基于点云配准的多固态激光雷达标定算法

针对多个固态激光雷达协同工作时,需要准确地进行外参标定的实际需求,提出一种基于点云配准的多固态激光雷达自动标定算法。该标定算法由标定物分割、初始配准和精确配准三个阶段构成。在标定物分割阶段,首先通过叠加多帧非重复扫描数据制作标定点云,再使用半径滤波和体素下采样滤波分割出纹理特征明显的目标点云。在初始配准阶段,使用3D-HARRIS算法提取关键点,并使用方向直方图(SHOT)特征描述子进行特征描述,然后匹配对应点并使用采样一致算法完成初始配准;在精配准阶段使用迭代最近邻(ICP)算法进行精确配准,从而获得精确的外参标定效果。在Bunny兔数据集和现场获得的数据上进行实验,结果表明,当保证配准平均误差小于1 mm的前提下,所提出算法的性能优于多种现有算法。     

离子色谱在元器件腐蚀失效分析中的应用研究

电子元器件在应用过程中经常出现污染腐蚀失效,查找引起失效的污染、腐蚀源是分析技术的关键。本工作通过几种不同类别电子产品失效分析案例,研究了离子色谱检测(IC)在板面残留、工艺辅料、产品包封料、环境异物中污染腐蚀源的检验和分析方法,并与传统的形貌观察、绝缘阻抗测试、EDS成分分析、红外光谱分析的结果进行综合对比和验证。明确了离子色谱检验方法在电子元器件腐蚀失效分析中的应用场景、取样方法和结果分析方法,为离子色谱在电子元器件腐蚀失效预防中的工程应用提供指导和借鉴。     

认知雷达抗干扰中的博弈论分析综述

雷达对抗的核心研究内容主要是干扰策略与抗干扰策略之间的对抗博弈,其作为电子战研究领域的热点一直备受学者们关注.该文综述了学者们利用合作与非合作博弈方法来分析雷达在进行目标探测和干扰抑制时所使用的策略,主要通过不同体制的雷达利用认知技术感知和学习外界复杂的电磁环境,合理地分配发射功率、控制编码序列、设计波形、研究检测和跟踪方法以及分配雷达通信资源等.这样雷达既节约发射所消耗的功率,又可以自适应地搜索和跟踪目标而不被敌方所发现,从而使雷达在复杂多变的现代战场环境中达到自身最优的性能.最后,对认知雷达抗干扰中的博弈论分析研究进行总结和展望,并指出了一些博弈论在认知雷达抗干扰策略应用中所面临的潜在问题和挑战.     

一种低轨双星高脉冲重复频率雷达信号的定位模糊消除算法

针对低轨(LEO)双星到达时间差(TDOA)定位系统中雷达信号的定位模糊问题,该文分析了高重频信号的模糊特性,演示了虚假定位点的产生过程,提出一种基于时差序列变化趋势匹配(VTMT)的定位模糊消除算法.在测量时差序列与定位结果对应的理论时差序列之间的残差近似服从正态分布的条件下,通过两个序列的欧式距离作为相似程度衡量依据,筛选出测量时差线与理论时差线最为接近的定位点作为目标辐射源真实位置.校验台测试信号验证了该算法的有效性.仿真结果表明,该算法能够显著提高无模糊定位概率,对长基线时差定位系统中雷达信号的定位具有较高的应用价值.     

基于深度森林的多级特征融合SAR目标识别

大多数传统的合成孔径雷达(SAR)目标识别方法仅仅使用了单一的幅度特征,但是由于斑点噪声的存在,仅仅使用幅度特征会限制识别的性能.为了进一步提高SAR目标识别的性能,该文提出了一个基于深度森林的多级特征融合SAR目标识别方法.首先,在特征提取阶段,提取了多级幅度特征和多级密集尺度不变特征变换(Dense-SIFT)特征.幅度特征反映了目标反射强度,Dense-SIFT特征描述了目标的结构特征.而多级特征可以从局部到全局表征目标.随后,为了更完整、充分地反映SAR目标信息,借鉴深度森林的思想对多级幅度特征和多级Dense-SIFT特征进行联合利用.一方面通过堆叠的方式不断将多级幅度特征和多级Dense-SIFT特征进行融合,另一方面通过逐层的特征变换挖掘深层信息.最后利用得到的深层融合特征对目标进行识别任务.该文在MSTAR数据集上进行对比实验,实验结果表明所提算法在性能方面取得了提升,且其性能对超参数设置具有一定的鲁棒性.     

