火炮射击声信号AR模型特征研究

针对现代炮兵战场上的目标识别问题,阐述了火炮射击声信号数据—发射波、弹道波和爆炸波的特征,介绍了火炮射击声信号AR模型谱估计的方法和步骤,利用MATLAB信号处理工具箱具体实现了三种不同类型火炮发射波的AR模型谱估计,并对一批样本成功进行了分类识别实验,探讨了火炮射击声信号AR模型特征在现代战场火炮目标识别中的意义和应用价值。     

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。     

多输入多输出雷达恒模稳健波形联合优化算法

针对目标冲激响应及杂波冲激响应分布特性先验知识不准确导致的多输入多输出雷达检测性能下降的问题,提出恒模稳健波形与接收机滤波器联合优化算法。将目标冲激响应及杂波冲激响应分布特性先验知识不准确时的优化问题建模为一个极大极小化问题。运用迭代优化算法将联合优化问题分解为两个子优化步骤:将波形固定时的接收机滤波器权值优化问题建模为广义瑞利商模型,求解得到相应的接收机滤波器权值矢量;利用半正定松弛技术对权值固定时的波形优化问题进行求解,获得对应的波形矩阵,并根据得到的波形矩阵,通过高斯随机化的方法获得所需的恒模波形。对所提算法的收敛性进行了证明,仿真结果表明所提算法有效。     

采用正交分集的灵巧噪声干扰对抗方法

针对数字射频存储干扰机多通道宽带转发模式下的灵巧噪声干扰,提出了基于混沌调制信号、多谐波相位调制线性调频信号的正交分集抗干扰方法。混沌调制信号与多谐波相位调制线性调频信号具有"图钉"形模糊函数,除了具有良好的距离、多普勒分辨力,还对回波频率敏感,通过正交分集设计,能够更好地适应宽带转发灵巧噪声干扰。通过计算机仿真对新方法的抗干扰性能进行了分析和验证,结果表明:在多通道宽带转发灵巧噪声干扰环境下,新方法的抗干扰改善因子能够达到10 d B以上,抗干扰性能明显优于传统的频率捷变、斜率捷变方法。     

营造公平择优的用人环境

为了让能干事者有机会、干成事者有舞台,近年来我们探索形成了“三类考核”“四类条件”“三项机制”等考核选拔措施办法,建立了能者上、平者让、庸者下、劣者汰的用人导向和从政环境。部队组建以来,调整使用的干部官兵服气、上下满意。全程考,搭建系统识别的数据库。为防止出现“一考定终身”,让那些默默奉献的“老黄牛”式干部在“千军万马挤独木桥”中留下遗憾,我们探索将考核工作贯彻到日常工作任务中去,坚持全程考核、动态考察、量化考评,真正对干部任职以来的一贯表现进行客观实际的评价。一是随机考。     

一种新的舰船辐射噪声特征提取方法

提出了一种基于Dopplerlet变换的舰船辐射噪声特征提取方法,给出了Dopplerlet变换分解流程。使用此种方法及基于小波变换、波形结构、自然尺度等的特征提取方法对收集到的舰船辐射噪声进行了识别试验,试验结果证明基于Dopplerlet变换的舰船辐射噪声特征提取方法更加有效。     

混沌信号在超宽带穿墙成像雷达中的应用

分析了基于混沌信号的超宽带穿墙雷达的性能。对目标的成像显示采用混沌信号的超宽带雷达,具有良好的距离分辨率和旁瓣压缩能力,其性能优于时间调制的超宽带(TMUWB)雷达。采用时域有限差分方法(FDTD)进行了电磁仿真。     

基于HRRP的雷达目标识别研究综述

雷达目标识别(RTR)技术在国土防空和战略预警领域具有重要意义,目前相关研究大多基于高分辨距离像(HRRP)展开。梳理了当前研究主要聚焦于样本完备和小样本情况下目标识别的问题,研究方法主要聚焦于基于特征提取的识别方法、基于统计建模的识别方法以及基于深度学习的识别方法等3个方面。聚焦2大问题,从3个方面开展综述,进行归纳总结;指出在当前研究领域存在的5个亟待解决的问题,分析了下一步研究可以考虑的方向。     

基于RoBERTa-Span-Attack的标签指针网络军事命名实体识别

军事领域文本中存在大量军事实体信息,准确识别这些信息是军事文本信息提取和构建军事知识图谱的基础性任务。首先,提出了一种基于RoBERTa预训练模型、跨度和对抗训练的标签指针网络的融合深度模型(RoBERTa-Span-Attack),用于中文军事命名实体识别;然后,采用了一种基于Span的标签指针网络,同时完成实体的起止位置和类别的识别任务;最后,在模型训练过程中加入对抗训练策略,通过添加一些扰动来生成对抗样本进行训练。在军事领域数据集上的实验结果表明：所提出的军事领域命名实体识别模型相较于BERT-CRF、BERT-Softmax和BERT-Span,在识别准确度上具有更优的效果。     

基于DFCNN-CTC和Transformer的中文语音识别

语音识别一般只是将语音转化成文字,识别的结果是没有标点的一连串汉字,这不利于读者阅读,也会影响后续任务的处理.因此,引入语音端点检测解决上述问题.同时针对传统的语言模型N-gram存在忽略字词之间语义的相似性、训练时的参数过大等问题,提出一种以全序列卷积神经网络DFCNN作为声学模型,Transformer作为语言模型...