基于噪声训练的转发式干扰机数字自干扰对消

针对转发式雷达干扰机收发同时工作时存在的自干扰问题,设计了一种基于噪声训练的数字自干扰对消方法。首先,建立了转发式自干扰对消模型,推导了利用限带高斯白噪声估计自干扰信道再进行转发式干扰对消的整体流程;然后,通过仿真分析了目标信号存在情况下有利于提高训练精度的参数选择,并验证了理论结果的正确性;最后,在硬件平台上进行了实测。结果表明,该方法可以有效抑制工作带宽内的转发自干扰信号,并且不会由于转发式干扰的高相关度而造成目标信号误消除,为在自干扰与信号高度相关的应用场景中实现收发同时工作提供了一种思路。     

收发同时技术中的数字相消技术研究

在电子系统中,有时需要在同一平台上实现同时进行信号的接收和发射。收发同时条件下对强耦合干扰信号相消需要更短的数据和更高的相消效果,而一般因果对消器相消性能较差。文章提出了采用非因果滤波器进行数字对消的技术。首先建立了非因果滤波器数字对消模型,然后对数字对消进行了仿真分析。仿真说明了数字相消的优异特性,并表明了在相同滤波器阶数的情况下,非因果滤波器数字对消法有更好的对消效果。      

基于系统辨识的干扰对消技术研究

收发隔离度一直是电子战系统的关键技术,若隔离度不够,发射的干扰信号会耦合到侦察接收机,使接收机不能正常工作甚至产生自激.分析了传统收发隔离改善技术和自适应干扰对消技术的优缺点,提出了基于系统辨识的干扰对消方法,利用耦合通路的线性非时变性,拟合出干扰耦合通路的传递函数.仿真和实验结果表明,该方法能有效对消各种干扰信号,同时不会影响接收的雷达信号,能够满足系统隔离度的要求.     

基于迭代变步长LMS的数字域自干扰对消

针对同时同频全双工(Co-frequency and Co-time Full Duplex,CCFD)系统已有的数字域干扰对消方法收敛速度慢和对消比低的问题,本文提出了迭代变步长最小均方(Least Mean Square,LMS)算法,利用该算法实现了快速收敛的高对消比数字域干扰对消.首先,改进Logistic函数,缩短其函数值由大至小的变化区间,再利用该非线性函数计算随迭代次数变化的步长因子值,从而加快干扰对消的收敛速度,高精度递推估计自干扰信道参数,即获得高的对消比.最后,理论分析了该对消方法收敛性和计算复杂度,得到了稳态条件下对消比的闭合表达式.仿真表明,该方法与已有变步长LMS对消方法相比,对消比可增加6dB以上,收敛速度可提高1倍,与最小二乘信道估计干扰对消方法相比,对消比提高了至少10dB.     

基于神经网络的单音干扰对消

在收－发天线共用的雷达系统中，由于双工器隔离度不理想，在接收信号中不可避免地会混入发射机的泄漏信号，影响接收机的正常工作，文章结合自适应干扰对消的原理，利用人工神经网络构造一种抗单音干扰的干扰对消器，并分析了它的原理及工作过程。     

基于卷积长短时记忆深度神经网络的带内全双工非线性数字自干扰消除

带内全双工(IBFD)技术能够有效提高无线通信系统的频谱效率,近年来引起了广泛关注。然而,同时发送和接收引起的线性和非线性自干扰给IBFD带来了巨大挑战。传统的非线性自干扰消除主要是基于多项式模型和深度神经网络(DNN)来实现。多项式模型方法存在模型失配导致自干扰效果恶化的风险,而DNN方法无法针对高维数据特有的空频相关性、时间相关性等特点进行处理。该文基于卷积长短时记忆深度神经网络(CLDNN),通过在输入层中引入3维张量以及在卷积层设置复数卷积层结构,分别设计了两种重建自干扰信号的网络结构——2维CLDNN(2D-CLDNN)和复值CLDNN(CV-CLDNN),充分利用卷积神经网络局部感知和权值共享的优势,在高维特征中学习到更抽象的低维特征,从而提高自干扰消除的效果。实际场景中获得数据的评估结果显示,当功率放大器记忆长度M和自干扰信道多径长度L满足M+L=13时,通过总共60次训练轮数,该文提出的结构比传统DNN方法在非线性自干扰消除方面可以实现至少26%的改进,训练轮数也有明显减少。     

