幅相调制信号的星座图恢复与调制方式识别

针对幅相调制信号的调制方式识别问题,提出一种基于星座图恢复的算法。该算法估计信号载频及信噪比等参数,并依据波特率和符号定时完成对接收信号的波特率采样;采用一种非数据辅助载频偏差估计方法,以消除载频偏差及相位偏移对星座图恢复的影响;利用平均似然比检测的方法,完成幅相调制信号调制方式的识别。仿真结果表明,与仅考虑信号幅值分布的极大似然算法相比,该算法具有识别性能更优。     

基于微多普勒特征的欺骗干扰识别

为了提高雷达的抗干扰能力,提出了一种基于微多普勒特征的欺骗干扰识别方法,为雷达选择抗干扰措施提供了先验知识。首先建立了目标回波和干扰信号的数学模型,分析了二者微多普勒频率的差异。其次利用Viterbi算法和FFT谱分析对信号的特征参数进行了提取。最后,定义了识别目标和干扰的特征因子,并根据特征因子设定阈值对目标回波和欺骗干扰进行识别。仿真结果验证了算法的正确性和稳定性,与理论分析一致,表明该方法能够在较低的信噪比环境下对欺骗干扰进行检测识别。     

关于数字化军检的思考

<正>本文探讨了数字化检验应用在装备质量监督中的优点、存在的问题,并从改进军代表办公环境、注重装备测试性研究、加强对数字化军检运用的探索等三个方面提出了展望。当前,社会正以空前快速的步伐迈向信息时代,信息时代最大的特征就是几乎所有的信息都可以被转化为可被计算机识别和处理的"1"和"0"代码进行管理。因此,信息时代又被称为数字化时代。作为武器装备质量监督和检验验收这个技     

基于人工智能的微反应识别与处理

随着时代发展,人工智能研究运用取得一定的成果,比如苹果公司的siri、Google的搜索引擎、卡内基·梅隆大学的Intra Face应用系统等,都为人工智能条件下的机器人更像真实人类率先布局。如何实现机器人更像真实人类的目标,尽快研究并解决人工智能的微反应识别和处理显得尤为紧迫和重要。本文将以面部微表情和映射心理状态肢体动作的微反应为主,重点介绍人工智能微反应的探测、识别及处理的方式,旨在不断提高机器识别、表达微反应的能力,推动人工智能从感知层面向认知层面演进,实现发展人工智能的终极目标。     

汉语语音识别中的一种音节分割方法

汉语语音识别研究中,识别单元的选取是很重要的。随着大词汇量连续语音识别研究的发展,越来越多汉语语音识别研究中选取次音节单位作为识别单元。结合汉语发音声学特性,提出了音节的重叠音素分割策略,并利用小波方法实现了音节的分割,实验证明该方法分割准确可靠。     

应用多GPU的可压缩湍流并行计算

利用CUDA Fortran语言发展了基于图形处理器(GPU)的计算流体力学可压缩湍流求解器。该求解器基于结构网格有限体积法,空间离散采用AUSMPW+格式,湍流模型为k-ωSST两方程模型,采用MPI实现并行计算。针对最新的GPU架构,讨论了通量计算的优化方法及GPU计算与PCIe数据传输、MPI通信重叠的多GPU并行算法。进行了超声速进气道及空天飞机等算例的数值模拟以验证GPU在大网格量情况下的加速性能。计算结果表明:相对于Intel Xeon E5-2670 CPU单一核心的计算时间,单块NVIDIA GTX Titan Black GPU可获得107~125倍的加速比。利用四块GPU实现了复杂外形1.34亿网格的快速计算,并行效率为91.6%。     

反无人机视觉检测与跟踪技术进展分析

为应对无人机“黑飞”“滥飞”等对国防和公共安全造成的巨大威胁,反无人机技术研究成为当前迫切的现实需求。首先,对比分析雷达、无线电、声音、机器视觉4类典型的反无人机检测技术;其次,重点针对反无人机的视觉检测与跟踪技术,从目标检测、无人机识别、无人机跟踪等角度,详细分析视觉检测与跟踪关键技术的优势与不足,以及各项技术在反无人机检测跟踪中的应用情况及改进策略;最后,探讨应用中较为突出的检测精度、跟踪遮挡、实时性、数据集收集标准、多技术融合5个方面问题和发展趋势,为相关技术研究提供参考。     

使用低分辨率雷达和神经网络进行舰船目标识别

本文研究使用低分辩率下靶区雷达包络线、预处理和神经网络工具进行舰船目标分类的方法。文中使用改进的傅里叶离散梅林变换来提取对雷达姿态角变化不太敏感的某些特征。使用Kohonen的学习矢量量化(LVQ)自组织映射对这些特征矢量进行分类。文中也研究了使用反向传播算法进行训练的前馈网络在目标分类中的应用,并将这一分类系统用于模拟和真实两种数据。对于目标姿态角误差不超过30度的真实数据,分类的正确率高达90％。     

基于训练网络的目标检测方法及应用

传统的Faster-RCNN目标检测网络以VGG16作为训练网络,其网络提取能力弱、检测速度慢,提出将inception网络与深度残差网络作为训练网络用于Faster R-CNN。在TensorFlow框架下,搭建相应的网络模型,并选取飞机、车辆、操场以及水箱的遥感图像进行了实验验证。实验结果表明,相比于VGG16网络,基于inception网络与深度残差网络作为训练网络的Faster R-CNN模型在识别精度和识别速度上都具有明显的优势。     

基于CNN的视频火焰识别及模型剪枝

针对目前火焰识别仅用单帧图像判断是否起火准确率低的缺点,引入视频识别的方法,通过提取火焰的运动信息提升卷积神经网络(CNN)识别微小火焰的准确率。首先,在CNN Resnet18的最后一层添加3D卷积层,突出火焰的运动特性,抑制其他形式的运动;然后,对该模型进行剪枝处理,压缩网络参数。实验结果表明:在剪去90%卷积核的情况下,该模型准确率仍然保持在86.4%的较高水平,最小可以识别大小为20×30像素的火焰。