基于DSP的防撞雷达信号采样系统设计

针对线性调频连续波汽车防撞雷达回波信号的特点,选用串行差分ADC,设计了一种基于DSP的SPORT口的I、Q双通道采样系统,并通过实验验证了系统的正确性。     

基于无线通信的车辆主动防撞预警系统设计

提出了一种基于无线通信的车辆主动防撞预警系统,利用梯度方向直方图特征与支持向量机配合单目测距模型实现前方车辆的实时检测与测距,并利用传感器无线通信网络获取相对车速信息,最后根据相对车距与相对车速配合TTC预警模型实现碰撞预警。试验结果表明,系统平均处理时间100ms,车辆检测准确率95%,单目测距误差小于±4m,实现了实时、准确的车辆预警。     

基于GPS的高速公路主动发光诱导与自动防撞预警系统

极端恶劣天气和雾霾气象的经常发生,给高速公路运营安全带来极大隐患。因此,研发一套基于GPS授时的低能见度气象条件下高速公路主动发光诱导与自动防撞预警系统,可实现车辆智能引导、路形显示、车距警示、动态尾迹跟踪等功能。详细设计了智能诱导单元的硬件部分、上位机软件控制平台及控制策略,并给出了其控制流程图及软件界面图。选择团雾多发路段进行实地安装,应用效果明显,有效降低了事故发生率。     

减少防撞雷达虚假目标的信号处理研究

从信号处理的角度分析了防撞雷达虚报警率、漏报警率偏高的原因,采用AR模型功率谱估计的Burg算法代替传统的FFT算法,并将粗神经网络应用于防撞雷达目标识别。仿真结果表明,此方法提高了雷达信号处理的准确度和目标识别率,能有效地降低漏报警、虚报警率。     

基于机器学习的CT设备故障自动化识别系统

CT设备由于故障点数量存在不确定性,导致故障识别率低,提出基于机器学习的CT设备故障自动化识别系统。根据故障特征,设计系统硬件的框架和功能模块;软件单元设计根据CT设备正常状态信号分布,设定故障判定依据,采用神经网络算法,检测和划分故障信号的类型,结合大数据融合算法,优化故障识别系统,输出识别结果,实现CT设备故障自动化识别。实验结果表明：设计的故障自动化识别系统将电压波动控制在0值上下,峰值控制区间在[-0.5,0.5],并且最低故障识别准确率达到了90.3%,准确识别和划分了故障类型,因此,设计系统有效提升了故障识别的准确率和抗干扰能力,运行稳定性好。     

基于DSP的多功能汽车防撞雷达的设计

本系统基于C6000系列DSP的实时操作系统DSP/BIOS的多线程多任务管理,对前视雷达和后视雷达的接收信号同时进行实时处理,是集车载前视雷达、后视雷达、倒车雷达的功能于一体的多功能汽车防撞雷达.在软件方面,利用AR模型功率谱估计的burg算法、MTD-上下扫频相互匹配法对接收到的中频信号进行处理,提高了信噪比和信号处理的准确度,更好地解决多目标问题,降低虚报警、漏报警率.     

基于自动机器学习流程优化的雷达辐射源信号识别

针对雷达辐射源信号识别课题中复杂的参数配置问题,从机器学习参数优化的研究入手,发现了一种基于树结构的机器学习流程优化方法,该方法利用遗传编程生成基于树结构的机器学习流程,并对其结构和参数进行进化,得到表现最佳的带参数的机器学习流程。该流程可以包括特征处理和建模的任意组合,实现对原始数据集的学习和识别。并与人工参数配制的一对一支持向量机在两种不同维度的雷达信号特征集上进行对比识别,相比之下,该方法无须繁琐的参数配置,最高准确率提高超过6%,证明该方法得到的基于树结构的机器学习流程有着明显的优势。     

基于DSP技术的汽车防撞雷达

简要介绍了各种汽车防撞技术的工作原理,分析比较了现有汽车防撞技术的优缺点,提出了一种基于DSP的可实现低成本、高精度测距测速功能的FMCW(调频连续波)防撞雷达设计方案,具体介绍了DSP在系统中的作用。     

基于机器学习算法的电子音乐信号辨识模型

电子音乐音乐信号辨识是一个种模式识别问题,当前音乐信号辨识方法存在误差大、速度慢,抗噪鲁棒性差等缺陷,为了提高音乐信号辨识正确率,提出了一种基于机器学习算法的电子音乐信号辨识方法.首先对电子音乐信号进行采集,并引入去噪方法对其进行预处理,抑制噪声对音乐信号辨识的干扰,提高抗噪鲁棒性,然后从去噪后的电子音乐信号中提取能够...     

改进的多标签深度学习车辆属性识别研究

为了打击假牌、套牌车及以汽车为作案工具的犯罪,且由于传统单一的车型或颜色识别已显得力不从心,因此,提出了改进的多标签深度学习车型与颜色识别模型.该模型利用卷积神经网络自主学习有用特征,利用小卷积核构建深层网络提升模型对复杂函数的表达能力,以全局平均池化取代部分全连接层,减少参数与模型所占空间内存;并利用“单模型多标签”特性将车型与颜色信息融合,使提取到的特征表现力更强.在自建数据集下的实验结果表明,该模型能获得较好的识别结果和较高的准确率,特别是对相同子品牌的不同年款的大规模车型和颜色识别效果更佳,在刑侦稽查时能有效缩小搜索范围并迅速锁定类似目标车辆信息.     

