平坦衰落信道下基于变分贝叶斯的多天线信号联合符号检测算法

该文针对平坦衰落信道下存在信道参数差异的多天线接收信号联合参数估计和符号检测问题,提出一种基于变分贝叶斯的联合处理算法。算法直接利用多个接收数据流进行信息符号的估计,抑制传统信号合成与解调解耦处理带来的性能损失。将问题建模为已知多组观测数据条件下发送符号、信道传输时延、信道增益和噪声功率的联合最大后验估计问题。基于变分贝叶斯理论对该最大后验进行近似求解,在相对熵最小化的准则下,推导得到了各个待估参数解析形式的近似后验分布——变分分布。所提算法无需计算各参数精确的点估计值,而是采用信道参数和信息符号变分分布迭代处理的方式进行联合求解。仿真结果表明,所提算法通过多信号、多参数的联合处理能够获得优于经典解耦处理和部分联合处理技术的系统误码率性能,且在接收天线数目较多和观测数据长度较短时性能优势体现更加明显。     

垂直分层空时码的MAP检测器及其神经网络实现

该文基于最大后验概率准则,给出了垂直分层空时码的最佳检测箅法。算法对接收到的符号矢量的符号分量进行逐个地判决以使误符号率最小。同时还详细说明了径向基函数神经网络可以完全等价于最大后验概率检测算法,由于神经网络的硬件可实现性,本文提出的算法是可能在实际中应用的。     

基于区域融合的分布式CPAR信号检测

本文提出了多传感器检测区域的划分,以及先分区融合再系统融合的方法,并且在不同的检测区域,传感器采用不同的门限。给出了该方法的虚警概率和检测概率表达式,并介绍了它在分布式CFAR检测系统中的应用。结果表明,通过设置不同的门限,可以提高系统的检测概率。     

贪婪的量测划分机制下的多传感器多机动目标跟踪算法

针对低检测概率下多机动目标的跟踪问题,该文提出一种新的交互式多传感器多目标多伯努利滤波器(IMM-MS-MeMBer).在IMM-MS-MeMBer滤波器的预测阶段,该文利用当前的量测信息自适应地更新目标的模型概率,并利用更新后的模型概率对目标状态进行混合预测;在IMM-MS-MeMBer滤波器的更新阶段,使用贪婪的多传感器量测划分策略对多传感器量测进行划分,并利用得到的量测划分集合和IMM-MS-MeMBer滤波器对目标的后验概率密度进行更新;除此之外,IMM-MS-MeMBer滤波器能够利用目标的角度和多普勒量测信息同时实现多个机动目标的位置、速度估计.数值实验验证了该文所提IMM-MS-MeMBer滤波器的优越性能.     

基于局部检测统计量的分布式CFAR检测理论研究

本文系统研究了融合中心接收局部检测统计量的分布式CFAR检测技术。在假设局部检测器背景杂波功率水平相同以及不同传感器测试单元之间服从独立同分布的前提下,首先推导了局部采用单元平均（CA）检测器时融合中心的检测概率与虚警概率的解析表达式,在此基础上利用Laplace变换的频域微分性质,将其推广到局部采用其它检测器,获得了普适性的融合方法,可适用于局部采用任意数量、形式的均值（ML）类和有序统计量（OS）类CFAR检测器时的情形,避免了传统的融合中心采用MOS类方法时所需要的局部信杂比相同的假设,实验结果表明了算法的有效性。      

一种新的采用分布式孔径的无源雷达成像方法

该文提出一种新的利用机会照射源的无源分布式雷达目标成像方法。首先基于波方程建立接收回波信号模型。然后建立新的无源回波模型,该模型将所有接收单元(或接收机)处的回波信号用某一基准接收单元处的接收信号来描述,无需发射源信息。基于分布式孔径获得的数据有限,成像被描述为目标位置未知的二元假设检验。采用无源回波模型,依据最大信噪比准则构造空间可分辨的检测统计量,对观测区域每个位置进行检测,最终形成关于成像区域的检测统计量图像,获知目标位置信息。在给出该成像方法分辨率的理论分析的基础上,进一步通过仿真实验验证了理论分析结果和成像方法的有效性。     

基于AMD算法的多目标分布式融合

提出一种新的基于广义交叉协方差(GCI)和平均边缘概率密度(AMD)的分布式多目标融合机制。传统的多传感器跟踪算法存在一些难以克服的缺点:如航迹关联性能对关联参数设置敏感,航迹关联计算量随目标个数增加呈指数增加等。为解决这些问题,提出一种适用于多目标的鲁棒性较好的分布式融合算法。首先,将多目标联合后验概率密度近似为关于其AMD的积分布;然后,考虑到不同雷达节点之间的未知的互相关,采用GCI融合算法进行融合。由于航迹关联过程被内嵌在航迹融合过程中,所提分布式融合机制同时进行航迹关联和航迹融合,理论上会更加完备。所提算法借助高斯混合模型实现,试验结果证明其性能相比传统融合算法有很大改善。     

