一级黄色片免费播放|中国黄色视频播放片|日本三级a|可以直接考播黄片影视免费一级毛片

高級(jí)搜索

留言板

尊敬的讀者、作者、審稿人, 關(guān)于本刊的投稿、審稿、編輯和出版的任何問題, 您可以本頁添加留言。我們將盡快給您答復(fù)。謝謝您的支持!

姓名
郵箱
手機(jī)號(hào)碼
標(biāo)題
留言內(nèi)容
驗(yàn)證碼

論文元數(shù)據(jù)搜索,找到相關(guān)信息共 7 條:

排序:
相關(guān)度
發(fā)表時(shí)間
每頁顯示:
10
20
30
50
通偵信息智能化融合系統(tǒng)(IFS/CI2)
徐從富, 潘云鶴
2002, 24(10): 1358-1365.  刊出日期:2002-10-19
關(guān)鍵詞: 信息融合; 通信對抗; 通偵信息
該文簡要分析了通信電子戰(zhàn)及通偵信息的特點(diǎn),介紹了一個(gè)通偵信息智能化融合系統(tǒng),并著重討論了該系統(tǒng)的融合模型和關(guān)鍵技術(shù),最后指出有待解決的幾個(gè)問題。
不確定系統(tǒng)魯棒協(xié)方差交叉融合穩(wěn)態(tài)Kalman濾波器
王雪梅, 劉文強(qiáng), 鄧自立
2015, 37(8): 1900-1905. doi: 10.11999/JEIT141515  刊出日期:2015-08-19
關(guān)鍵詞: 多傳感器信息融合, 不確定系統(tǒng), 魯棒Kalman濾波器, 虛擬噪聲, 協(xié)方差交叉融合
針對帶不確定模型參數(shù)和噪聲方差的線性離散多傳感器系統(tǒng),基于極大極小魯棒估值原理,該文提出一種魯棒協(xié)方差交叉(CI)融合穩(wěn)態(tài)Kalman濾波器。首先,用引入虛擬噪聲補(bǔ)償不確定模型參數(shù),把模型參數(shù)和噪聲方差兩者不確定的多傳感器系統(tǒng)轉(zhuǎn)化為僅噪聲方差不確定的系統(tǒng)。其次,應(yīng)用Lyapunov方程證明局部魯棒Kalman濾波器的魯棒性,進(jìn)而保證CI融合Kalman濾波的魯棒性,且證明了CI融合器的魯棒精度高于每個(gè)局部濾波器的魯棒精度。最后,給出一個(gè)仿真例子來說明如何搜索不確定參數(shù)的魯棒域,并驗(yàn)證所提出的魯棒Kalman濾波器的優(yōu)良性能。
新穎的超寬帶SSCI合成脈沖信號(hào)的最佳設(shè)計(jì)方法
張陸勇, 王小鈺, 周正
2005, 27(4): 505-508.  刊出日期:2005-04-19
關(guān)鍵詞: 超寬帶通信;UWB信號(hào)設(shè)計(jì);SSCI信號(hào)合成UWB波形;信號(hào)最佳設(shè)計(jì)
超寬帶CI脈沖是由多個(gè)相干載波合成的窄脈沖信號(hào).該文在此基礎(chǔ)上,提出了擴(kuò)頻CI合成窄脈沖技術(shù).由此降低了功率譜密度,提高了頻帶使用效率和便于多址應(yīng)用.通過對每個(gè)相干載波信號(hào)CI擴(kuò)頻且合成,其效果很好.在信道傳播上擁有超寬帶信號(hào)的抗多徑高分辨率性能,同時(shí)又能對擴(kuò)頻相干副載波進(jìn)行相關(guān)接收,這樣大大地提高了相關(guān)接收增益,減少了碼間串?dāng)_.該文運(yùn)用信號(hào)最佳設(shè)計(jì)方法,將超寬帶SSCI信號(hào)設(shè)計(jì)成符合FCC標(biāo)準(zhǔn)和ETSI標(biāo)準(zhǔn)的最佳信號(hào),減少與其他無線系統(tǒng)的相互干擾.文中給出了理論分析、設(shè)計(jì)方法和計(jì)算機(jī)模擬仿真結(jié)果.該設(shè)計(jì)方法對于提高UWB通信系統(tǒng)的性能有很重要的意義.
一種(41, 21, 9)平方剩余碼的快速代數(shù)譯碼算法
吳怡, 羅春蘭, 張新球, 林瀟, 徐哲鑫
2018, 40(8): 1949-1955. doi: 10.11999/JEIT170983  刊出日期:2018-08-01
關(guān)鍵詞: 平方剩余碼, 代數(shù)譯碼, 牛頓恒等式, 未知校驗(yàn)子, 錯(cuò)誤位置多項(xiàng)式
為了降低譯碼時(shí)的計(jì)算復(fù)雜度以及減少譯碼時(shí)間,該文通過對牛頓恒等式進(jìn)行推導(dǎo)得到了(41, 21, 9) QR碼不需要計(jì)算未知校驗(yàn)子就可求得錯(cuò)誤位置多項(xiàng)式系數(shù)的代數(shù)譯碼算法,同時(shí)也針對改善部分客觀地給出了計(jì)算復(fù)雜度的理論分析。此外,為了進(jìn)一步降低譯碼時(shí)間,提出判定接收碼字中出現(xiàn)不同錯(cuò)誤個(gè)數(shù)的更簡化的判斷條件。仿真結(jié)果表明該文提出算法在不降低Lin算法所達(dá)到的譯碼性能的前提下,降低了譯碼時(shí)間。
一種基于樹增強(qiáng)樸素貝葉斯的分類器學(xué)習(xí)方法
陳曦, 張坤
2019, 41(8): 2001-2008. doi: 10.11999/JEIT180886  刊出日期:2019-08-01