基于机器学习反馈的车辆自动路况识别

研究车辆路况自动识别的问题,提高识别的准确率和鲁棒性。针对车辆的路况自动识别系统极易受外界环境的影响,传统的基于PCA的路况识别方法在提取路况信息时无法避免恶劣天气等环境的影响,造成最终的识别不准确和鲁棒性不高的问题。为了克服这一难题,提出了基于机器学习的车辆路况自动识别系统。首先采用Haar小波特征提取方法,将受环境影响的路况图像中的有效特征准确提取并降维,然后利用支持向量机选择合适的特征参数,将特征参数输入到AdaBoost分类器中进行分类识别后就完成了最终的车辆路况自动识别,避免了传统方法自动识别受恶劣环境影响的问题。实验证明,这种方法能够有效克服外界环境的影响,准确完成车辆路况的自动识别,并且识别结果具有较好的鲁棒性和满意的效果。     

基于深度学习的车标识别方法研究

对交通监控录像中车牌污损、遮挡的肇事车辆信息进行确认是现阶段智能交通系统中的一个重要问题,车标作为一个关键特征,可以起到辅助判别的作用.提出了一种基于深度学习的车标识别方法,相对于以人工提取特征为主的传统车标识别方法,该方法具有可自主学习特征、可直接输入图像等优点.实验表明,这种方法正确率较高,在光照变化和噪声污染下的准确性和稳定性较好,能够有效降低车标识别的错误率.     

基于TS201的外辐射源雷达信号处理系统

针对基于电视伴音信号外辐射源雷达大数据量、高实时性、大动态范围的要求,本文设计了一种基于TS201DSP处理器的信号处理机,以作为该体制雷达的工程应用平台。该处理机通过DSP处理器级联的方式将算法分布于多级处理器,对雷达接收信号进行流水处理;在运算量大的处理环节,采用多片并行处理的方式提升运算能力和数据刷新率。系统设计中还规划了存储器和总线资源的分配,避免在数据传输和处理环节发生资源竞争。除利用多片处理器协同工作外,还在软件上对运算量大的核心算法针对处理器架构进行了优化,提升整体运算效率。经过外场试验,验证了本雷达信号处理平台性能良好,符合设计预期。     

计算机视觉技术的车型识别应用研究

针对目前立体停车库主要采用传统的传感器入库检测系统来识别车辆信息,存在施工周期长、器件损坏率较高,维护成本较高的问题,提出了一种应用计算机视觉技术的车型识别解决方案.应用卷积神经网络框架Caffe,基于Caf-feNet模型,通过fine-tuning模型优化以及参数优化,最终得到了一个性能较优异的识别模型.实验结果表明,该模型可克服输入图片背景复杂多变,目标被遮挡的情况,对轿车车型识别这一问题鲁棒性好,具有一定的可行性及应用价值.     

弱监督分层深度学习的车辆识别算法

针对已有分类器在结构形式和训练方法的不足,构建了一个以二维深度置信网络（2D deep belief networks,2D DBN）为架构的弱监督分层深度学习车辆识别算法。首先,将传统一维的深度置信网络(Deep belief networks,DBN)扩展成2D-DBN,并构建相应分类器结构,从而能够直接以二维图像像素矩阵作为输入; 其次,在传统无监督训练的目标函数中,引入了一个具有适当权重的判别度正则化项,将原有无监督训练转化为带有较弱监督性的弱监督训练方式,从而使提取的特征较传统无监督特征更具判别性。多组对比实验表明,本文所提算法在识别率等指标上要优于已有深度学习算法。     

基于粗糙集和灰关联理论的雷达辐射源信号识别研究

雷达辐射源信号通过射频、脉冲重复周期、脉宽、天线转速等属性来描述。然而这些属性并不是在每个雷达数据库中都对识别起作用,通过粗糙集理论对其属性进行约简和规则提取,并且确定各属性的权重。对于没有受污染或受污染程度较小的信号可以通过约简规则进行匹配识别,如果受污染程度较为严重或失真的信号或是由粗糙集约简得到多义的规则,则可以计算目标信号各属性与数据库中各信号各属性的灰关联度,并用粗糙集计算得到的各属性权重对各属性得到的关联系数进行加权求和,得到关联度最大者为识别结果。仿真结果表明,基于粗糙集和灰关联理论的雷达辐射源信号识别方法能够有效地缩减识别过程,得到满意的识别结果。     

基于深度学习的声信号分类识别方法

提出了一种基于深度学习的声信号分类识别方法,将声场环境中声源目标的识别等效为声场信号—特定声源的端到端学习过程,建立一种以log-mel能量为声信号特征的预提取方法,以深度残差网络作为特征自动提取及分类的声信号分类识别模型.在两个大型数据集上对模型性能进行了验证,实验结果表明,本文提出的深度残差网络模型在DCASE20...     

基于机器学习的无人船目标识别系统研究

针对无人船装置在复杂视域环境下的目标识别准确率低、运算率高等不足,提出了采用OpenCV视觉处理框架,建立基于机器学习的无人船目标识别系统。利用HAAR级联分类器训练算法建立了目标物的机器学习库,通过多组训练目标物对比实验,分析出最大识别率和最小虚警率的关系,及正负样本尺寸和比例对训练时间和精确度的影响,得出参数值的最适设定范围。还通过水面的镜面效应,采用相位相关性法水岸线识别算法,准确地识别出水岸线,提高了水中目标物的识别效率。     

基于机器学习的入侵检测系统研究

入侵检测系统存在特征不能自动生成、特征库更新慢、无法适应大量数据等缺点。该文该文提出了基于机器学习的入侵检测系统，将遗传算法和贝叶斯分类算法结合使用，使得检测规则可以自动生成，克服手工编码的不精确、更新慢的缺陷，同时能够处理和分析大数量数据。最后给出了实验分析结果。