摘要:

摘要:在海杂波背景的信号检测问题中，由于海杂波具有明显的非平稳特性，其统计特性随时间改变，传统的统计信号处理方法无法取得最优效果。现有的非平稳信号处理方法主要包括基于统计模型的方法和基于时间序列分析的方法。从统计模型的角度出发，目前最常用的是使用复合高斯（Compound Gaussian， CG）分布对海杂波进行建模。从时间序列分析的角度出发，目前有使用时变自回归（Time-varying autoregressive， TVAR）模型、广义自回归条件异方差（Generalized autoregressive conditional heteroskedasticity， GARCH）模型、随机波动（Stochastic volatility， SV）模型等对非平稳信号进行建模的方法。本文对上述非平稳信号处理方法进行对比研究，并通过仿真实验验证其运用在海杂波背景下信号检测问题中的可行性。上述方法均可以一定程度上准确描述海杂波的部分特性，但是难以通过这些方法设计易于实现的检测器，还需进一步研究面向海杂波背景下检测问题的非平稳信号建模表征方法。

摘要:最大后验（Maximum a posteriori，MAP）是最常用的参数估计方法。然而，MAP方法主要关注后验分布最大峰值的位置，没有充分利用后验分布的完整信息。本文基于相对熵，提出了一种最小散度（Minimum divergence，MD）雷达测距估计方法。首先推导参数的后验分布，然后构造一个与其相似的分布，通过寻找二者散度的最小值得到估计值。仿真结果表明，在雷达测距场景下，MD算法的性能与MAP算法相比，获得了约1 dB的增益，具有较好的估计性能。

摘要:现有的电磁矢量传感器-多输入多输出（Electromagnetic vector sensor multiple-input multiple-output， EMVS-MIMO）雷达大多限制收发阵元以半波长约束分布，极大限制了雷达测向的分辨率。针对此问题，本文提出了一种基于平行因子（Parallel factor， PARAFAC）分解方法对目标进行二维角度估计的算法，该算法适用于所有任意发射阵列几何以及任意稀疏的接收阵列几何。首先，对接收阵列的匹配滤波后的信号构造三阶平行因子张量模型。然后，利用PARAFAC分解，得到发射方向、接收方向以及复合因子矩阵的估计值。最后，联合旋转不变法、矢量叉积法和最小二乘法，得到目标的高分辨率、无模糊特性二维角度估计的闭式解。本文所提出的算法具有精度高、计算复杂度低的特点，计算机仿真验证了基于张量分解的算法在任意双基地EMVS-MIMO雷达模型上的应用，该算法能够准确地估计出多个目标的二维角度参数，证明了所提算法的有效性和优越性。

摘要:多站雷达协同虽然能利用多视角探测和信息融合处理有效提高抗干扰能力，但实际场景下既很难满足其需要的探测条件，又往往面临着组网被摧毁的风险，所以单站雷达的抗干扰能力仍需提升。针对单站雷达探测视角单一，得到的回波信息有限，抗干扰能力不足等问题，通过在单站雷达回波接收过程中加入可配置智能超表面（Reconfigurable intelligence surface，RIS）构造分布式探测条件，接收目标多方向散射信号，从而开辟单站雷达抗欺骗式干扰的新途径。仿真结果表明，加入RIS能有效地构建虚拟通道，能有效提高单站雷达的抗干扰能力。

摘要:为应对愈加智能的多功能雷达给对抗方带来的挑战，本文提出一种基于近端策略优化（Proximal policy optimization，PPO）算法和Mask-TIT（Mask-Transformer in Transformer）网络的干扰决策方法。首先，从一种现实场景出发，将干扰机与雷达的对抗场景建模为部分可观察马尔可夫决策过程（Partially observable Markov decision process，POMDP），根据雷达工作原理设计了新的状态转移函数和奖励函数，并根据多功能雷达层级模型设计了观测空间。其次，利用Transformer对序列数据的表征能力和雷达干扰样式的特点设计了一种Mask-TIT网络结构，用于构建更强大的Actor-Critic网络架构。最后，使用近端策略优化算法进行优化学习。实验结果表明，该算法较现有方法收敛所需交互数据平均减少25.6%，并且收敛后的方差显著降低。

