論文元數(shù)據(jù)搜索,找到相關(guān)信息共 10 條:
2008, 30(4): 876-880.
doi: 10.3724/SP.J.1146.2006.01339
刊出日期:2008-04-19
關(guān)鍵詞:
陣列信號處理; 測向; 陣列擴展; 四階累積量; MUSIC
對通信系統(tǒng)中大量使用的BPSK等非圓信號測向,可以采用共軛擴展MUSIC(CE-MUSIC)算法,也可以采用基于四階累積量的MUSIC-like算法。CE-MUSIC算法沒有利用高階信息,MUSIC-like算法沒有利用信號的非圓信息,性能均受限。該文提出的四階擴展MUSIC(FO-EMUSIC)算法利用了非圓信號在四階累積量中的信息,分辨力和測角精度明顯優(yōu)于MUSIC-like算法,略優(yōu)于CE-MUSIC算法,可測向陣元數(shù)大于CE-MUSIC算法和MUSIC-like算法。針對均布線陣,為減小計算量,還提出了FO-EMUSIC/ULA算法。仿真實驗驗證了FO-EMUSIC算法的優(yōu)良性能。
2004, 26(2): 318-321.
刊出日期:2004-02-19
該文把Asharif(1999)定義的相關(guān)函數(shù)均方誤差(MSE)準則Jr(n)=E「eT(n)Ce(n)」改為時變的遺忘因子指數(shù)加權(quán)最小二乘誤差(LSE)準則Jr(n)=nt=0 n-teT(n)Ce(n),對這一準則利用梯度法,使當前時刻的梯度向量正交于前一時刻的梯度向量而得到一種新的相關(guān)函數(shù)自適應(yīng)濾波算法.計算機仿真結(jié)果表明新算法的收斂性能優(yōu)于Asharif提出的ECLMS算法.
2022, 44(8): 2949-2956.
doi: 10.11999/JEIT210537
刊出日期:2022-08-17
針對目前圖像隱寫檢測模型中線性卷積層對高階特征表達能力有限,以及各通道特征圖沒有區(qū)分的問題,該文構(gòu)建了一個基于多層感知卷積和通道加權(quán)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)隱寫檢測模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積,增強隱寫檢測模型對高階特征的表達能力;同時引入通道加權(quán)模塊,實現(xiàn)根據(jù)全局信息對每個卷積通道賦予不同的權(quán)重,增強有用特征并抑制無用特征,增強模型提取檢測特征的質(zhì)量。實驗結(jié)果表明,該檢測模型針對不同典型隱寫算法及不同嵌入率,相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測準確率,與最優(yōu)的Zhu-Net相比,準確率提高1.95%~6.15%。
2013, 35(8): 1901-1906.
doi: 10.3724/SP.J.1146.2012.01526
刊出日期:2013-08-19
形狀特征是MPEG7中用來描述圖像的重要特征之一。同心離散圓簇(Cluster of Concentric Discrete Circles, CCDC)形狀特征提取方法具有特征提取速度快的優(yōu)點。但該方法的特征函數(shù)使用圓環(huán)弧段的方差作為特征,由于內(nèi)外環(huán)的離散點數(shù)不同,使得內(nèi)外環(huán)的特征值變化范圍不同,會產(chǎn)生特征掩蓋現(xiàn)象。針對上述問題,該文對特征函數(shù)進行了重新設(shè)計,利用弧段的相對弧長或段數(shù)作為特征,將每一環(huán)的特征用4個子特征來描述,并將每一個特征值歸一化為0~1范圍內(nèi),提取過程比原來更簡單,特征提取速度更快。改進后的新方法命名為改進的CCDC (Improved CCDC, ICCDC)。該文采用了MPEG7-CE1-B標準形狀數(shù)據(jù)庫進行測試,評價指標采用Precision-Recall曲線。實驗表明,ICCDC比CCDC在性能方面有顯著的提升,檢索精度比原來提高了約50%,提取MPEG7-CE1-B圖形庫中所有圖形特征所用的計算時間比原來減少了約25 ms。
2015, 37(6): 1409-1415.
