基于背景估计的图像预处理技术的性能分析

红外图像预处理是红外小目标检测中的重要组成部分,其基本思想是通过背景估计实现对起伏背景的抑制,提高信噪比。对现今几种常用的背景估计技术进行了理论分析,指出了各自的优点与不足,并通过计算机仿真结果给出了直观的性能对比。对红外图像预处理的进一步研究具有指导意义。     

FPGA在雷达信号跟踪器中的应用

雷达信号跟踪器是探测定位装置的重要组成部分。叙述了FPGA的结构特点和设计流程，讨论了利用FPGA设计雷达信号跟踪器的要点。模块化设计的系统，使其集成度和灵活性都有了很大的提高。     

基于卷积神经网络的低截获概率雷达信号检测算法

为了解决雷达截获接收机对低截获概率(LPI)雷达信号检测效果不理想的问题,针对截获信号中有效信号脉宽长度来定义信号和噪声,该文提出一种基于卷积神经网络(CNN)的LPI雷达信号检测方法,利用卷积核与匹配滤波器结构上的相似性,在低信噪比下能够提高信号的检测准确率。利用大量的基于4种典型LPI雷达信号(线性调频信号(LFM)、非线性调频信号(NLFM)、二相编码信号(BPSK)、COSTAS频率编码信号)和白噪声信号的模拟数据集进行CNN模型训练,同时增加少量实测信号(LFM, BPSK)作为验证集进行适配,更好地拟合实测信号的检测模型。最终利用实际信号进行测试,实验结果表明:该文算法在低信噪比的情况下具有较好的检测效果,对多种调制方式、不同信噪比下的LPI雷达信号具有泛化能力。     

基于深度神经网络的收发同时系统中自干扰数字对消算法

为了解决转发式干扰机收发同时系统中的自干扰难以对消问题,该文设计一种基于深度神经网络(DNN)的自干扰对消算法。在自干扰信号与目标信号强相关且混叠的情况下该算法可以有效地消除自干扰信号。在此基础上,该文利用分段侦收的信号快速生成干扰的方法,验证了该算法在收发同时系统中自干扰信号对消的可行性,实现了基于本脉冲的雷达干扰信号构建,对敌方雷达快速做出反应,在电子对抗中占据有利地位。该文利用典型的线性调频(LFM)和二进制相移键控(BPSK)雷达信号生成数据集训练深度神经网络,用测试集去测试网络输出的模型。实验结果表明:在收发同时系统中目标信号与自干扰信号混叠的情况下,基于DNN的自干扰对消算法可以有效消除自干扰信号,在信干比–8 dB的情况下,对消比可达到26 dB以上。     

自适应梯度下降观测矩阵优化算法

基于可以通过减小压缩感知中观测矩阵与稀疏矩阵之间的互相关性来提高信号的重构质量,结合无约束凸优化问题中梯度下降的思想,提出了一种自适应梯度下降算法（Adaptive Gradient Descent, AGD）。首先利用等角紧框架（Equiangular Tight Frame, ETF）收缩传感矩阵的Gram矩阵,然后通过收缩得到的Gram矩阵建立一个无约束凸优化问题,最后通过梯度下降方法求解无约束凸优化问题进而得到优化后的观测矩阵。AGD算法通过每次更新梯度下降的方向,使Gram矩阵能够在最短时间内逼近ETF。仿真实验表明,该算法不仅迭代次数少,且优化后的观测矩阵与稀疏矩阵之间的互相关性大大降低。与传统的优化算法相比,信号恢复效果更好。     

Bootstrap方法对晶振稳定度估计

针对小样本条件下晶振能够快速稳定实现时钟同步的问题,提出了在蒙特卡洛模拟实验下结合传统和改进后Bootstrap方法与卡尔曼滤波方法消除相关噪声,从而维持晶振稳定性的一种方法.由于传统Bootstrap方法限制再生样本的生成范围,使计算结果远远偏离真实情况,而改进Bootstrap方法可以拓展再生样本的生成范围,避免了只抽取原始数据的情况,使得频偏和时偏的估计分布尽可能地接近真实分布.仿真结果表明,改进Bootstrap对频偏和时偏的校正优于传统Bootstrap方法,利用改进Bootstrap与卡尔曼相结合的方法能够实现对晶振的快速稳定.     

基于互相关和MUSIC算法的时延估计

为了避免相位干涉仪测向技术中存在的模糊问题,提高宽带信号时延估计的测量精度,把互相关和多重信号分类算法结合,引入到频域时延估计领域,研究了互相关MUSIC算法.利用互相关技术可消除非相关噪声,检测概率增加,减小了运算量.仿真结果表明,该算法具有较高的估计精度,较强的抗噪性和较强的鲁棒性,适用于电子对抗领域中的时延估计.     

基于匹配滤波器的LFM信号鉴相算法

基于匹配滤波理论,提出了一种适合于线性调频（LFM）信号的鉴相算法。利用匹配滤波器的冲击响应包含原信号的初始相位信息,采用匹配滤波器对另一路信号进行处理,分析其相位谱即得到两路LFM信号的相位差。计算机模拟仿真证明了此方法的有效性。     

Generative adversarial networks for hyperspectral image spatial super-resolution

It is becoming increasingly easier to obtain more abundant supplies for hyperspectral images ( HSIs). Despite this, achieving high resolution is still critical. In this paper, a method named hyperspectral images super-resolution generative adversarial network ( HSI-RGAN ) is proposed to enhance the spatial resolution of HSI without decreasing its spectral resolution. Different from existing methods with the same purpose, which are based on convolutional neural networks ( CNNs) and driven by a pixel-level loss function, the new generative adversarial network (GAN) has a redesigned framework and a targeted loss function. Specifically, the discriminator uses the structure of the relativistic discriminator, which provides feedback on how much the generated HSI looks like the ground truth. The generator achieves more authentic details and textures by removing the place of the pooling layer and the batch normalization layer and presenting smaller filter size and two-step upsampling layers. Furthermore, the loss function is improved to specially take spectral distinctions into account to avoid artifacts and minimize potential spectral distortion, which may be introduced by neural networks. Furthermore, pre-training with the visual geometry group (VGG) network helps the entire model to initialize more easily. Benefiting from these changes, the proposed method obtains significant advantages compared to the original GAN. Experimental results also reveal that the proposed method performs better than several state-of-the-art methods.