太赫兹技术概述

太赫兹技术是电子学和光子学交叉的新兴前沿领域。在介绍太赫兹辐射原理及特性的基础上,阐述了太赫兹辐射的产生和探测方法,重点分析了太赫兹源和探测器的发展现状,探讨了太赫兹技术在光谱识别、成像及无线通信等方面的应用前景。太赫兹技术的发展仍然受到诸多方面的制约,一旦取得突破,将为国民经济发展和国家安全带来新的机遇。     

太赫兹雷达技术研究

太赫兹雷达具有频率高、带宽宽、波束窄的特点,是太赫兹军事应用的一个重要发展方向。在介绍太赫兹雷达技术特点的基础上,分析了制约太赫兹雷达发展的技术瓶颈,阐述了太赫兹雷达发展现状,并对太赫兹波雷达未来发展进行了展望。太赫兹波是电磁波谱上亟待人类开发的最后一个频段,抢占太赫兹雷达技术高地对于提升国家经济、军事能力竞争力具有重大意义。     

临近空间飞行器等离子体鞘套的太赫兹波穿透特性

临近空间高超声速飞行器再入过程中会产生等离子体鞘套,干扰电磁波对飞行器的探测.针对这一问题,对典型临近空间飞行器模型进行建模,模拟其再入过程中不同飞行工况下的流场分布.基于流场分布对等离子体参数分布进行建模,利用散射矩阵方法从理论上对太赫兹波在等离子体鞘套中的传输特性进行计算.计算结果表明高频太赫兹波能够有效穿透等离子...     

基于卷积神经网络的雷达辐射源识别

随着电磁环境越来越复杂多变,给电子对抗带来了很大的挑战,基于传统的脉冲描述字和信号识别方法已不能满足战场要求.针对复杂电磁环境下的辐射源精确识别问题,将基于相控阵雷达辐射源的细微特征,主要是包络特征和相噪特征,对其进行分析建模,并结合卷积神经网络提出了 一种基于雷达中频数据和一维卷积神经网络的雷达辐射源个体识别方法,训...     

精确制导前沿成像探测技术

回顾了精确制导技术的发展历程,分析了精确制导成像探测技术发展过程中面临的挑战与未来的主要发展方向。结合太赫兹、量子和超材料等前沿技术的发展动态,分别梳理了太赫兹雷达、量子雷达以及超材料雷达三种典型的精确制导前沿成像探测技术的技术背景、发展脉络、基本原理、技术优势。这三种成像探测技术有望为精确制导技术应对未来新型战争形态带来的挑战提供可行的技术途径。研究成果可为未来精确制导技术的深入可持续发展提供参考,并对提升精确制导武器的打击与拦截作战效力具有重大意义。     

新型微纳材料制备的高性能室温太赫兹光电探测器

可室温运转的高灵敏度太赫兹探测器是该领域的难点。热电原理的太赫兹探测器为解决室温下的宽频段、高灵敏探测提供可能。通过利用石墨烯和钙钛矿等新型微纳材料的高载流子迁移率和优异的热电性能,制备出高性能室温运转的太赫兹光电探测器,探测的光电响应度最高可达到271 mA/W,响应时间小于20 ms。研究表明,石墨烯和钙钛矿等光热电探测器有望成为太赫兹频段新一代高性能探测器。     

基于卷积神经网络的金属结构缺陷红外图像识别

利用红外图像识别被测对象的缺陷信息,在金属结构检测方面具有广泛应用前景.传统的检测方法是图像处理后人工观察,效率和准确率较低;机器学习方法需要人工选取特征,缺乏适应性和鲁棒性.针对该问题,提出了一种基于卷积神经网络的缺陷检测模型,可以自动从红外热波图像中学习特征并完成分类识别.采用超声红外热波图像数据对卷积神经网络模型...     

基于卷积神经网络的SAR图像目标检测综述

针对合成孔径雷达(SAR)图像传统检测算法精度低、鲁棒性差等特点,对基于卷积神经网络的SAR图像目标检测算法进行归纳总结.归纳了基于CNN的目标检测框架的发展现状,并综述了其在SAR图像目标检测中的应用,分析了其应用难点与关键技术.最后结合深度学习方法在目标检测领域中的发展,对SAR图像目标检测算法的发展进行了展望.     