doi: 10.11999/JEIT141131
刊出日期:2015-06-19
針對機載聚束合成孔徑雷達(SAR)慣導(dǎo)精度無法滿足高分辨SAR成像的問題,該文提出了一種結(jié)合極坐標格式算法(PFA)的自聚焦算法,即由粗到精的混合多階段參數(shù)化最小熵(Hybrid Multistage Parameterized Minimum Entropy, HMPME)距離單元徙動校正方法和基于圖像對比度增強(Contrast Enhancement, CE)的變步長迭代相位誤差校正方法。該自聚焦算法可以直接嵌入到PFA處理中,精確地補償了慣導(dǎo)測量精度不足引起的越距離單元徙動(Range Cell Migration, RCM)和相位誤差,且對于低對比度、低信噪比場景數(shù)據(jù)有良好的聚焦性能。最后,利用仿真實驗和實測機載聚束SAR數(shù)據(jù)驗證了所提算法的有效性。
2022, 44(1): 127-137.
doi: 10.11999/JEIT200996
刊出日期:2022-01-10
針對腦出血CT圖像病灶部位的多尺度性導(dǎo)致分割精度較低的問題,該文提出一種基于改進U型神經(jīng)網(wǎng)絡(luò)的圖像分割模型(AU-Net+)。首先,該模型利用U-Net中的編碼器對腦出血CT圖像特征編碼,將提出的殘差八度卷積(ROC)塊應(yīng)用到U型神經(jīng)網(wǎng)絡(luò)的跳躍連接部分,使不同層次的特征更好地融合;其次,對融合后的特征,分別引入混合注意力機制,用以提高對目標區(qū)域的特征提取能力;最后,通過改進Dice損失函數(shù)進一步加強模型對腦出血CT圖像中小目標區(qū)域的特征學習力度。為驗證模型的有效性,在腦出血CT圖像數(shù)據(jù)集上進行實驗,同U-Net, Attention U-Net, UNet++以及CE-Net相比,mIoU指標分別提升了20.9%, 3.6%, 7.0%, 3.1%,表明AU-Net+模型具有更好的分割效果。
2021, 43(9): 2518-2525.
doi: 10.11999/JEIT200807
刊出日期:2021-09-16
在精密時頻測控領(lǐng)域中,高分辨率、無死區(qū)的時間間隔和頻率測量非常關(guān)鍵,而時間數(shù)字轉(zhuǎn)換器(Time to Digital Converter, TDC)是時間頻率測量的常用手段。該文研制了基于ACAM公司生產(chǎn)的時間數(shù)字轉(zhuǎn)換芯片TDC-GP21和Altera公司FPGA芯片EP4CE6E22C8N的時間頻率測量設(shè)備,實現(xiàn)了高分辨率的時間間隔測量,測量分辨率達到13ps 。同時采用時間間隔測量模塊兩兩組合的方式實現(xiàn)了無死區(qū)頻率測量,創(chuàng)新性地采用每組3個TDC芯片,共4組搭建了時間頻率測量系統(tǒng),并對組內(nèi)3個TDC芯片測量結(jié)果采用平均值濾波法,使頻率測量穩(wěn)定度達到$ 1.1 $ ×$ {10}^{-11} $ @1 s, $ 5.6\times {10}^{-15} $ @10000 s,與商用K+K FXE頻率計數(shù)器指標相當。本設(shè)備具有體積小、無需校準、成本低等優(yōu)點,能夠廣泛應(yīng)用到高精度時間間隔和精密頻率測量領(lǐng)域中。
2023, 45(1): 227-234.