贪婪的量测划分机制下的多传感器多机动目标跟踪算法

针对低检测概率下多机动目标的跟踪问题,该文提出一种新的交互式多传感器多目标多伯努利滤波器(IMM-MS-MeMBer)。在IMM-MS-MeMBer滤波器的预测阶段,该文利用当前的量测信息自适应地更新目标的模型概率,并利用更新后的模型概率对目标状态进行混合预测;在IMM-MS-MeMBer滤波器的更新阶段,使用贪婪的多传感器量测划分策略对多传感器量测进行划分,并利用得到的量测划分集合和IMM-MS-MeMBer滤波器对目标的后验概率密度进行更新;除此之外,IMM-MS-MeMBer滤波器能够利用目标的角度和多普勒量测信息同时实现多个机动目标的位置、速度估计。数值实验验证了该文所提IMM-MS-MeMBer滤波器的优越性能。     

分布式检测多目标融合算法研究

雷达分布式检测的融合准则一般采用的是Neyman-Pearson准则,首先简单分析融合规则和各局部传感器判决规则之间的关系,并利用遗传算法实现融合准则和各局部传感器判决规则的最优搜索,但目前分布式检测各种融合算法只适用于单目标,因此,提出利用区域映射法将检测区域进行分区检测,使单目标分布式检测融合算法与多目标区域检测联合检测,同时单个区域分布式检测采用遗传算法进行优化,最终达到对多目标的分布式检测最优融合.最后给出了数值仿真,仿真结果表明,该方法具有一定的可行性.     

基于Michelson 干涉仪的光纤分布式扰动传感器

提出并研究了基于Michelson 干涉仪的应用于检测时变扰动的光纤分布式传感器。所提出的光纤传感器由两个Michelson 干涉仪和一个光纤延迟环组成。扰动作用在传感光纤上,引起传输光波相位的调制作用,可以通过该传感器进行检测并得到扰动的位置信息。通过光电探测器对干涉信号进行接收。对接收到的信号进行隔直,并通过求取峰峰值的方法对隔直后的信号进行预处理。通过希尔伯特变换、相位去包裹和三角函数运算可以提取出预处理信号中包含的相位信息。最后,通过频谱分析和相应的数学运算可以实现扰动的定位。在20 km 的监测距离内通过实验验证了传感器的可行性。所提出的光纤传感器具有实时性好、抗偏振性、低成本的独特优势。     

OFDM雷达信号联合优化设计与处理方法

本文针对机载雷达探通一体化信号设计与处理的难匹配问题,提出正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）雷达信号联合优化设计与处理方法。首先,基于机载探通一体化系统发射和接收信号链路建立线性接收模型,接着基于最小二乘估计理论提出雷达脉压算法和通信解调算法;然后,分别推导雷达脉压和通信解调后的输出信噪比（Signal to Noise Ratio,SNR）,以雷达和通信输出SNR加权最大化为目标建立优化问题模型。由于该优化问题是一个NP难问题,本文提出降次-交替方向乘子法获取近似解。最后,通过仿真验证本文所提方法可以通过参数动态调整,适应探通一体的需求,并保持探测和通信性能。     

基于叠加式传感器的多普勒雷达多目标联合检测与估计

多目标检测与估计是多普勒雷达的基本任务。当信噪比较低时,为确保检测到目标需降低门限而产生了大量虚警,基于数据的多假设跟踪（Multi-Hypothesis Tracking, MHT）和联合概率数据关联（Joint Probabilistic Data Association, JPDA）方法因计算复杂度过高而失效,基于原始信号的随机有限集（Random Finite Set,RFS）滤波器可有效解决该问题。多普勒雷达回波信号以叠加的方式受到多个目标影响,其多目标检测与估计问题属于叠加式传感器的典型应用。本文在叠加式多伯努利（Multi-Bernoulli, MBR）滤波器基础上利用具有准确势估计的独立同分布群（Independent and Identically Distributed Cluster, IIDC）RFS对新生目标建模,并采用辅助粒子滤波器（Auxiliary Particle Filter, APF）实现了多目标联合检测与状态估计。仿真结果表明,混合MBR和集势概率假设密度（Cardinalized Probability Hypothesis Density,CPHD）滤波器对多普勒雷达多目标的检测估计性能优于MBR滤波器,且减小了计算复杂度。      

基于CNN-SVM性别组合分类的单通道语音分离

实际语音分离时,混合语音的说话人性别组合相关信息往往是未知的。若直接在普适的模型上进行分离,语音分离效果欠佳。为了更好地进行语音分离,本文提出一种基于卷积神经网络-支持向量机（CNN-SVM）的性别组合判别模型,来确定混合语音的两个说话人是男-男、男-女还是女-女组合,以便选用相应性别组合的分离模型进行语音分离。为了弥补传统单一特征表征性别组合信息不足的问题,本文提出一种挖掘深度融合特征的策略,使分类特征包含更多性别组合类别的信息。本文的基于CNN-SVM性别组合分类的单通道语音分离方法,首先使用卷积神经网络挖掘梅尔频率倒谱系数和滤波器组特征的深度特征,融合这两种深度特征作为性别组合的分类特征,然后利用支持向量机对混合语音性别组合进行识别,最后选择对应性别组合的深度神经网络/卷积神经网络（DNN/CNN）模型进行语音分离。实验结果表明,与传统的单一特征相比,本文所提的深度融合特征可以有效提高混合语音性别组合的识别率;本文所提的语音分离方法在主观语音质量评估（PESQ）、短时客观可懂度（STOI）、信号失真比（SDR）指标上均优于普适的语音分离模型。     