正交多载波降噪差分混沌键控通信系统

为解决多载波差分混沌移位键控(MC-DCSK)系统传输速率低和误码性能差的缺点,该文提出一种正交多载波降噪差分混沌移位键控(QMC-NR-DCSK)系统。在发送端,预定义载波用于发送参考信号,剩余M-1个不同中心频率的载波及其经正交调制技术后得到的频率相同但相位正交的载波都用于传输信息信号,此外,通过进一步引入Hilbert变换,将系统的频带利用率和传输速率提升为MC-DCSK系统的4倍。在接收端引入滑动平均滤波器的降噪操作降低了噪声的方差,从而改善了系统误码性能。推导了QMC-NR-DCSK系统在加性高斯白噪声(AWGN)信道和多径瑞利衰落(RFC)信道下的比特误码率公式并进行了仿真。仿真结果和理论分析表明：QMC-NR-DCSK系统能有效提升传输速率、带宽效率和误码性能,为该系统应用于多载波无线通信提供理论参考。     

基于改进深度强化学习的虚拟网络功能部署优化算法

针对网络功能虚拟化/软件定义网络(NFV/SDN)架构下,网络服务请求动态到达引起的服务功能链(SFC)部署优化问题,该文提出一种基于改进深度强化学习的虚拟网络功能(VNF)部署优化算法.首先,建立了马尔科夫决策过程(MDP)的随机优化模型,完成SFC的在线部署以及资源的动态分配,该模型联合优化SFC部署成本和时延成本,同时受限于SFC的时延以及物理资源约束.其次,在VNF部署和资源分配的过程中,存在状态和动作空间过大,以及状态转移概率未知等问题,该文提出了一种基于深度强化学习的VNF智能部署算法,从而得到近似最优的VNF部署策略和资源分配策略.最后,针对深度强化学习代理通过ε贪婪策略进行动作探索和利用,造成算法收敛速度慢等问题,提出了一种基于值函数差异的动作探索和利用方法,并进一步采用双重经验回放池,解决经验样本利用率低的问题.仿真结果表示,该算法能够加快神经网络收敛速度,并且可以同时优化SFC部署成本和SFC端到端时延.     

基于深度神经网络的正交频分复用波形外辐射源雷达参考信号重构

针对正交频分复用(OFDM)波形外辐射源雷达的参考信号获取问题,基于"解调-再调制"的重构方法结合了波形优势,能获得更为纯净的参考信号.该文在此基础上提出一种联合OFDM解调、信道估计、信道均衡和星座点逆映射的深度神经网络(DNN)重构方法,建立了基于DNN的参考信号重构方案,通过网络学习自适应深度挖掘从时域接收符号到传输码元之间的映射关系、隐式地估计信道响应,从而提高解调精度和重构性能.该文首先研究了仿真数据集的获取问题、DNN的搭建和训练问题,接着对基于DNN方法在导频数目减少、循环前缀的移除、存在符号定时偏差、存在载波频偏、对高峰值平均功率比信号进行时域加窗滤波等情况下的参考信号重构性能进行了仿真分析,仿真结果表明该方法对参考信号重构的有效性.     

基于CvM算法的Nakagami衰落信道统计特性检验

Nakagami信道通过不同的衰落因子m可以仿真不同的信道衰落环境,仿真数据与实际测量值吻合度较高,在信道仿真领域得到广泛应用。然而,目前针对Nakagami信道模型的可信性研究较少,缺少科学的比对验证方法。根据典型Nakagami信道的一阶包络序列服从Nakagami分布这一信道统计特性,提出一种基于Cramer-von Mises （CvM）算法的拟合优度检验方法。使用“高斯+瑞利+直流”组合法建立Nakagami衰落信道模型,得到信道输出序列并从中提取包络序列。在此基础上,利用双样本CvM检验算法对包络序列的理论分布和实际分布进行拟合优度检验,实现对Nakagami信道模型的可信性评估。半实物仿真结果表明,与K-S检验、卡方检验和Z检验+卡方检验融合检验算法相比,CvM针对不同m下的Nakagami衰落信道均具有较好的识别性能,同时在可靠性和复杂度方面也具有优势,其对虚警概率为0.01以下的Nakagami衰落信道识别准确率达到92.6%,对样本长度为300 000以上的Nakagami衰落信道平均识别准确率达到96.4%,而当待检验信道为其他信道时,不存在误识别的情况。