【摘 要】
：
传统干扰源信号类型识别方法在提取干扰信号的细微特征时,存在干扰信号调制类型分类精度低、识别效果差等缺点.对此,本文提出一种基于深度神经网络的ADS-B干扰信号调制类型识别算法.首先将ADS-B信号和干扰波形进行叠加混合,通过控制矢量信号发生器(VSG)进行仿真信号发射,并在接收端进行采集;接着对接收的基带I、Q数据进行人为添加随机噪声,并据此构造各种信噪比场景下的张量训练样本数据集;最后,利用训练样本数据对本文设计的神经网络进行训练,并在样本数据集上将传统分类算法和本文所提出的神经网络算法两者的识别性能进
【机 构】
：
中国民用航空飞行学院航空工程学院,四川 广汉 618300
论文部分内容阅读
传统干扰源信号类型识别方法在提取干扰信号的细微特征时,存在干扰信号调制类型分类精度低、识别效果差等缺点.对此,本文提出一种基于深度神经网络的ADS-B干扰信号调制类型识别算法.首先将ADS-B信号和干扰波形进行叠加混合,通过控制矢量信号发生器(VSG)进行仿真信号发射,并在接收端进行采集;接着对接收的基带I、Q数据进行人为添加随机噪声,并据此构造各种信噪比场景下的张量训练样本数据集;最后,利用训练样本数据对本文设计的神经网络进行训练,并在样本数据集上将传统分类算法和本文所提出的神经网络算法两者的识别性能进行对比分析.实验结果表明本文所提的神经网络算法相比于现有的传统识别算法,具有更好的识别性能.
其他文献
容器热迁移是云平台负载均衡技术的基础,也是集群故障管理、底层系统维护的重要保障.目前容器热迁移的实现主要基于checkpoint/restore机制,即对正在运行的容器做检查点操作,随后停止容器,传输镜像文件至目的主机后恢复,迁移消耗时间包括检查点时间、传输时间和恢复时间.为了减少容器热迁移的停机时间和减小传输消耗,本文设计并实现一种基于预拷贝(pre-copy)迁移算法的容器热迁移方案,并且采用快速内存同步关键技术,该技术包含3种方法:细粒度脏内存识别、脏内存压缩传输、提前合并增量内存.实验表明,本文所
针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题,提出一种能够综合考虑高维复杂优化问题的特性,动态调整进化策略的多种群并行协作的粒子群算法.该算法在分析高维复杂问题求解过程中的粒子特点的基础上,建立融合环形拓扑、全连接形拓扑和冯诺依曼拓扑结构的粒子群算法的多种群并行协作的网络模型.该模型结合3种拓扑结构的粒子群算法在解决高维复杂优化问题时的优点,设计一种基于多群落粒子广播-反馈的动态进化策略及其进化算法,实现高维复杂优化环境中拓扑的动态适应,使算法在求解高维单峰函数和多峰函数时均
为了辅助地铁工程的专业设计人员从BIM模型实例库中快速获取匹配当前设计需求的参考模型,提出一种基于特征匹配的BIM模型混合推荐算法.首先基于Revit二次开发从BIM模型中获取特征数据;随后,利用模型特征参数等基本信息,采用熵权灰色关联模型计算模型实例的推荐度;然后,结合用户交互数据,采用梯度提升决策树算法(GBDT)与逻辑回归(LR)算法的融合模型计算模型实例的推荐度;最后,根据训练数据集的规模动态调整2种推荐度的组合比例.实验表明,该方法不仅避免了系统冷启动问题,并且在足够的用户交互数据支持下有更好的
随着大数据分析处理需求日益复杂,分析处理过程的表达需要转变为依据任务以及任务间依赖关系构建的大数据工作流的形式,以实现其结构化、可重复、可控制、可扩展以及自动化执行,大数据工作流的编排管理成为重要的研究课题,云计算环境下资源的异构性使得该问题变得更为复杂.本文首先将云环境下大数据工作流编排管理研究划分为大数据工作流构建、工作流划分、任务调度与执行以及容错处理4个方面,并在此基础上进行综述,列举并介绍各个方面近年来经典的、关注度较高的研究;然后,针对研究中的主流技术进行分类与梳理,对各项研究中提出的方法及其
