制如SENet对ResNet模型的改进，AUC提升2.7%。

摘要:放射治疗计划系统需要CT图像准确计算剂量分布，但有时临床只能获得MR图像。图像合成能有效利用现有图像合成新模态图像，从而增强图像信息。针对MR图像生成CT图像问题，综合循环一致生成对抗网络不成对数据可训练合成新模态图像的特点，以及密集连接网络的特征复用和优化信息流传播的优点，提出融合密集连接的循环生成对抗网络模型，改善输入信息的消失和梯度信息稀释，合成更可信的CT图像。在18个病人的数据集上训练和验证模型，优化后的循环生成对抗网络与原方法相比，平均绝对误差降低了3.91%，结构相似性提高了1.1%，峰值信噪比提高了4.4%；与深度卷积神经网络模型和基于图谱方法比较，相对误差分别降低了0.065%和0.55%。本文利用深度学习模型优点，能根据MR图像合成更接近真实的CT图像，更好地满足放射治疗计划系统剂量计算的需求。

摘要:近年来基于运动想象（Motor imagery，MI）的脑-机接口（Brain-computer interface，BCI）技术迅速发展，广泛运用于各个领域。为了比较运动执行（Motor execution，ME）与MI脑电活动的差异，本文提出一种基于脑电信号（Electroencephalogram，EEG）时频域分析的方法。通过设计视觉诱导的上肢ME与MI对照实验，对被采集的10名健康被试的EEG数据进行预处理，并提取各波段特征值，最后分析ME与MI各波段功率值和同一波段功率差值。结果显示，MI过程alpha波为优势波，ME过程delta波为优势波。与MI相比，ME中alpha波呈下降趋势，delta波呈上升趋势。本研究结果表明，ME与MI的脑电活动有明显差异性，为进一步提高基于MI的BCI系统的实时性和普适性提供了理论和数据支撑。

摘要:与传统的图像文本识别任务不同，缅甸语光学字符识别（Optical character recognition， OCR）需要计算机在一个感受野内识别由多个字符嵌套组合的复杂字符，这给缅甸语OCR任务带来了巨大的挑战。为了解决该问题，提出了一种基于知识蒸馏的缅甸语OCR方法，构建了使用卷积神经网络（Convolutional neural networks， CNN）+循环神经网络（Recurrent neural network， RNN）框架的教师网络和学生网络，以集成学习的方式进行训练的模型架构，在训练过程中通过教师集成的子网络与学生网络进行耦合，实现学生网络中单个感受野对应的局部字符图像特征与教师网络中整体字符图像特征的对齐，以此增强对长序列字符图像中局部特征的获取。实验结果表明，在没有背景噪声图像和有背景噪声图像作为训练数据集的情况下，本文模型的性能分别优于基线2.9％和2.7％。

摘要:极限学习机因具有高效处理、性能优越以及更少人工参数设定等优点，已成功应用于批处理多标签分类问题。然而，实际应用领域涌现的数据流呈现海量快速、多标签和概念漂移等特点，使得这些传统的多标签分类算法面临精度与时空的挑战。本文提出一种基于核极限学习机的多标签数据流集成分类方法。首先，为适应数据流环境，利用滑动窗口机制将数据流划分为数据块，在前k个数据块上构建k个核极限学习机的集成分类模型；同时，考虑类标签相关性，利用Apriori算法得到每个数据块的标签间的关联规则，并将关联规则中的同现标签的置信度引入到基于集成模型的预测过程中，以提高整体的分类精度；其次，引入MUENLForeset模型检测新到来的数据块是否发生概念漂移，对分类器设置损失函数更新集成模型以适应概念漂移问题。最后，在实际多标签数据上的大量实验表明：与经典多标签批处理和流数据分类方法相比，所提方法不仅能适应多标签数据流中的概念漂移问题，同时在分类精度上具有显著优势。