频域快速自适应干扰对消算法研究及仿真

针对于提高干扰机收发隔离度的自适应干扰对消系统，利用快速FFT技术实现了一种替代时城LMS算法的频域快速LMS自适应算法，分析表明该算法不但具有同时域LMS算法近似的收敛特性，而且计算量大幅度减少，有利于对消系统的实时实现。计算机仿真证实了分析的正确性和该算法的可行性。     

自适应干扰对消系统的稳态特性研究

描述了自适应干扰对消系统的原理，分析了其稳态特性以及影响干扰对消比的有关因素。     

频域快速自适应干扰对消算法研究及仿真

针对于提高干扰机收发隔离度的自适应干扰对消系统 ,利用快速FFT技术实现了一种替代时域LMS算法的频域快速LMS自适应算法 ,分析表明该算法不但具有同时域LMS算法近似的收敛特性 ,而且计算量大幅度减少 ,有利于对消系统的实时实现。计算机仿真证实了分析的正确性和该算法的可行性     

相关干扰对旁瓣对消系统性能的影响

分析了相关干扰对旁瓣对消系统性能的影响,推导出了相关干扰下的单辅助通道的旁瓣对消系统的对消比的表达式.分析表明:相关干扰可以使旁瓣对消系统的性能退化,其退化的程度正比于相关干扰的功率和目标信号的功率.最后通过计算机仿真验证了理论分析的正确性.     

全双工通信射频域自干扰抑制量对数字域自干扰抑制能力的影响

同时同频全双工通信的射频域自干扰抑制量增加,导致数字域自干扰信号的信噪比下降,使得数字域自干扰抑制量减少。针对这一现实问题,该文分析了数字域自干扰抑制能力与射频域自干扰抑制量之间的量化关系,在典型数字域估计算法下,给出了具体关系的闭合解。分析与仿真结果表明,全双工通信在执行射频域联合数字域自干扰抑制时,射频域自干扰抑制的增大量总是大于数字域自干扰抑制能力的减小量,当射频域自干扰抑制较小时,数字域自干扰抑制将更有效;过大的射频域自干扰抑制量将造成数字域自干扰抑制性能的损失。     

基于深度卷积神经网络的场景自适应道路分割算法

现有基于机器学习的道路分割方法存在当训练样本和目标场景样本分布不匹配时检测效果下降显著的缺陷。针对该问题,该文提出一种基于深度卷积网络和自编码器的场景自适应道路分割算法。首先,采用较为经典的基于慢特征分析(SFA)和GentleBoost的方法,实现了带标签置信度样本的在线选取;其次,利用深度卷积神经网络(DCNN)深度结构的特征自动抽取能力,辅以特征自编码器对源-目标场景下特征相似度度量,提出了一种采用复合深度结构的场景自适应分类器模型并设计了训练方法。在KITTI测试库的测试结果表明,所提算法较现有非场景自适应道路分割算法具有较大的优越性,在检测率上平均提升约4.5%。     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明：与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。     

基于改进深度卷积神经网络的纸币识别研究

针对如何提高纸币识别率的问题,该文提出一种改进深度卷积神经网络(DCNN)的纸币识别算法。该算法首先通过融合迁移学习、带泄露整流(Leaky ReLU)函数、批量归一化(BN)和多层次残差单元构造深度卷积层,对输入的不同尺寸纸币进行稳定而快速的特征提取与学习;然后采用改进的多层次空间金字塔池化算法对提取的纸币特征实现固定大小的输出表示;最后通过网络全连接层和softmax层实现纸币图像分类。实验结果表明,该算法在分类性能、泛化能力与稳定性上明显优于常用的纸币分类算法;同时该算法也能够满足纸币清分系统的实时性要求。     