针对目前炮弹定位方法安全隐患大、人工测量效率低、精度差的问题,本文提出一种基于显著性目标检测网络BASNet(Boundary-Aware Salient Object Detection)的弹着点定位方法.采用改进的BASNet网络,结合注意力机制模块CBAM(Convolutional Block Attention Module)、金字塔池化模块PPM(Pyramid Pooling Module)与深度可分离卷积,对炮弹火焰进行显著性检测,提取弹着点图像坐标.实验结果表明,该方法在自制的炮弹火焰数
为了提高红外图像中变压器高压套管的识别准确率,同时能够满足移动端和其他低端设备对目标检测网络的需要,本文提出一种改进的轻量级红外高压套管识别算法,采用Tiny YOLOv3目标检测网络作为基础检测网络.首先,通过融合CBAM(Convolutional Block Attention Module)注意力机制,将通道注意力与空间注意力机制串联,增大目标检测网络感受野,同时减轻网络计算任务,提升网络性能;然后,分别使用GIoU loss和Focal loss替代原有的边界框损失和置信度损失,从而提高对红外图
在工业生产中,安全帽对人体头部提供了较好的安全保障.在现场环境中,检验施工人员是否佩戴安全帽主要依靠人工检查,因而效率非常低.为了解决施工现场安全帽检测识别难题,提出一种基于深度级联网络模型的安全帽检测方法.首先通过You Only Look Once version 4(YOLOv4)检测网络对施工人员进行检测;然后运用注意力机制残差分类网络对人员ROI区域进行分类判断,识别其是否佩戴安全帽.该方法在Ubuntu18.04系统和Pytorch深度学习框架的实验环境中进行,在自主制作工业场景安全帽数据集中
为解决YOLOv4在目标检测任务中检测速度低、模型参数多等问题,提出一种改进YOLOv4的目标检测算法.将YOLOv4主干网络中的CSPDarknet53替换成Mobilenet用以增强YOLOv4的特征提取网络,PANet原有的3×3标准卷积被深度可分离卷积取代,以降低计算负荷,从而提高识别速度,减少模型参数.然后使用K-means++算法对由8565张图像组成的数据集进行anchor维度聚类,以提升算法精度.同时,搭建行人口罩佩戴及人体测温拍摄系统用以在人群密集场所中执行疫情防控任务.在保证YOLOv
海上目标状态呈现复杂多变的形势,须快速挖掘海上船舶的群组信息,以掌握海上目标态势.本文使用改进的FP-growth算法对海上船舶进行数据挖掘,使用基于时空分割的方法划分目标区域,挖掘频繁项集.首先清洗原始数据得到有效数据;其次使用线性插值方法处理船舶的轨迹方便后续计算;然后使用FP-growth算法,构建生成FP-tree;最后得到频繁项集,挖掘海上船舶群组信息.针对基于项集划分关联分析查找效率低的问题,本文使用基于Hash表拆分数据库和结点交换的方法挖掘频繁项集,在内存占用和时间消耗两方面比较算法的效率
仪表检测是智能仪表测试不可或缺的环节,其效果直接决定仪表测试的准确率.针对仪表检测背景复杂且要求速度快的特点,提出一种基于改进YOLOv3的目标检测算法.基于YOLOv3算法,首先使用DenseNet(Densely Connected Convolutional Networks)替换Darknet中的最后2个网络块,以加强模型对特征的重用.然后采用轻量化的Darknet-46作为特征提取网络,并将DenseNet中的卷积神经网络修改为深度可分离卷积网络,再将所有检测层(YOLO Detection)之