摘要:现代化战争中，利用无人机（Unmanned aerial vehicle， UAV）集群对敌方组网雷达进行航迹欺骗干扰是一种反敌方雷达侦测的有效手段。然而，考虑到战场环境的复杂性和不确定性，无人机集群因其对组网雷达定位精度有限而存在站址误差，同时受气流和控制系统等影响而存在抖动误差，两者都会导致实际生成的虚假航迹点偏离预设位置，使之无法达到预期的欺骗效果。针对以上问题，本文在已知雷达站址、无人机位置和欺骗距离，同时组网雷达空间分辨单元（Space resolution cell， SRC）一定的情况下，分别分析了存在雷达站址误差和无人机抖动误差时，无人机集群成功欺骗干扰组网雷达所允许的最大误差范围。针对典型组网雷达系统，总结了两种误差对航迹欺骗效果的影响规律，并提出了改善航迹欺骗效果的建议。数值仿真结果表明，分析和推导结果能够分别在存在雷达站址误差和无人机抖动误差情况下有效评估能否成功欺骗组网雷达。

摘要:射频电调滤波和射频干扰抵消一直是射频干扰抑制领域的研究热点，两项关键技术的结合被认为是一种提高接收机抗已方合作干扰能力的射频保护方案。本文系统梳理现有射频保护电路的优缺点，经过调研对射频电调滤波和射频干扰抵消的前沿技术进行归纳总结，针对频谱感知接收机抗未知非合作干扰的应用需求，初步提出基于感知主路与抵消辅路的频谱感知接收机宽带自适应射频保护架构，并对重难点问题进行了探讨。

摘要:针对传统互质平面阵列（Coprime planar array， CPA）结构在使用其差分共阵（Difference coarray，DCA）进行二维波达方向（Direction of arrival，DOA）估计时存在孔洞，因此损失可用连续自由度的问题，本文提出了一种无孔洞互质面阵（Hole-free coprime planar array，HFCPA）结构。这种面阵由无孔洞互质线阵分别沿x轴和y轴扩展得到，其DCA为无孔洞的矩形阵。此外，本文还给出了最佳HFCPA结构，以充分放大可用的连续自由度。仿真结果表明，与现有互质面阵结构相比，所提面阵结构在连续自由度数量、虚拟化效率和二维DOA估计性能方面具有优越性。

摘要:调制识别技术在认知无线电、电子侦察对抗领域已得到广泛应用。近年来，得益于深度神经网络强大的特征提取能力，基于深度学习的自动调制识别研究已经取得了很大的进展。在实际的调制识别场景中，调制信号通常传输没有语义的比特序列，并且每个调制符号以均匀的概率出现在波形中，因此其特征信息均匀地分布在信号数据当中。但现有的基于深度学习的自动调制识别方法通常采用卷积神经网络或循环神经网络结构，难以适应上述场景中的数据分布特点，未能充分利用长序列数据中的全局特性信息，调制识别率有待进一步提升。本文提出了一种基于改进Transformer的自动调制识别方法——AMR-former。首先对信号数据进行预处理，强化信号数据中的时序特性；随后，结合多头注意力机制与长短期记忆网络设计实现了用于特征提取的AMR-Encoder结构，有效提高了全局时序特征的提取能力，为后续识别分类提供了更为丰富的数据表示。通过在开源数据集RadioML 2016.10a上的实验表明，AMR-former方法在信噪比为0~18 dB条件下的平均识别准确度达到91.90%，相比于典型的GRU、PET-CGDNN、LSTM和MCLDNN等网络结构分别提高了6.38%、2.15%、1.99%和1.75%。

摘要:排序连续干扰消除（Ordered successive interference cancellation， OSIC）是多输入多输出（Multiple input multiple output， MIMO）系统中一种常用的信号检测算法，但该算法的吞吐量、时延等指标受制于信道矩阵逆运算。因此，计算复杂度低且能高速实现矩阵求逆分解预处理是算法硬件实现的关键。本文采用对信道矩阵进行排序正交三角（Orthogonal triangle， QR）分解的矩阵预处理硬件加速方案，其中排序过程引入对复值1范数的快速估计方法消除复数模计算，QR分解过程利用深度流水化坐标旋转数字计算（Coordinate rotation digital computer， CORDIC）迭代方法消除Givens旋转过程中的元素矢量化，计算置零旋转角度，实现了面向QR分解的可复用Givens旋转结构的流水线电路结构设计，使矩阵分解过程中无需乘法器。仿真结果表明，本文所提OSIC改进算法误比特率性能与基于信噪比的OSIC检测算法性能基本一致，所提的基于CORDIC迭代的Givens旋转结构能够高度分时复用，显著提升系统并行度并极大减少资源占用，系统设计时钟最高能达到250 MHz，矩阵分解吞吐量能达到1.88 M Matrices/s，能够满足4天线及以上MIMO系统接收端吞吐量和时延需求。

