毫米波超近程LFMCW雷达运动目标参数估计

毫米波超近程线性调频连续波(LFMCW)雷达运动目标参数估计新方法,可以在加速度运动目标环境中有效估计出目标的加速度、速度和距离参数。该方法能够对加速度运动目标多普勒信号进行加速度补偿,解决目标多普勒频谱畸变现象和LFMCW雷达固有的距离速度耦合现象,达到改善加速度运动目标的检测性能和提高参数估计精度目的,且算法稳健,运算量小。算法通过仿真分析,评估了加速度运动补偿前后的效果,证明了算法的有效性。该方法可用于针对毫米波超近程LFMCW雷达信号处理快速、准确的参数估计。     

基于CNN的毫米波无蜂窝大规模MIMO信道估计

针对小区间干扰导致蜂窝边缘无法满足不断增长的数据速率需求问题,毫米波无蜂窝大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统被认为是一种很有前途的解决方案。然而,毫米波的高频率、大带宽以及接入点配置的大量天线给信道估计带来了较大挑战。将毫米波大规模MIMO信道矩阵视为二维图像,结合图像去噪方法提出一种基于改进去噪卷积神经网络(Improved-Denoising Convolutional Neural Network, I-DnCNN)的信道估计算法。通过具有注意力机制的压缩与激励(Squeeze-and-Excitation, SE)模块,自适应调整提取的全局特征以增强对信道噪声特征的学习,根据接收信号估计出噪声等级图且增添为输入,提升对噪声的鲁棒性。最后,采用残差学习的方式获得估计信道矩阵。利用理论信道模型和基于波束追踪的信道数据集进行的仿真实验结果表明,与去噪卷积神经网络(Denoising Convolutional Neural Network, DnCNN)算法相比,所提算法在两个数据集下的信道估计精度可分别平均提升2.27...     

基于毫米波雷达的汽车近程防撞系统设计

采用24GHzmm波雷达传感器,设计了一种汽车近程测距与防撞系统。系统通过对运动物体上载有的雷达射频前端输出信号的处理,可以得到该传感器与目标物体的距离和速度信息,根据此信息来判断载有该传感器的物体与目标物体是否有碰撞危险。若有危险,则通过声音报警提醒运动物体如汽车驾驶者,以减小事故发生的概率。该设计首先对雷达射频前端输出的差频信号进行滤波和输入匹配,然后用STM32F407处理器来完成实时测距和测速算法。经实验验证,该系统工作稳定,测量距离可达20m,可将其应用到倒车雷达和盲点检测中,弥补了当前防撞雷达探测距离短的缺点。     

CPLD模块在毫米波雷达测距中的应用研究

主要介绍了用VHDL语言对CPLD进行编程，实现毫米波雷达测距。在分析和实验的基础上，达到了要求的技术指标，并且提高了测距精度。     

3mm波段FMCW近程雷达的研究

介绍了三毫米波段FMCW近程雷达作用距离的计算、雷达参数选择和测距精度的分析方法。并给出了所研制的3mm波段FMCW近程雷达的测试结果。     

提高毫米波近程探测雷达距离跟踪精度新算法

该文针对毫米波近程探测雷达在短时间信号积累条件下对空间弱目标进行距离跟踪时,存在的测距精度低与抗干扰能力差的问题,提出了一种多重自相关重构算法。该算法通过将差拍数据进行不同方式排列后获取的自相关信息进行多重融合,之后再对重构出的自相关序列进行距离谱分析,进而获取距离信息。这样可在抑制干扰的同时,实现目标距离跟踪分辨率的二的指数次方倍的增加,并且它可在传统算法无法工作的低信噪比条件下,实现高精度测距。仿真实验验证了理论分析的结果和算法的有效性。     

基于毫米波雷达感知的CNN⁃ConvLSTM多时刻阻塞预测方法

针对当前毫米波雷达辅助无线通信单时刻阻塞预测无法适应高移动复杂场景的问题,提出一种结合卷积神经网络（CNN）和时空序列预测模型（ConvLSTM）的多时刻持续阻塞预测方法。该方法通过构造时间分布层存储CNN提取的热图特征,解决了卷积神经网络单次处理多张雷达热图可能存在的特征缺失问题,实现了连续热图特征的多帧分组。进而,利用ConvLSTM对输入多帧时空序列进行处理实现多时刻阻塞预测。利用DeepSense 6G真实场景数据的实验结果表明,该方法的多时刻预测结果均能达到90%的准确率和80%以上的F1?score,具备多时刻精确阻塞预测能力。本文方法在复杂动态环境下高频段通信的高可靠、低时延QoS保障方面具有重要的理论和应用价值。     

近程毫米波合成孔径辐射计成像算法

 针对近程毫米波合成孔径辐射计成像存在非线性相位项和像差等因素影响而使图像模糊和分辨率降低的问题,在分析合成孔径成像和衍射成像的相似性的基础上,把衍射成像算法中的分数阶傅立叶变换和拉冬-魏格纳变换引入近程成像,通过在时频平面的相关和坐标旋转减小非线性相位项的影响,改善成像质量.同时提出了基于互强度传播方程的近程成像算法,通过两次傅立叶变换来消除成像模糊问题,同样提高成像质量.     

基于全卷积神经网络的SAR图像目标分类

近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络（All Convolutional Neural Network, A-CNN）是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。     

基于改进Elman神经网络的红外被动测距算法研究

为了满足现代战争的需求,对于空中目标的距离精确估计显得愈发重要,由于目标的红外辐射在大气传播过程中的衰减,目标在不同波长的辐射会随着传输距离的改变而发生变化,故不同的波长的辐射里包含了目标的距离信息.基于以上原理,本文利用美国空军大气传输软件Modtran生成空中目标在不同波段的大气透过率数据,利用经纬仪获得目标的天顶角,最后建立基于改进Elman神经网络的被动测距模型.仿真结果表明本文算法能够有效提高对于空中目标距离估计的精确性.     