面向复杂太赫兹信道的智能调制系统设计

太赫兹通信是未来高速无线通信极具潜能的技术,受到广泛关注。在本文中,提出基于简单、稀疏空域调制的太赫兹通信系统,探索了由硬件缺陷导致的信号失真对系统性能的影响,并结合收发端失真相关性,进行了系统噪声建模,得到了发端噪声、背景噪声和收端噪声的联合模型。在此多维度噪声背景下,依据后验概率最大化准则,本文推导了太赫兹空间调制系统极大似然信号检测算法。此外,考虑到未来太赫兹通信在多域多维度通信的应用场景,传统检测算法匹配度差且复杂,本文提出了利用具有简单结构的极端学习机来实现太赫兹空间调制系统的低复杂度智能算法。仿真结果表明,本文所提出的极大似然检测算法的性能优于传统的极大似然算法,另外本文中所提出的基于极端学习机的接收机方案,其性能接近最优检测方案,并且明显优于基于深度学习网络和支持向量机的方案。      

采用DBN的TV改进方法在语种识别中的应用

近年来基于深度神经网络（Deep Neural Network,DNN）的全差异空间建模方法（Total Variability, TV）在语种识别领域得到了广泛研究。本文提出了一种基于DNN的改进TV方法,既利用了DNN对数据的音素状态对齐效果,又充分考虑了语种任务的相关性。该方法首先利用带有瓶颈层的深层神经网络(Deep Bottleneck Network, DBN)对语种数据特征按照音素状态进行聚类,得到语种任务相关通用背景模型(Universal Background Model, UBM),然后利用该UBM模型并结合深度瓶颈特征(Deep Bottleneck Feature, DBF)进行TV建模。实验表明,与经典的TV方法相比,该方法能够显著的提升系统性能和效率,并且融合后性能得到了进一步提升。      

基于D-S证据理论的无源航迹关联算法

目前分布式无源多目标跟踪系统的航迹关联算法基本照搬多传感器数据融合的理论,仅利用目标的状态信息。文中利用了目标的多特征信息（载频、脉宽、脉冲重复间隔（PRI）等）,应用Dempster-Shafer（D-S）证据理论,提出了一种基于分布式无源多目标跟踪系统的多特征信息融合航迹关联算法。算法具有以下优点：关联速度快,正确率高,而且能够适应密集目标的环境。仿真实验证明该算法的航迹关联效果明显优于加权航迹关联算法。     

基于神经网络与D-S证据理论的多传感器目标识别技术

为了满足目标识别的需要,多传感器的数据融合技术已经成为研究的热点。D-S证据理论是多传感器信息融合中最常用的一种处理不确定问题的方法,在基于D-S证据理论的目标识别融合中,基本概率赋值的获取是一个难点。使用神经网络中应用最广泛的BP神经网络来求基本概率赋值,再结合D-S理论进行目标识别。结果表明这种方法可以提高战场目标识别的可靠性,降低识别结果的不确定性。     

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络（CNN）特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。     

基于多端特征融合模型的MIMO-OFDM系统盲调制识别

自动调制分类(Automatic Modulation Classification,AMC)在认知无线电中起着提高频谱利用率的重要作用,然而,现有的大多数工作都集中在单输入单输出系统中的单载波通信。针对当前非协作通信中多输入多输出正交频分多路复用(Multiple-Input Multiple-Output Orthogonal Frequency Division Multiplexing,MIMO-OFDM)系统子载波的盲调制识别问题,本文提出了一种基于多端特征融合模型的盲调制识别方法。首先,利用特征矩阵的联合近似对角化算法(Joint Approximate Diagonalization of Eigenvalue Matrix,JADE)从接收端的混合信号中恢复发送信号。然后,提取恢复信号的循环谱剖面和同向正交分量作为浅层特征。最后,搭建多端特征融合模型,利用一维卷积网络(One-Dimensional Convolutional Neural Network,1D-CNN)与通道注意力模块(Channel Attention Module,CAM)的串联模型完成对浅层特征...     

基于网络流量预测模型的CFAR入侵检测方法研究

论文提出了一种基于网络流量预测模型的CFAR入侵检测系统。采用AR模型对网络流量进行预测,并运用雷达信号处理中的恒误警CFAR技术,选取检测阀值以判定是否存在入侵信号。利用林肯实验室DARPA数据对系统进千亍试验,通过对不同的CFAR检测进行比较分析,最后提出三种CFAR联合检测,使得系统具有更高的检测率和更低的误警率。