摘要:数据压缩技术通过压缩计算任务可以降低移动边缘计算（Mobile edge computing，MEC）网络中终端用户的卸载能耗。针对终端用户与基站之间的通信链路被障碍物阻挡对通信质量有影响问题，为满足应急通信和节能卸载需求，提出了一种无人机搭载中继设备和边缘服务器辅助MEC中基于数据压缩的任务卸载方案。考虑任务压缩比例、系统资源和无人机机载能量等约束条件，建立用户总能耗最小化问题。将该非凸优化问题建模成一个马尔可夫决策过程，使用深度强化学习中柔性演员-评论家算法求解。仿真结果表明，所提方案具有良好的收敛性，与基准算法相比，能耗降低了24.7%~42.2%。

摘要:提升无人机的自主着陆能力对于提高无人机的作业效率和野外生存能力具有重要意义。本文提出了一种基于机载视频的无人机降落区域自动检测方法，目的是在缺乏场景先验知识的情况下，提高无人机的自主避障着陆能力。本文将多视图几何约束方法的深度学习网络融入到视觉同步定位与制图（Simultaneous localization and mapping，SLAM）算法中，旨在构建场景的三维地图，同时主动判别潜在障碍物。随后，提出了一种顾及降落区域面积及平坦度等因素的降落区域检测算法，通过体素网格地图的空间分析方式，判别出无人机着陆区域。在不同类别场景中分别进行实验，结果表明了提出方法的准确性。

摘要:由于遥感图像中的目标尺寸差异大，且捕获不同尺度目标的信息非常困难，因此难以有效识别不同尺度目标。同时，传统Transformer在处理高分辨率图像时会出现计算资源不足的问题；单一的损失计算方式和匈牙利算法结合会增大代价损失的波动性，影响算法的收敛速度和精度。基于上述问题，本文提出一种基于改进DAB-DETR的多尺度遥感目标检测算法（Multi-scale dynamic anchor boxes for DETR， MSDAB-DETR）。首先，该算法通过创建一种新型的多尺度注意力融合模块，利用不同分辨率特征信息之间的差异，实现了对遥感图像的多尺度预测。其次，采用高效注意力机制对Transformer模型中的自注意力机制进行改进，降低原始模型的内存占用量。最后，利用SIoU损失函数作为边界框回归损失，与匈牙利算法相结合，削弱了二分图匹配的波动性，加快了收敛速度，并进一步改善了边界框的回归能力。实验结果表明，该方法在NWPU VHR-10和DIOR数据集上的检测精度分别高达95.3%和71.5%；在NWPU VHR-10数据集上，小、中、大3种尺度目标的平均检测精度相较于DAB-DETR模型分别提升了10.5%、1.8%和2.7%；内存占用量减少约9%。

摘要:针对概率数据互联（Probability data association， PDA）算法在杂波环境下计算复杂度高的问题，设计了一种基于PDA算法的数据关联方法，当波门内量测点数量大于阈值时，采用PDA算法更新目标状态；当波门内量测点数量小于等于阈值时，采用最近邻思想筛选目标量测点，接着利用卡尔曼滤波（Kalman filter， KF）算法实现杂波环境下的快速滤波更新。在此基础上，通过自适应区间平滑方法，动态修正平滑区间，实现整体状态估计的反向平滑，从而提升算法的精度。不同杂波环境下的实验结果表明，本文方法相较于PDA算法与KF-PDA算法，在保证跟踪效率的同时，有效提升了系统状态的估计精度，验证了该方法的鲁棒性和有效性。

摘要:数据关联是多目标跟踪（Multiple object tracking， MOT）中的重要步骤，一般需要根据特征相似性实现目标和检测物体之间的身份匹配。部分目标或检测物体可能在匹配结束后仍处于孤立状态，可能导致轨迹中断或身份错乱的遗漏现象。为改善MOT的精度和稳定性，抑制数据关联中的遗漏现象，提出了一种基于高性能单目标跟踪器（Single object tracker， SOT）和重匹配的防遗漏机制。该机制运用Transformer和扩散模型，设计了一款契合MOT需求的SOT用于追踪遗漏目标，并通过记忆目标信息对遗漏检测物体实施重匹配。通过消融实验验证了SOT和重匹配方法在防遗漏机制中的作用，并在标准数据集上测试了该机制对MOT算法跟踪性能的影响。结果表明，各算法加入该机制后性能获得全面改善，该机制可有效抑制MOT中的遗漏现象。