基于递归神经网络的卷积码解码器的研究

详细介绍了一种基于递归神经网络(RNN)的1/n卷积码解码器的原理与实现。仿真结果表明RNN解码器与Vterbi解码器效果很接近,对一些特殊的卷积码,性能非常好。并通过模拟退火技术对此解码器的性能进行了改善。     

一种基于卷积神经网络的人脸识别改进算法

针对目前图像特征点人脸识别算法匹配精度低等缺点,提出了一种基于卷积神经网络的人脸识别算法。该算法采用传统算法算子融合卷积神经网络进行识别,首先采用局部感受野的思想,将整体图像进行分割,得到局部图像集合,并将该集合中每个局部图像像素存储在像素矩阵Ai中。然后对各个局部图像进行卷积运算,得到局部图像之间的内在特征联系,存储于Bi矩阵中,并池化进行特征映射。最后,训练出网络加权系数并求出识别结果。实验结果表明,相比其他算法,所提算法改善了原有算法图像特征点匹配精度低的问题,验证了所提算法的有效性。     

一种基于集成卷积神经网络的SAR图像目标识别算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题,提出了一种基于集成卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作,以扩充训练样本;接着通过重采样的方法从训练样本中获取不同的训练子集,并在训练各基分类器时引入Dropout和Padding操作,有效增强了网络泛化能力;然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络,提高了网络的收敛速度和识别精度;最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明,集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络,具有较强的泛化能力和较好的稳健性。     

基于全卷积神经网络的非对称并行语义分割模型

针对RGB图像具有丰富的色彩细节特征,红外图像对目标轮廓、尺寸、边界等外形特征有较高敏感度的特点,提出了一种非对称并行语义分割模型APFCN（Asymmetric Parallelism Fully Convolutional Networks）.APFCN上路设计了一个卷积核尺寸非统一的五层空洞卷积网络来提取红外图像目标高层轮廓特征;下路沿用卷积加池化网络提取RGB图像三个尺度上的细节特征;后端将红外图像高层特征与RGB图像三个尺度的细节特征进行融合,并将4倍上采样后的融合特征作为语义分割输出.结果表明,APFCN在像素精度和交并比等方面均优于FCN（输入为RGB图像或红外图像）,适用于背景一致下地面目标的语义分割任务.     

基于深度卷积神经网络的自适应图像去雾算法

室外拍摄图像由于受雾气、雾霾、沙尘等大气颗粒杂质的影响呈现出图像灰白化,而现有的图像去雾算法存在过度依赖先验信息、透射率计算不精确的问题。针对上述问题,文中提出了一种基于深度卷积神经网络的自适应图像去雾算法。该算法基于大气散射模型实现了有雾图像的去雾,设计浅层提取、并行提取和深度融合共3个全卷积网络实现图像浅层特征与深层特征的融合,大幅提高了透射率图的准确性。去雾实验测试结果表明,文中所提出的算法对室外露天雾图具有良好的去雾效果,且去雾细节效果更加理想。     

基于卷积神经网络的Android流量分类方法

深度学习就是机器学习研究的过程,主要通过模拟人脑分析学习的过程对数据进行分析。目前,深度学习技术已经在计算机视觉、语音识别、自然语言处理等领域获得了较大发展,并且随着该技术的不断发展,为网络流量分类和异常检测带来了新的发展方向。移动智能手机与大家的生活息息相关,但是其存在的安全问题也日益凸显。针对传统机器学习算法对于流量分类需要人工提取特征、计算量大的问题,提出了基于卷积神经网络模型的应用程序流量分类算法。首先,将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。其次,设计了一种新的卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手,构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中的特征选择问题。最后,通过CICAndmal2017网络公开数据集进行模型测试,相比于传统的机器学习流量分类模型,设计的卷积神经网络模型的查准率和查全率分别提高了2.93%和11.87%,同时在类精度、召回率以及F1分数方面都有较好的提升。     

基于滑动窗口和卷积神经网络的可穿戴人体活动识别技术

由于缺少统一人体活动模型和相关规范,造成已有可穿戴人体活动识别技术采用的传感器类别、数量及部署位置不尽相同,并影响其推广应用。该文在分析人体活动骨架特征基础上结合人体活动力学特征,建立基于笛卡尔坐标的人体活动模型,并规范了模型中活动传感器部署位置及活动数据的归一化方法;其次,引入滑动窗口技术建立将人体活动数据转换为RGB位图的映射方法,并设计了人体活动识别卷积神经网络(HAR-CNN);最后,依据公开人体活动数据集Opportunity创建HAR-CNN实例并进行了实验测试。实验结果表明,HAR-CNN对周期性重复活动和离散性人体活动识别的F1值分别达到了90%和92%,同时算法具有良好的运行效率。     

基于多任务卷积神经网络的人脸识别技术研究

深度神经网络是目前计算机机器学习领域的一个关键技术,可应用于图像处理。其中,多任务卷积神经网络(Multi-task Convolutional Neural Network,MTCNN)是一种基于卷积神经网络的多任务人脸检测框架,这里采用MTCNN人脸检测模型代替传统的卷积神经网络,在深度学习框架TensorFlow上进行人脸识别。首先,在数据预处理阶段利用灰度化方法将图像集转变为灰度图,降低图像通道。其次,基于MTCNN构建人脸检测模型,并利用Softmax函数进行分类识别。最后,实验过程中选择不同迭代次数进行准确性对比,在模型趋于稳定的情况下,得到较高的准确性。