基于希尔伯特黄变换和深度卷积神经网络的房颤检测

房颤是一种常见的心律失常,其发病率会随着年龄增长而升高。因此,从心电(ECG)信号中尽早识别出房颤,有助于降低中风风险和心源性死亡率。为有效提高其检测准确率,该文提出一种基于希尔伯特黄变换(HHT)和深度卷积神经网络的房颤检测方法。1维的时域心电信号通过希尔伯特黄变换,转换为时频域信号,旨在通过时频分析,丰富原始信号的特征。进而,采用DenseNet深度卷积神经网络来处理精细的时频图,并在迭代过程中选出最佳检测模型。该方法获得的最佳检测模型在麻省理工学院-贝斯以色列医院(MIT-BIH)和2017年生理信号竞赛(2017 PhysioNet Challenge)的房颤数据集上分别取得了99.11%和97.25%的检测准确率。此外,该文将希尔伯特黄变换与其他时频分析方法以及稠密网络(DenseNet)与其他卷积神经网络进行了对比。相比于其他检测方法,实验结果表明希尔伯特黄变换和深度卷积神经网络(DCNN)为房颤检测提供了更加准确的识别方式。     

多抽头延迟设置与幅相误差对全双工射频自干扰消除的影响

对于多径自干扰信道场景下同时同频全双工(CCFD)无线通信系统,考虑射频域多抽头自干扰抵消技术,现有研究多集中于实验验证,缺少抽头个数与延迟设置、幅度和相位等参数对自干扰抵消性能的影响分析,不利于工程参数的选取。针对此问题,在已知抽头个数和延迟设置的情况下,该文给出各个抽头幅度和相位的求解方法,并推导了幅度和相位误差对自干扰抵消性能影响的理论表达式。分析与仿真表明,对于特定抽头个数,当最大抽头延迟小于自干扰信号主径延迟时,自干扰抵消值随着最大抽头延迟的增加而增加,而当最大抽头延迟大于约两倍自干扰信号主径延迟时,自干扰抵消值随着最大抽头延迟的增加而减少;对于特定抽头延迟范围,当抽头个数增加或自干扰信号带宽减少时,自干扰抵消值随之变大;对于特定的延迟设置,随着幅度或相位误差的增加,自干扰抵消值越来越小。     

单通道全双工系统数字自干扰消除研究

单通道全双工系统是一种在同时同频发送和接收信号的通信系统,因此本地接收机需要进行自干扰消除.文章对数字自干扰消除进行了研究,通过分析量化位数对误码率的影响得到ADC量化前的最大干信比;分析了解调后自干扰信号对期望信号的影响,得到自干扰消除需要达到的消除量;最后给出了自干扰信道估计的模型,为数字自干扰消除的实现提供了理论依据.     

基于辅助符号的非线性自干扰抵消算法及其简化实现

同频同时全双工是第5代(5G)通信关键技术之一,数字自干扰抵消算法是其重要研究方向。针对非线性数字自干扰抵消算法中,失真系数估计受到自干扰信道估计误差的影响这一问题,该文提出一种基于辅助符号的非线性自干扰抵消算法,通过对辅助符号做自干扰抵消,将信道估计符号的失真误差映射到其抵消结果中并提取出来,从中估计失真系数。接着针对算法开销问题提出一种简化实现方案。仿真结果显示,接收自干扰信号为-5 dBm时,算法可将自干扰非线性失真分量抵消至约-100 dBm,且性能随接收自干扰功率降低而提高。     

基于异质图表达学习的跨境电商推荐模型

跨境电商产品推荐已经成为电子商务领域新兴的研究议题之一。由于电商产品信息复杂多样、“用户-产品”关联矩阵极为稀疏并且冷启动问题突出,因此传统的协同过滤推荐模型很难奏效。而改进的深度协同过滤模型,只考虑了用户对产品的“显式”和“隐式”的反馈信息,忽视了由用户与项目组成的图结构信息,推荐性能很难满足平台和用户的要求。为了解决这些难题,该文提出基于异质图表达学习的图神经网络模型(HGNR)用于个性化的跨境电商产品推荐,该模型具有2个显著的优势：(1) 构造“用户-产品-主题”3部图作为模型的输入,通过图卷积神经网络(GCN)在异质图上进行高质量信息传播和聚合;(2)能够获取高质量的用户和产品表征向量,实现了用户和产品复杂交互关系的建模。在真实的跨境电商订单数据集上的实验结果表明,HGNR模型不仅在推荐性能上表现出色,还能有效提升冷启动用户的推荐准确率,与9种推荐基准算法相比,HGNR在评价指标HitRate@10, Item-coverage@10, MRR@10上至少提升了3.33%, 0.91%, 0.54%。