摘要:如何提取多尺度特征和建模远程通道间的语义依赖仍是表情识别网络面临的挑战。本文提出一种基于金字塔分割注意力的残差网络（Residual network based on pyramid split attention， PSA-ResNet）模型，该模型将ResNet50残差模块中的3×3卷积替换成金字塔分割注意力，以有效提取多尺度特征，增强跨通道语义信息的相关性。同时，为缩小同类表情之间的差异，扩大不同类表情之间的距离，在训练过程中引入了Softmax loss和Center loss联合损失函数优化模型参数。本文所提出的方法在Fer2013和CK+两个公开的数据集上进行仿真实验，分别取得了74.26%和98.35%的准确率，进一步证实了该方法相比前沿算法具有更好的表情识别效果。

摘要:针对复杂多变道路场景下目标重叠导致图像边缘难以分割、小目标特征提取困难等问题，提出一种多级注意力特征优化的道路场景实时语义分割方法。首先，设计深度残差注意力模块，考虑不同层级下特征权重的差异性，通过压缩注意力机制来优化图像局部特征，从而改善像素之间的边缘效应；然后，设计通道注意力和深度聚合金字塔池化模块进一步加强语义上下文信息的提取，小目标信息丢失问题得到了改善；最后，设计注意力融合模块自上而下地融合不同尺度下的特征信息，实现全局特征信息下的有效交互，增强网络对重要特征的表达。Cityscapes和CamVid道路场景数据集上进行的实验测试分别达到74.4%和67.7%的分割精度，138帧/s和148帧/s的推理速度。与近几年其他优秀方法相比，该方法改善了图像边缘信息丢失，优化了对图像中小目标的分割准确度。

摘要:作业车间调度是具有非确定性多项式（Non-deterministic polynomial，NP）难的经典组合优化问题。在作业车间调度中，通常假设调度环境信息已知且在调度过程中保持不变，然而实际调度过程往往受到诸多不确定因素影响（如机器故障、工序变化）。本文提出基于混合优先经验重放的近端策略优化（Proximal policy optimization with hybrid prioritized experience replay，HPER-PPO）调度算法，用于求解不确定条件下的作业车间调度问题。将作业车间调度问题建模为马尔科夫决策过程，设计作业车间的状态特征、回报函数、动作空间和调度策略网络。为了提高深度强化学习模型的收敛性，提出一种新的混合优先经验重放模型训练方法。在标准数据集和基于标准数据集生成的数据集上评估了提出的调度方法，结果表明：在静态调度试验中，本文提出的调度模型比现有的深度强化学习方法和优先调度规则取得了更精确的结果。在动态调度试验中，针对作业车间的工序不确定性，本文所提出的调度模型可以在合理的时间内获得更精确的调度结果。

摘要:公共安全突发事件中对数据安全的重视程度越来越高，联邦学习由于不再需要上传数据到中心服务器进行计算，减少了隐私泄露的可能而受到广泛关注。然而当前基于智能合约的联邦学习由于运算较大，存在着效率低等缺陷，因此本文提出了一种面向公共卫生突发事件检测的智能合约与联邦存储的异步联邦学习方法。该方法允许联邦节点在任何时间加入和退出联邦学习；依托智能合约与分布存储，进一步增加了公共卫生安全领域的数据安全与训练效率；同时采用自适应的差分隐私对其上传到分布式存储节点的梯度进行动态保护，进一步降低了隐私泄露的风险。在公共数据集和公共卫生安全数据集上大量的实验表明，本文提出的方法在精度上优于已知的对比方法，且在达到相同精度的情况下所需时间更少。

摘要:当前脑电信号的情感识别方法很少融合空间、时间和频率信息，并且大多数识别方法只能提取局部的脑电特征，在全局信息关联方面存在着局限性。本文提出了一种基于多域信息融合的三维特征卷积神经网络Transformer 机制（3D-CNN-Transformer mechanism， 3D-CTM）模型的脑电情感识别方法。该方法首先根据脑电信号的特性设计了一种三维特征结构，同时融合脑电信号的空间、时间以及频率信息；然后采用卷积神经网络模块学习多域信息融合的深层特征，再连接Transformer自注意力模块，提取特征信息内的全局关联性；最后利用全局平均池化整合特征信息进行分类。实验结果表明，3D-CTM模型在SEED数据集上的三分类平均准确率达到96.36%，在SEED-Ⅳ数据集上的四分类平均准确率达到87.44%，有效地提高了情感识别精度。