摘要:利用火焰颜色建模测量火焰当量比是燃烧诊断技术的一个新兴研究方向。目前的建模方法主要利用RGB（Red-green-blue）模型中蓝色/绿色特征（B/G）作为模型输入，但通过单一颜色比值简单拟合得到的颜色-当量比模型存在较大的不确定性及测量误差，因此本文提出利用多颜色模型下的多颜色特征参数作为模型输入。首先，采用数字火焰颜色分布（Digital flame colour distribution， DFCD）技术对采集甲烷燃烧预混火焰图像进行处理并获取火焰图像目标区域（Region of interest， RoI）。其次，综合分析火焰颜色特征变量构建特征工程，设计并提取火焰目标区域的不同颜色模型下的多颜色特征，共计36维火焰颜色特征，利用Spearman秩相关性分析与随机森林（Random forest， RF）算法筛选出表征燃烧当量比更深层的颜色特征，得到16维优质特征子集。最后，通过优化持向量机（Support vector machine，SVM）参数选择，并采用网格搜索方法（Grid search method， GSM）寻求最优参数优化SVM，进一步利用特征工程构建得到的特征子集训练SVM以建立预混火焰燃烧当量比软测量模型。将该算法与传统的BP神经网络和极限学习（Extreme learning machine， ELM）算法进行对比，实验结果表明，本文方法具有较好的回归预测效果，均方误差（Mean square error， MSE）低至0.023。

摘要:为了提高农村配电网智能化设计水平，满足配电线杆路径自动规划的需求，本文利用深度神经网络对配电网规划区域航拍图像中的典型电力目标进行识别以实现可行区域的自动筛选。首先利用无人机航拍获得配电网规划区域的高分辨率图像，构建了包含11类、32 118个典型电力目标的数据集。然后通过对Faster-RCNN、YOLO、SSD（Single shot multibox detector）三种网络模型的实用对比，确定采用SSD网络进行典型电力目标的检测与识别，最终给出了配电网线杆规划的可行区域。实验表明，相比于Faster-RCNN与YOLO网络模型，SSD网络模型能够对变电站、配电室、箱变等典型电力目标进行有效的检测与识别，识别准确率为68.5%，达到了实用的要求。本文提出的智能识别方式为电力设计提供了技术支持，降低了配电网设计的人工成本并提高了效率。

摘要:针对相控阵雷达多目标跟踪下的威胁度等级不同，以目标位置估计的贝叶斯克拉美罗下界（Bayesian Cramer-Rao lower bound，BCRLB）为分配准则，本文建立了一种基于威胁度的多目标跟踪时间资源分配优化模型，该模型以威胁度为基准将待跟踪目标分为两类，不同类别采用不同的时间资源分配方法。由于该模型及优化算法运行耗时巨大，该文还提出了一种基于反向传播（Back propagation，BP）神经网络的多目标跟踪时间资源拟合方法。计算机仿真表明，该模型及方法可以使各目标跟踪维持最佳状态，同时BP神经网络耗时降低2 000多倍。

摘要:对无人机自组织网络中的协作机制进行了研究，提出一种基于动态中继选择的无人机自组网协作时分信道接入协议。该协议在传输中继数据包时引入了双队列协作机制，在网络层数据包缓存队列之外引入了独立的媒体接入控制（Media access control，MAC）层中继数据包缓存队列，并且能够实现默认中继节点与辅助中继节点的动态选择，以满足大流量负载及网络拓扑快速变化的要求。仿真结果表明，通过中继节点动态选择机制，在网络业务流量负载较大、网络拓扑快速变化的情况下，所提出的协作时分信道接入协议可获得比传统时分多址（Time division multiple access， TDMA）协议与机会协作中继时分多址（Opportunistic cooperative relay time division multiple access， OCR-TDMA）协议更高的中继数据包投递率及更低的端到端时延。

摘要:设计了一种基于FPGA的JPEG压缩域数字水印系统，可在JPEG图像中实时嵌入水印信息。在对水印信息作二值化和Arnold置乱预处理后，通过改进的LSB嵌入算法将水印信息嵌入到量化后的DCT系数中，经熵编码后生成JPEG压缩文件，完成JPEG压缩域的数字水印嵌入。最后，采用FPGA开发板和上位机对本文设计进行软硬件联合测试。测试结果验证了本文提出的嵌入算法具有较好的不可见性和鲁棒性，以及较高的数据吞吐率。