MPP Fortran 程序中串行循环的优化

在大规模并行处理系统中,通讯开销是影响程序性能的一个重要因素。本文提出了一种ＭＰＰＦｏｒｔｒａｎ程序中串行循环的优化技术：在串行循环中加入同步控制、将串行循环转换成共享循环。该技术能减少通讯开销、提高程序的性能。     

一种基于知识辅助的MIMO-STAP抗干扰算法北大核心

针对有源干扰环境下机载MIMO雷达的杂波抑制问题,利用预白化的思想,提出了一种基于知识辅助的MIMO-STAP抗干扰算法——KA-J-STAP方法,首先利用载机平台运动参数、雷达系统参数、干扰方位等先验信息构造相关协方差矩阵,后利用相关协方差矩阵对接收数据进行预白化,对杂波和噪声预置零,对于预白化后的数据空时自适应处理。仿真结果表明,相比于未采用知识辅助的算法,所提KA-J-STAP算法在干扰环境下仍能保持较好的杂波抑制性能。     

OFDM-MIMO雷达转发式主瓣干扰自适应抑制方法

转发式干扰因与雷达发射波形的高度相关性,经雷达主瓣接收后易对雷达产生严重的干扰作用。为解决主瓣干扰问题,建立正交频率分集调频多输入多输出(orthogonal frequency division multiplexing-multiple input multiple output, OFDM-MIMO)雷达主瓣接收的转发式干扰信号模型,分析了该干扰对OFDM-MIMO雷达的干扰机理;同时基于自适应方法处理理论,推导了OFDM-MIMO雷达自适应处理权向量解析式,提出了基于距离依赖波束的OFDM-MIMO雷达转发式主瓣干扰自适应抑制方法。理论研究和仿真结果表明,提出的方法提高了输出信干噪比,实现了转发式主瓣干扰的有效抑制。     

一种基于CAE的HRRP去噪重构与识别方法

针对HRRP识别研究中面临的噪声污染问题,提出了一种基于卷积自编码器(convolutional auto encoder, CAE)的HRRP识别方法。此方法将CAE的重构功能与卷积神经网络(convolutional neural network, CNN)的分类性能相结合,将未含噪声的数据作为标签,利用CAE学习含噪声HRRP的噪声特征,实现对HRRP的去噪重构,后利用CNN对重构后的HRRP进行识别。仿真实验表明：在10 dB、20 dB、40 dB峰值信噪比的噪声环境下,该方法对HRRP的识别准确率分别可达到76.48%、95.14%、98.33%,能够一定程度上克服噪声对HRRP识别带来的不良影响,保证识别精度。     

基于叠合度的维修性多源数据融合方法

针对装备维修性试验数据样本量不足的问题,采用了数据融合方法进行扩充数据样本量,通过建立折合模型对多源先验数据进行转换,解决了与现场数据差异较大难以实现数据融合的问题,采用了改进的Bayes Bootstrap法对多源数据的分布参数进行拟合,建立基于叠合度的数据融合模型,对装备维修性多源先验数据进行融合,结合某型坦克试验数据进行算例分析,证明了该方法的可行性。     

基于犹豫度特征改进的新的直觉模糊相似度

直觉模糊集之间关系的密切程度可用相似度来度量。近年来提出了多种定义两个直觉模糊集相似度的方法,但这些方法对犹豫度的考虑不够,因而计算出的相似度大多存在反例。依据直觉模糊集信息的波动性和不确定性特征,补充拓展定义了直觉模糊相似度,并基于此给出了直觉模糊相似度的计算公式。最后在人工框架测试集中进行了验证,结果不存在反例。     

基于PSO-BP神经网络的HRRP目标识别

为提高雷达目标识别准确率,提出了一种基于PSO-BP神经网络的雷达一维距离像识别方法。利用粒子群优化算法良好的全局搜寻能力,对BP神经网络的权值和阈值进行了优化,弥补了BP神经网络收敛速度慢、存在多个局部极值点的缺陷。利用实测数据对PSO优化前后的BP神经网络的识别性能进行了对比测试。实验结果表明,PSO-BP神经网络具有更高的识别准确率及噪声鲁棒性,分类性能优良。