關(guān)鍵詞: 貝葉斯分類器, 樹增強(qiáng)樸素貝葉斯, 評(píng)分函數(shù)
樹增強(qiáng)樸素貝葉斯(TAN)結(jié)構(gòu)強(qiáng)制每個(gè)屬性結(jié)點(diǎn)必須擁有類別父結(jié)點(diǎn)和一個(gè)屬性父結(jié)點(diǎn),也沒有考慮到各個(gè)屬性與類別之間的相關(guān)性差異,導(dǎo)致分類準(zhǔn)確率較差。為了改進(jìn)TAN的分類準(zhǔn)確率,該文首先擴(kuò)展TAN結(jié)構(gòu),允許屬性結(jié)點(diǎn)沒有父結(jié)點(diǎn)或只有一個(gè)屬性父結(jié)點(diǎn);提出一種利用可分解的評(píng)分函數(shù)構(gòu)建樹形貝葉斯分類模型的學(xué)習(xí)方法,采用低階條件獨(dú)立性(CI)測試初步剔除無效屬性,再結(jié)合改進(jìn)的貝葉斯信息標(biāo)準(zhǔn)(BIC)評(píng)分函數(shù)利用貪婪搜索獲得每個(gè)屬性結(jié)點(diǎn)的父結(jié)點(diǎn),從而建立分類模型。對比樸素貝葉斯(NB)和TAN,構(gòu)建的分類器在多個(gè)分類指標(biāo)上表現(xiàn)更好,說明該方法具有一定的優(yōu)越性。
自監(jiān)督解耦動(dòng)態(tài)分類器的小樣本類增量SAR圖像目標(biāo)識(shí)別
趙琰, 趙凌君, 張思乾, 計(jì)科峰, 匡綱要
2024, 46(10): 3936-3948. doi: 10.11999/JEIT231470  刊出日期:2024-10-30
關(guān)鍵詞: SAR目標(biāo)識(shí)別, 小樣本類增量學(xué)習(xí), 自監(jiān)督學(xué)習(xí), 深度學(xué)習(xí)
為提升基于深度學(xué)習(xí)(DL)的合成孔徑雷達(dá)自動(dòng)目標(biāo)識(shí)別(SAR ATR)系統(tǒng)在開放動(dòng)態(tài)的非合作場景中對新類別目標(biāo)的持續(xù)敏捷識(shí)別能力,該文研究了SAR ATR的小樣本類增量學(xué)習(xí)(FSCIL)問題,并提出了自監(jiān)督解耦動(dòng)態(tài)分類器(SDDC)。針對FSCIL 中“災(zāi)難性遺忘”和“過擬合”本質(zhì)難點(diǎn)和SAR ATR領(lǐng)域挑戰(zhàn),根據(jù)SAR圖像目標(biāo)信息的部件化與方位角敏感性特點(diǎn),于圖像域構(gòu)建了基于散射部件混淆與旋轉(zhuǎn)模塊(SCMR)的自監(jiān)督學(xué)習(xí)任務(wù),以提升目標(biāo)表征的泛化性與穩(wěn)健性。同時(shí),設(shè)計(jì)了類印記交叉熵(CI-CE)損失并以參數(shù)解耦學(xué)習(xí)(PDL)策略對模型動(dòng)態(tài)微調(diào),以對新舊知識(shí)平衡判別。實(shí)驗(yàn)在由MSTAR和SAR-AIRcraft-1.0數(shù)據(jù)集分別構(gòu)建的覆蓋多種目標(biāo)類別、觀測條件和成像平臺(tái)的FSCIL場景上驗(yàn)證了該算法開放動(dòng)態(tài)環(huán)境的適應(yīng)能力。
上下文信息融合與分支交互的SAR圖像艦船無錨框檢測
曲海成, 高健康, 劉萬軍, 王曉娜
2022, 44(1): 380-389. doi: 10.11999/JEIT201059  刊出日期:2022-01-10
關(guān)鍵詞: 合成孔徑雷達(dá), 艦船檢測, 無錨框, 上下文信息, 自注意力
SAR圖像中艦船目標(biāo)稀疏分布、錨框的設(shè)計(jì),對現(xiàn)有基于錨框的SAR圖像目標(biāo)檢測方法的精度和泛化性有較大影響,因此該文提出一種上下文信息融合與分支交互的SAR圖像艦船目標(biāo)無錨框檢測方法,命名為CI-Net??紤]到SAR圖中艦船尺度的多樣性,在特征提取階段設(shè)計(jì)上下文融合模塊,以自底向上的方式融合高低層信息,結(jié)合目標(biāo)上下文信息,細(xì)化提取到的待檢測特征;其次,針對復(fù)雜場景中目標(biāo)定位準(zhǔn)確性不足的問題,提出分支交互模塊,在檢測階段利用分類分支優(yōu)化回歸分支的檢測框,改善目標(biāo)定位框的精準(zhǔn)性,同時(shí)將新增的IOU分支作用于分類分支,提高檢測網(wǎng)絡(luò)分類置信度,抑制低質(zhì)量的檢測框。實(shí)驗(yàn)結(jié)果表明:在公開的SSDD和SAR-Ship-Dataset數(shù)據(jù)集上,該文方法均取得了較好的檢測效果,平均精度(AP)分別達(dá)到92.56%和88.32%,與其他SAR圖艦船檢測方法相比,該文方法不僅在精度上表現(xiàn)優(yōu)異,在摒棄了與錨框有關(guān)的復(fù)雜計(jì)算后,較快的檢測速度,對SAR圖像實(shí)時(shí)目標(biāo)檢測也有一定的現(xiàn)實(shí)意義。