一种基于旋转不变子空间算法的非模糊参数配对方法

针对多维旋转不变子空间算法(ESPRIT)信号参数估计存在失配的问题,该文提出一种基于特征值分维的参数配对方法。该方法首先对包含待估计参数信息的多维特征值进行线性组合并构造判断矩阵,再根据矩阵维数对应关系进行配对。相比于其他配对算法,该文提出的算法结构简单,没有模糊参数,在特定情况下具有较高的鲁棒性,能实现参数的自动配对。最后通过对比仿真验证了该文配对算法的优越性。     

基于可变遗忘因子RLS的Boost转换器在线多参数辨识北大核心CSCD

针对Boost转换器控制性能受电感和电容变化影响的问题,提出了一种基于可变遗忘因子递推最小二乘法(recursive least squares method,RLS)的在线多参数辨识算法.考虑电感电流纹波,推导了精确的电感和电容辨识模型.在此基础上,研究了RLS算法中遗忘因子动态取值问题.通过在算法的误差信号中恢复系统噪声的方法,动态计算遗忘因子的取值,解决了传统RLS算法难以兼顾稳态精度和参数跟踪能力的问题.仿真结果表明,该算法可以在动态条件下,精确且快速地跟踪电感和电容值的变化,且具有良好的鲁棒性.     

基于改进YOLOv5的复杂场景下SAR图像船舶检测方法

针对复杂场景下合成孔径雷达图像船舶检测中易产生漏检的问题,本文提出了一种基于改进YOLOv5的复杂场景下SAR图像船舶检测算法。该算法首先将由通道注意力和空间注意力共同组成的自适应注意力模块引入YOLOv5的特征提取网络中,通过将特征向量筛选加权后,使重要的目标特征占有更大的网络处理比重,以此增强网络对目标区域的特征学习能力。然后根据SAR图像特性优化了检测模型的损失函数,提升了预测框的置信度,最终降低了复杂场景区域的目标漏检率。实验表明,相比传统YOLOv5算法,本文算法显著提升了召回率。对于复杂场景下的SAR图像船舶目标检测,平均准确率达到了79.8％,相比于传统YOLOv5算法和Faster R-CNN算法分别提高了26.1%和17.3%。      

FPGA平台轻量化卷积神经网络辐射源信号识别方法

针对卷积神经网络计算资源消耗大、难以在边缘侧应用等问题,提出了一种面向FPGA (Field Programmable Gate Array)平台的基于知识蒸馏的轻量化卷积神经网络辐射源信号识别方法。该方法以信号时频图作为特征提取对象,结合改进的知识蒸馏方法对卷积神经网络进行轻量化处理,通过注意力图增强知识信息传递,并融合深度可分离卷积,进一步提高网络稀疏度。最后,将该轻量化网络在FPGA平台上进行结构优化,通过改进循环策略和流水线并行设计,加速轻量化卷积神经网络的辐射源信号识别过程。仿真结果显示,利用本文提出的轻量化卷积神经网络辐射源信号识别算法,网络参数量降低了81.8%,在信噪比不低于-12dB的条件下,信号识别准确率达到了90%以上, FPGA平台信号识别时间为86ms,平均功耗为2W,可满足边缘侧终端对信号实时检测以及低功耗的实际应用需求。