基于单光子计数激光雷达的Bayesian检测研究

在单光子计数激光雷达检测领域,目前的检测方法在低信噪比情况下虚警概率会增加,同时也无法适应噪声变化的问题。针对这些问题,提出了一种基于Bayesian的检测方法,该方法首先通过雷达方程估计回波信号光子数的范围,将其作为先验信息,而后结合二项分布建立了累计概率模型,基于Bayesian判决准则计算得到检测阈值,此阈值能够在检测概率与虚警概率中间择其平衡。这种方法不仅克服了低信噪比检测困难的情况,还减少了先验信息的获取难度。实验结果表明,对比固定阈值其虚警概率降低了10倍。对比“恒虚警”其检测概率提高了约20。验证了方法具有良好的检测效果,具备一定的可操作性。     

一种基于FCOS神经网络的小建筑物目标检测方法北大核心

提出了一种基于FCOS神经网络的小建筑物目标检测算法,针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题,引入多尺度检测和可变形卷积方式,加强网络对小建筑物目标的特征提取能力,并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征,对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试,结果表明,在相同环境下网络改进后建筑物的整体检测准确率提升了1.7%,其中对小建筑物目标提升了3.6%,减少了小建筑物目标漏检、误检的问题。     

成型温度对PBX装药内部质量及性能的影响

针对压制成型的PBX炸药装药，选择CT无损检测、巴西实验和扫描电镜检测等技术，对比研究了室温和加热两种温度下压制成型的炸药装药内部质量、静态力学性能和细观破坏形式。结果表明，加热压制有利于改善炸药装药的内部质量，可避免产生初始损伤，且提高了装药的力学性能。细观尺度上，室温压制成型的装药主要发生界面脱黏破坏，加热压制成型装药的主要破坏形式是穿晶断裂。     

一种直升机避障电力线检测方法

电力线是一类形状细长、特征稀疏、随着视角的变化容易混淆在大量背景信息中的特殊障碍物，常规电力线检测识别算法得到的目标框对电力线所在位置的估计不够准确。为此，提出了一种相对角度估计方法，基于常规电力线目标检测与识别算法，并结合电力线相对角度估计，从而提高电力线的检测识别过程中所在位置的精度。相比电力线绝对角度回归的方法，提出的相对角度估计方法容易训练易收敛，计算量小，适用于实时性要求较高的应用场合。     

基于误差估值累加开环校正的诱导式欺骗检测方法

诱导式卫星欺骗干扰可诱导航空器逐渐偏离预定航迹，难以被发现，因此及时有效地检测干扰是飞行安全的保障。在现有紧组合导航体制基础上，设计了一种基于误差估值累加开环校正的紧组合导航结构，并证明了其性能与传统闭环校正紧组合导航性能等效。在此结构中，将紧组合导航系统与自适应序贯概率比检测方法结合，提出了一种基于误差估值累加开环校正的诱导式欺骗检测方法，融合紧组合导航信息与其他不受欺骗影响的导航信息，构建欺骗检测统计量进行诱导式欺骗检测。仿真结果表明，开环校正结构可避免随时间累加的惯性导航系统误差所导致的组合导航滤波器发散问题，同时欺骗检测方法可进一步提高算法对“最坏”情形下微小诱导式欺骗的检测效果。     

基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

基于SSD的眨眼与打哈欠检测

提出了一种新的基于SSD网络的眨眼与打哈欠检测。首先,对原SSD架构进行四个方面的修改。第一,主干网用MobileNetV3替换了VGG,使得架构尺寸缩减三分之一。第二,重新设计了输出检测器,实现了目标检测与分类、目标定位与高宽比回归多任务的融合。第三,网络直接回归高宽比,比传统的从关键点离线计算高宽比的方法鲁棒性要高。第四,省去了非最大抑制层(NMS)中的重叠度(IOU)计算和阈值设定,使得单目标检测速度提高了40%。另外,在数据集YawDD上验证了所提出方法的有效性,眨眼与打哈欠的测全率为95.1%与100.0%,在单卡2080Ti上实现了41fps的高检测速度。     

基于Massive MIMO及频谱叠加的5G SA网络上行优化方法

大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)可以有效提升5G SA网络的上行链路数据传输速率以及可靠性。针对5G SA网络上行链路速率和覆盖不均衡的情况,提出了基于大规模MIMO的分组算法,将发送信号矢量进行分组,组内采用最大似然检测,组外采用基于正交三角分解(QR分解)的干扰消除检测,并且结合5G频谱的叠加策略,在降低算法复杂度的同时,有效提升网络覆盖和速率。通过5G SA现网实测,通过MIMO降低分组数量能够提升分组检测性能,结合上行低频段频谱叠加策略能够有效提升5G SA网络上行覆盖30%,提升5G SA网络上行平均速率40%~80%,特别是弱覆盖边缘的网络速率,最高可达600%。     

“数字信号处理”课程的几何视角

“数字信号处理”的经典课程体系以“系统”为中心，以离散时间傅立叶变换、z变换和离散傅立叶变换为分析工具，以滤波器设计为目的，注重定理和公式推导及其性质分析，很难让学生建立一个形象的、完整统一的知识体系框架。本文从几何视角将 “系统”化和“代数”化的经典课程体系重构为面向“信号”的“几何”知识体系，从而提升学生对本质问题的“洞察力”，帮助学生建立系统的知识体系。