論文元數(shù)據(jù)搜索，找到相關(guān)信息共 6 條：
2002, 24(10): 1358-1365.
刊出日期：2002-10-19
關(guān)鍵詞:
信息融合; 通信對(duì)抗; 通偵信息
該文簡(jiǎn)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(wèn)題。
2015, 37(8): 1900-1905.
doi: 10.11999/JEIT141515
刊出日期：2015-08-19
針對(duì)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(lái)說(shuō)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。
2005, 27(4): 505-508.
刊出日期：2005-04-19
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(guò)對(duì)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(duì)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(wú)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(duì)于提高UWB通信系統(tǒng)的性能有很重要的意義.
2019, 41(8): 2001-2008.
doi: 10.11999/JEIT180886
刊出日期：2019-08-01
樹(shù)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(méi)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(méi)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(shù)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(cè)試初步剔除無(wú)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(duì)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(shuō)明該方法具有一定的優(yōu)越性。
2024, 46(10): 3936-3948.
doi: 10.11999/JEIT231470
刊出日期：2024-10-30
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(kāi)放動(dòng)態(tài)的非合作場(chǎng)景中對(duì)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(wèn)題，并提出了自監(jiān)督解耦動(dòng)態(tài)分類器(SDDC)。針對(duì)FSCIL 中“災(zāi)難性遺忘”和“過(guò)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(duì)模型動(dòng)態(tài)微調(diào)，以對(duì)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(cè)條件和成像平臺(tái)的FSCIL場(chǎng)景上驗(yàn)證了該算法開(kāi)放動(dòng)態(tài)環(huán)境的適應(yīng)能力。
2022, 44(1): 380-389.
doi: 10.11999/JEIT201059
刊出日期：2022-01-10
SAR圖像中艦船目標(biāo)稀疏分布、錨框的設(shè)計(jì)，對(duì)現(xiàn)有基于錨框的SAR圖像目標(biāo)檢測(cè)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(wú)錨框檢測(cè)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(cè)特征；其次，針對(duì)復(fù)雜場(chǎng)景中目標(biāo)定位準(zhǔn)確性不足的問(wèn)題，提出分支交互模塊，在檢測(cè)階段利用分類分支優(yōu)化回歸分支的檢測(cè)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(cè)網(wǎng)絡(luò)分類置信度，抑制低質(zhì)量的檢測(cè)框。實(shí)驗(yàn)結(jié)果表明：在公開(kāi)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(cè)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(cè)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(cè)速度，對(duì)SAR圖像實(shí)時(shí)目標(biāo)檢測(cè)也有一定的現(xiàn)實(shí)意義。