基于卷积双向长短期神经网络的调制方式识别

针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。     

雷达空间目标识别技术综述

随着人类航天活动的增加,对于卫星和碎片等空间目标进行监视变得非常重要。为了实现空间监视任务,对空间目标进行识别是非常必要的。对空间目标的轨道特性与动力学特性进行了介绍,对雷达空间目标识别技术的研究现状和发展趋势进行了详细的综述。     

多核数字信号处理器矩阵乘卷积算法性能评测

矩阵乘卷积算法能够为各种卷积配置提供高性能基础实现,是面向给定芯片进行卷积性能优化的首要选择。针对国防科技大学自主研制的飞腾异构多核数字信号处理器(digital signal processor, DSP)芯片的特征以及矩阵乘卷积算法自身的特点,提出了一种面向多核DSP架构的高性能并行矩阵乘卷积实现算法ftmEConv。该算法由输入特征图转换、卷积核转换、矩阵乘以及输出特征图转换这四个均运行在通用多核DSP上的并行化部分构成,通过有效挖掘通用DSP核中功能单元的潜力来提升各个部分的性能。实验结果表明,ftmEConv实现了高达42.90%的计算效率,与芯片上的其他矩阵乘卷积算法实现相比,获得了高达7.79倍的性能加速。     

基于深度卷积神经网络的蛇形机动航迹图像识别

为提高防空武器系统对空袭目标的拦截防御能力,针对现有蛇形机动识别算法鲁棒性较差的问题,提出了将航迹坐标数据转化为图像,利用深度神经卷积神经网络进行航迹模式分类的方法。针对航迹数据直接转化为图像时存在机动幅度不明显或过大的问题,提出了有效解决方案。基于CAFFE平台进行了大量仿真实验,确定了适宜于航迹模式分类的深度卷积网络结构和网络参数。实验结果表明,该方法能有效提高蛇形机动航迹识别的鲁棒性。     

高性能异构加速器MiniGo算子优化方法

根据高性能异构加速器的特性和MiniGo的训练模式提出了一种高效的并行计算方法。对片上计算资源进行合理规划,实现异构设备之间的流水并行优化;根据异构设备间存在共享存储段设计了共享内存编码模式,减少数据传输开销;根据数字信号处理簇内具有多计算资源的特点结合算子计算-访存特性设计了不同的算子并行计算优化策略。同时,面向TensorFlow实现了一个易于使用的高性能计算库。实验结果显示,该方法实现了典型算子的多核并行计算。相对于单核,卷积算子加速比为24.69。相较于裁剪版8核FT2000+CPU,该方法训练和自博弈执行速度加速比分别为3.83和1.5。     

融合神经网络与超像素的候选区域优化算法

为解决目标检测中候选区域召回率低的问题,提出融合神经网络与超像素的目标候选区域算法.该算法利用神经网络提取更能清楚表达目标边界的特征,并使用聚类、相似性等策略,计算每个滑动窗口所含有的边缘信息量;将待测图像使用简单线性迭代聚类算法分割成若干个超像素,并利用超像素的空间位置、完整性、相邻超像素间的对比度信息,计算各个超像...     

协方差压缩感知逆合成孔径雷达成像技术

为解决低信噪比条件下短观测时间雷达成像问题,提出一种基于回波协方差矩阵处理的压缩感知逆合成孔径雷达成像技术。该方法构建了回波协方差矩阵层面下的压缩感知问题模型,并通过特定的线性变换降低环境噪声对成像结果的影响。在仿真实验中,通过处理短观测时间和低信噪比条件下的模拟回波数据,该方法获得比传统压缩感知方法像质更好、对比度更强的目标成像结果。同时,其成像结果的目标背景比和背景噪声能量两个雷达图像评价指标都优于传统方法,进一步验证了该方法的有效性。     

傅里叶望远术中的相位闭合分析及其仿真

傅里叶望远术是近年来受到广泛关注的一项主动成像技术.它利用直线干涉条纹对目标的傅里叶频谱进行提取,并利用相位闭合技术消除随机相位,最终获取同步轨道目标的高分辨率图像.对傅里叶望远术的基本理论进行了推导,详细阐述了相位闭合实现方法,并对整个过程进行了计算机模拟.仿真实现了对两个目标的频谱扫描并重建了它们的二维灰度图像,充分验证了傅里望远术的正确性和可行性.     

基于高阶累积量与神经网络的干扰识别算法

研究了一种基于高阶累积量和神经网络的干扰识别算法。该方法把卫星通信中常见的各种干扰信号的归一化高阶累积量作为分类特征参数,应用神经网络对特征参数进行分类训练,将接收干扰信号的归一化高阶累积量输入已训练的神经网络进行干扰类型的识别。试验结果表明:该算法在低干信比的情况下具有较高的识别准确率。     

实际系统输出的确定

在实际测试中,系统存在有非线性.同时,还有测量噪声及非测量输入引起的系统输出。这些因素都对系统的输出产生影响。把这些因素均假设为系统的非线性,利用理想线性系统和相干函数,推导出了实际系统输出,同时讨论了用这种方法提高载荷识别精度的问题。