【摘 要】
:
线性调频(Linear Frequency Modulated,LFM)信号,以其低截获率(Low Probability of Intercept,LPI)特性被广泛应用于各种雷达系统中,是一种应用极其广泛的辐射源信号。LFM信号的检测与参数估计算法已经相对成熟,不同的算法适用于不同的电磁场景,但它们大多只能估计LFM信号时频脊线的调制参数,而且存在估计精度与计算效率之间的矛盾。对于雷达系统中的
论文部分内容阅读
线性调频(Linear Frequency Modulated,LFM)信号,以其低截获率(Low Probability of Intercept,LPI)特性被广泛应用于各种雷达系统中,是一种应用极其广泛的辐射源信号。LFM信号的检测与参数估计算法已经相对成熟,不同的算法适用于不同的电磁场景,但它们大多只能估计LFM信号时频脊线的调制参数,而且存在估计精度与计算效率之间的矛盾。对于雷达系统中的广义LFM信号,经典估计算法通常需要额外的滤波或平滑处理,这不仅增加了算法的复杂度,还降低了算法的性能。本文分别从经典的LFM信号参数估计理论和深度学习理论出发,旨在研究雷达系统中广义LFM信号的参数估计问题,主要内容包括:(1)介绍了三种经典的LFM信号参数估计算法:解线性调频法、Wigner-Hough变换、分数阶傅里叶变换。为了解决广义LFM信号的参数估计问题,引入了Cohen类分布—平滑伪Wigner分布,并提出了一种基于分数阶傅里叶域滤波的LFM信号参数估计方法,仿真结果表明,该方法可以有效解决广义LFM信号的参数估计问题。(2)根据Wigner-Vile分布(Wigner-Vile distribution,WVD)独特的幅相特性,本文联合深度学习理论中的复值卷积神经网络(Complex-valued convolutional neural network,CV CNN),提出了一种基于WVD-CV CNN的深度神经网络框架。仿真结果表明,相较于经典算法,该方法在保证较高估计精度的前提下,计算效率也得到了明显的提高。(3)为了缓解硬件系统在采集、处理大宽带LFM信号时的压力,本文采用亚奈奎斯特采样率来降低信号的采样点数,基于压缩感知理论,提出了一种基于交替方向乘子网络的迭代展开方法。该方法以离散逆分数阶傅里叶变换字典为稀疏基,求解稀疏向量的过程等价于分数阶傅里叶谱估计的过程。仿真结果表明,该方法可以在低采样比下达到和分数阶傅里叶变换同等的估计性能。
其他文献
随着当今信息化时代的高度发展,信号检测技术无疑已成为了科学领域关注的重要热点。特别是在复杂背景下的信号检测中,传统的信号检测方法开始出现局限性,检测性能不能满足实际需求,故探索信号检测的前沿技术在信号处理领域显得愈来愈重要。作为数据信息提取、凝练的有力工具,矩阵信息几何(Matrix Information Geometry,MIG)理论已经在信号检测领域被应用,并取得不少成果,但其高时间复杂度和
编译器模糊测试是一种对编译器的稳定性与安全性进行测试的技术。有效的模糊测试需要具有正确的词法和语法的测试用例,只有这些格式良好的测试用例才能通过编译器的解析阶段,从而对目标编译器深层次的代码部分展开测试。深度学习技术因其捕获复杂特征的能力以及较少地依赖专家工程的特点,近来逐渐被应用到模糊测试用例生成领域,这些方法通过学习编程语言的语言模型,从而在无需提供复杂的编程语言语法规范的条件下生成格式良好的
随着自然语言处理技术的兴起,情感分析得到了广泛的研究。细粒度情感分析由于其分析对象更具体、更明确,成为近年来的研究热点。主流方法首先获取表征特定目标的句子嵌入层,然后将其馈送到各种经典神经网络以学习特征,最后通过分类器获得给定目标的情感极性。从CNN,LSTM,RAM,IAN到GNN的各种变体,研究人员挖掘各模型优势尝试对给定目标与其上下文之间的关系进行更好的建模。尽管已经取得了一些成果,但细粒度
长期伏案工作会导致脊柱承重异常,椎间盘内压力不均衡,进而出现骨质增生或椎间盘纤维环破裂。同时,相关肌肉长期处于非协调受力状态,易致肌肉和韧带劳损,且肌肉肌力变化后会反向牵动骨骼弯曲,使不良姿势难以恢复。保持理想站坐姿,可维持脊柱承受压力较为均衡,避免不必要的损伤。市场上的矫姿产品可辅助人体保持良好姿势,矫正不良姿势,为探究其矫正效果及真实性,本文选购四款矫姿带,通过体表角度测量评价各款式的效果。(
随着线上服装消费潮流的盛行,各大电子商务平台每天都会产生大量的服装购买数据,由于用户数量以及服装种类的不断增多,用户数据的稀疏性、复杂性给服装推荐模型的优化造成了大量的阻碍。现有的服装推荐模型对数据缺失较为敏感、对数据集的容错率较低、对离散型数据的处理效果较差,且只能给用户提供与推荐结果相关的图文信息,用户无法进行试穿,这会降低用户的购物体验并产生大量遗憾消费。因此,顺应机器学习技术、大数据分析技
从公元3世纪开始,罗马帝国异教神庙的修建活动就趋于停滞,新建神庙的规模缩水了,献祭仪式也经历了一个衰弱的过程。异教的衰弱除了受到基督教的强势压迫,也是其自身演变的结果。
当今社会,随着生活节奏的不断加快,人们生活压力逐渐增大,现代人们很容易产生一些不良情绪,这些不良情绪如果没有及时消化会严重影响人们的精神状态和身体健康。高校学生是一个非常典型的社会群体,在面临着学业、就业等压力的情况下,很容易出现紧张、不安和焦虑等负面情绪,长期处于这样一种精神状态下极易诱发抑郁等心理疾病,严重的甚至会做出一些过激性行为,例如自残或自杀等,这些问题变得越来越普遍,受到了社会的广泛关
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波成像探测器,由于其具备全天时、全天候的对地观测能力,因而广泛应用于军事(如战场侦查)与民用(如海洋监视)等领域。作为SAR图像解译的重要分支,SAR图像目标识别旨在从SAR图像中根据感兴趣目标的特征,对其进行定位与识别。近年来,得益于高分辨率SAR图像较以往更加容易获取,基于深度学习的SAR自动目标识别技术也取
街景分割是分割目标为街景图像的语义分割。随着深度学习的发展,基于卷积神经网络的街景分割方法获得了巨大发展。然而,当训练数据和测试数据中存在较大的领域差距时,神经网络模型会急剧退化,这种现象被称为域偏移。为了解决该问题,本文实现了如下的研究工作和创新点:1、实现了一个基于生成对抗学习的无监督域适应街景分割算法原型。通过生成对抗学习的思想,将分割网络视为生成器,添加额外的判别器来拉近目标域与源域的输出
合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测技术可以自动标注SAR图像中舰船所在位置,其在军事和民用领域都具有重要应用价值。SAR高分辨率成像技术的不断发展,丰富了目标特征信息,为深度学习技术在SAR图像检测领域的应用提供了数据基础。SAR图像具有场景大目标小的特点,并且图像中舰船目标尺寸跨度大,舰船形态多样,多种尺度的舰船目标给检测过程增加了一定难度。