基于DeepLabV3与GAN的雷达时频混叠多信号智能检测与分离

针对当前雷达信号智能检测研究中存在信号数量受限、样式单一、不便于后续处理等问题,本文提出了一种基于DeepLabV3与GAN的雷达时频混叠多信号智能检测与分离方法。首先对接收信号的时域数据通过时频变换得到二维的时频数据,利用DeepLabV3对多信号重叠的时频数据进行检测并且实现信号的分离,对于信号的重叠部分利用GAN对时域信号进行估计重构。实验结果表明,该方法在信噪比（SNR）为-3 dB时,检测平均交并比（mIoU）能够达到了85%以上,在SNR为6 dB时,分离后的信号与原信号相关系数高于0.85。      

基于多链拓展编码方案的量子遗传算法

为了提高量子遗传算法的性能,提出了一种基于多链拓展编码方案的量子遗传算法。根据编码方案,将每个量子位分解为多个并列的基因,有效地拓展了搜索空间;结合编码方案提出量子更新策略,并引入了动态调整旋转角机制对个体进行更新,使用量子非门变异策略实现量子变异。仿真实验中,分析了使用不同变异概率[0,0.1,…,0.9,1]时对算法性能的影响,对比了分别使用普通量子遗传算法、双链编码方案、三链编码方案以及四链编码方案的量子遗传算法在优化函数极值问题时算法的性能。实验结果证明,通过增加基因链可以显著提高算法的性能,多链拓展编码方案可以提高量子遗传算法的性能,是有效的。     

基于主导因子法的装备维修保障人员调度值预测

为实现装备维修保障人员调度数量的准确简单预测,提出一种通用的支持向量机(SVM)输入变量特征的确定方法——主导因子法。该算法在定义了“主导因子”、“驱动因子”、“主动性行为”和“行为载体”等相关术语的基础上,通过“极大关联性”准则和“行为目的”法设置主动性行为预测变量的主导因子,然后根据该主导因子和“驱动因子设置法则”提炼出各驱动因子作为SVM输入变量的特征。实际应用及与其他方法比较后表明：将主导因子法确定的各装备维修保障人员调度值驱动因子作为SVM输入变量特征对相关值进行预测的平均相对误差低至0.0109,相对于其他特征确定方法具有更高的预测准确率。     

一种基于近邻策略求TSP问题的改进演化算法

针对贪心演化算法(GEA)在旅行商问题中存在的求解规模小、成功率低的缺点,引入Inver-over倒异算子、贪心算子,改进近邻优化、映射算子、变异算子等策略,提出一种新的改进演化算法来求解中等规模旅行商问题(TSP)。通过仿真实验,验证了该进化算法收敛速度快、求解成功率高的优点,稳定性也更好。     

基于改进量子免疫算法的神经网络集成

针对量子免疫算法在神经网络集成结论生成时存在精英损失和过早收敛的问题,提出了改进量子免疫算法。改进算法在免疫选择时采用精英策略保留最优个体,提升了收敛效率,并引入反转策略增加个体多样性,加强了全局搜索能力。仿真实验结果表明,改进量子免疫算法是集成结论优化的有效方法,泛化性能明显优于简单平均、推广集成等传统方法。     

基于元学习思想的算法选择问题综述

算法选择实际上可视为一种学习任务.鉴于此,首先分析基于元学习思想的算法选择框架;然后从数据集特征和元算法两个角度对基于元学习思想的算法选择方法进行归纳总结;最后分析基于元学习思想的算法选择存在的问题,并指出未来发展方向.     

基于Att-BiLSTM的雷达信号调制方式识别

识别雷达信号的调制方式有助于分析雷达的工作模式和目的,为及时采取恰当的应对措施提供依据。长短时记忆网络(Long Short-Term Memory, LSTM)深度学习模型在基于特征的调制方式识别领域中有着广泛应用,但LSTM模型的时间性能会随着输入数据规模的增大而下降。针对以上问题,文中提出了一种基于注意力机制的双向长短时记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）的雷达信号调制方式识别算法。该算法通过BiLSTM提取信号原始数据的特征,再使用注意力机制为学习到的特征分配相应权重,最后由分类器根据学习到的特征输出分类结果。使用Python框架构建基于注意力机制的BiLSTM网络模型,以雷达辐射源信号特征仿真数据作为网络的输入和训练基础,实现对辐射源的调制方式的识别。结果表明,该模型在识别雷达信号的调制方式方面具有良好的效果。