doi: 10.11999/JEIT211262
刊出日期:2023-01-17
針對物聯(lián)網(wǎng)(IoTs)場景下,聯(lián)邦學習(FL)過程中大量設(shè)備節(jié)點之間因冗余的梯度交互通信而帶來的不可忽視的通信成本問題,該文提出一種閾值自適應(yīng)的梯度通信壓縮機制。首先,引用了一種基于邊緣-聯(lián)邦學習的高效通信(CE-EDFL)機制,其中邊緣服務(wù)器作為中介設(shè)備執(zhí)行設(shè)備端的本地模型聚合,云端執(zhí)行邊緣服務(wù)器模型聚合及新參數(shù)下發(fā)。其次,為進一步降低聯(lián)邦學習檢測時的通信開銷,提出一種閾值自適應(yīng)的梯度壓縮機制(ALAG),通過對本地模型梯度參數(shù)壓縮,減少設(shè)備端與邊緣服務(wù)器之間的冗余通信。實驗結(jié)果表明,所提算法能夠在大規(guī)模物聯(lián)網(wǎng)設(shè)備場景下,在保障深度學習任務(wù)完成準確率的同時,通過降低梯度交互通信次數(shù),有效地提升了模型整體通信效率。
2024, 46(10): 3936-3948.
doi: 10.11999/JEIT231470
刊出日期:2024-10-30
為提升基于深度學習(DL)的合成孔徑雷達自動目標識別(SAR ATR)系統(tǒng)在開放動態(tài)的非合作場景中對新類別目標的持續(xù)敏捷識別能力,該文研究了SAR ATR的小樣本類增量學習(FSCIL)問題,并提出了自監(jiān)督解耦動態(tài)分類器(SDDC)。針對FSCIL 中“災(zāi)難性遺忘”和“過擬合”本質(zhì)難點和SAR ATR領(lǐng)域挑戰(zhàn),根據(jù)SAR圖像目標信息的部件化與方位角敏感性特點,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)督學習任務(wù),以提升目標表征的泛化性與穩(wěn)健性。同時,設(shè)計了類印記交叉熵(CI-CE)損失并以參數(shù)解耦學習(PDL)策略對模型動態(tài)微調(diào),以對新舊知識平衡判別。實驗在由MSTAR和SAR-AIRcraft-1.0數(shù)據(jù)集分別構(gòu)建的覆蓋多種目標類別、觀測條件和成像平臺的FSCIL場景上驗證了該算法開放動態(tài)環(huán)境的適應(yīng)能力。
, 最新更新時間: ,
doi: 10.11999/JEIT240677
作為全球化通信網(wǎng)絡(luò)的重要組成部分,衛(wèi)星通信因其能夠?qū)崿F(xiàn)全球無縫覆蓋和構(gòu)建天地一體化信息網(wǎng)絡(luò)而備受關(guān)注。跳時(TH)作為一種常用的衛(wèi)星通信方式,具備強大的抗干擾能力、靈活的頻譜利用和高安全性。該文提出一種適用于衛(wèi)星通信的TH圖案隨機變化系統(tǒng),以進一步增強數(shù)據(jù)傳輸過程的安全性。針對發(fā)射功率受限的問題,該文提出多跳信號相干合并策略,并進一步在該策略指導(dǎo)下,面對接收信號信噪比(SNR)低的約束,提出了交叉熵(CE)迭代輔助的跳時圖案與多跳載波相位聯(lián)合估計算法,以合并信噪比損失為目標函數(shù),自適應(yīng)調(diào)整待估參數(shù)的概率分布,從而快速收斂至最優(yōu)解附近。仿真實驗證明了該算法在迭代收斂速度、參數(shù)估計誤差以及合并解調(diào)誤碼率等方面的優(yōu)異性能。與傳統(tǒng)算法相比,所提算法在保持較低復(fù)雜度的同時,誤碼率(BER)性能接近理論最優(yōu),有效提高了衛(wèi)星TH通信系統(tǒng)在復(fù)雜環(huán)境下的穩(wěn)定性和可靠性。