基于特征融合的调制识别增强与迁移演化

针对调制识别中单一图像的特征信息不足,区分度不够高,识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法,利用深度学习神经网络提取信号图像的特征,构建特征空间,通过多维特征融合,挖掘和整合不同特征的优势,增强模型算法的鲁棒性。此外运用了模型迁移的方法,仅需对分类器进行训练,大幅节约了训练时间和资源,具有很强的实时性和实用性。仿真结果显示,在0db左右的条件下,相比于单一特征图像,采用特征融合增强的方法能将信号的平均识别率提高约25%,通过模型迁移,省去了卷积神经网络的训练,所需的训练时间约为迁移前的9.6%,消耗内存约为迁移前的7.3%,同时模型的识别率损失控制在了5%以内。     

Turbo编码V-BLAST MIMO-OFDM系统中的联合迭代判决反馈信道估计与检测

针对Turbo编码V-BLAST MIMO—OFDM系统，提出了一种联合迭代判决反馈信道估计与检测方案，该方案将Turbo迭代译码与最小二乘（LS，least square）信道估计相结合，充分利用Turbo迭代译码后的信息位和校验位软值信息来改善信道估计性能。仿真结果表明，该方案不仅纠正了低信噪比时的差错传播问题，还使得整个系统的信道估计性能得到进一步提高，且适合于非常恶劣的信道环境。     

天线伺服机械的智能创成精度

基于BP神经网络算法生成误差补偿单元,提出一种高效,高精度的采样学习实施方法和具体算法迭代格式,对天线伺服机械数据进行有效校正,实现系统高精度的智能化创成,方法简单可行,显著提高系统精度,且降低系统造价和使用维修费用。     

基于深度残差收缩网络的辐射源个体识别方法

辐射源个体识别是电子对抗领域中的重要技术,通过识别设备间不同细微特征从而达到区分非法设备与合法设备的目的。针对辐射源个体间指纹特征差异细微且在噪声干扰下提取特征较少的问题,本文提出了一种基于深度残差收缩网络的辐射源个体识别方法。该方法首先将I/Q图特征数据进行拼接,利用数据增强技术进行样本扩充,进而构建了深度残差收缩网络识别模型,最后对构建的模型进行ADS-B辐射源个体识别训练并进行识别效果评估。仿真结果表明,本文构建的深度残差收缩网络通过消除数据噪声的优势,对数据增强后的20类ADS-B辐射源个体在0dB的低信噪比条件下总体识别准确率达到98.2%,其性能较相同层数的Resnet网络提高了1.3%,并明显优于现有其他方法。     

Turbo编码MIMO-OFDM系统中的EM迭代信道估计

该文对频率选择性衰落信道条件下的Turbo编码多入多出正交频分复用(MIMO-OFDM)系统的信道估计进行了研究,提出了一种将Turbo迭代译码与EM迭代信道估计相结合的方法。采用该方法的EM迭代信道估计性能得到了明显提高,且适合于非常恶劣的信道环境。另外,通过仿真可知,利用EM迭代信道估计算法的系统性能优于利用简化的最小二乘(LS)信道估计算法所获得的系统性能。     

基于深度卷积对抗网络的电磁频谱异常检测

为了解决电磁频谱异常检测精度不高的问题,在深度卷积神经对抗网络（Deep Convolution Generative Adversarial Network,DCGAN）的基础上加入了编码器（Encoder）用来重构频谱数据。编码器首先将真实频谱数据编码为低维特征表示,生成器通过学习编码后的低维特征生成重构频谱数据,判别器负责将重构频谱数据与真实频谱数据进行区分,并通过对抗性训练逐渐提高模型重构频谱数据的能力,最后计算重构频谱数据与真实频谱数据的均方误差,判别异常。实验结果表明,该模型能够在多个频段下实现有效的电磁频谱异常检测,在TV频段下,干信比为-5 dB时,相比于现有电磁频谱异常检测方法,所提方法的平均检测性能提升了18%以上。     

软件配置错误诊断与修复技术研究

软件的多样性、复杂性、灵活性和高度可定制性对系统的正确配置提出了挑战,配置错误已经成为影响应用服务质量的关键问题之一.很多学者和研究机构致力于配置错误的检测、诊断和故障修复的相关技术和方法研究,以提高复杂应用系统的可用性和可靠性.为系统了解软件配置错误相关的研究现状和进展,建立了一种多方面、多角度的分析框架对该领域的主要研究工作进行分类总结和分析评价,该分析框架覆盖了方法类型、方式和适用范围这3个方面的多个角度.基于该分析框架的分析结果,总结了当前软件配置错误相关研究中存在的问题,并针对今后该领域的研究趋势进行了展望,对继续和深入研究具有一定的指导意义.     

发射分集OFDM系统中一种基于Turbo迭代的判决反馈信道估计

本文对频率选择性衰落信道条件下发射分集OFDM系统的信道估计进行了研究,提出了一种基于Turbo迭代的判决反馈信道估计方法.该方法充分利用Turbo迭代信息来改善信道估计性能,且因无需求逆运算,使得整个系统的复杂度增加不多.仿真结果表明,所提方法在较高信噪比条件下,明显提高了系统信道估计的性能,且适合于高速移动的信道环境.     

基于适配的服务协作流程动态管理

服务协作以服务为构造单元,通过组合不同的服务,实现复杂的业务逻辑,并以此为基础构建新的应用.为实现正确的服务协作,服务之间的交互必须是兼容且一致的.适配技术通过构造适配器来弥补服务之间的交互差异,为解决协作的一致性问题提供了有效的方法途径.然而考虑到服务计算环境的动态特性,协作适配器本身应具有动态调整及重新配置的能力,从而避免使其成为协作系统响应动态变化的可适应能力的瓶颈.文中首先给出了一种基于适配的服务协作方法,以保证服务交互的一致性.并针对提出的适配器结构,建立了适配器的执行模型,在此基础上给出了适配器的动态更新方法,使适配器具有可重配置以及动态调整的能力,从而保证了基于适配的服务协作系统的灵活性和动态可适应性.     

天线伺服机械精度的智能创成方法

基于 BP神经网络算法生成误差补偿单元 ,提出一种可行的采样学习实施方法和高效的算法迭代格式 ,对轴系、齿隙、传动、检测元件和光机电匹配的误差引起的天线伺服机械的测向误差可进行有效校正 ,实现系统高精度的智能化创成。方法简单可行 ,显著提高系统精度 ,测角误差由 2毫弧度减小为 0 .2毫弧度 ,且降低机械装置的造价和使用维修费用