神经网络技术及其在机器耳监测仪中的应用

介绍了利用GAL算法对装备产生的声音信号进行处理,改进完善了基于竞争学习的GAL神经网络。测试结果表明,基于GAL算法的智能耳诊断系统的识别精度和自学习方面优于传统算法。     

临界抽样下均匀信道化接收机模型

针对非合作接收条件的射频信号侦察,本文提出了一种基于软件无线电结构的均匀信道划分的信道化接收机模型,并给出了一种实用的信号信道化接收机框图。计算机仿真结果表明这种框图结构能很好地进行信道的均匀划分,并且大大的减少了DSP的计算时间。     

机载火控设备显示信号模拟器的设计与实现

介绍了微机在机载火控显示信号模拟器上的应用。叙述了如何利用硬件模拟和软件控制产生出各种机载火控显示设备所需的多种信号。为航空机务部队一线外场检查维修训练和空、地勤人员的实习培训提供了基本保证。     

基于深度神经网络的OFDM系统IQ不平衡补偿技术

正交频分复用(OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。本文研究了IQ不平衡对OFDM系统的影响,提出了基于并联深度神经网络的IQ不平衡补偿技术。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用IQ不平衡的干扰信号来自镜像子载波的先验知识来初始化神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的导频的最小二乘（LS）估计补偿IQ不平衡的算法,证明了深度学习方法解决物理层问题的优越性。     

基于小波包和神经网络的行星齿轮箱故障模式识别技术

行星齿轮箱振动信号在各频段的能量分布与其故障类型有关。利用Daubecics小波包将不同故障的振动信号分解到各个频带。BP神经网络的输入是各频带的能量——行星齿轮故障的特征向量,用神经网络识别故障类型。通过实验验证了该方法可以快速、准确地进行故障模式识别,达到良好的预期效果。利用此方法可以有效解决武装直升机武器系统复杂故障现象问题。     

基于HHT的助飞反潜鱼雷入水信号检测方法

针对助飞反潜鱼雷入水信号在浅海条件下信噪比低、干扰成分多导致难以检测的问题,采用HHT处理方法,通过CEEMD分解方法提高原始信号的信噪比;通过希尔伯特变换突出入水信号的时域特征,降低了入水信号检测的难度。所提方法应用于实航试验数据,显著提高了信号检测的可靠性。     

基于强化学习的自适应干扰波形设计

针对传统干扰算法无法适应信号环境变化的问题,提出将Q-Learning算法与"切割"假设法相结合应用到干扰波形设计中,使干扰波形能够达到自适应雷达信号长度变化的效果.该算法主要针对雷达检测环节进行干扰,其中采用恒虚警概率(constant false alarm rate,CFAR)作为环境交互模型,通过强化学习自适应...     

噪声调频信号发生器的研究与设计

为满足现代电子干扰对噪声调频信号源低功耗、快速和灵活可控的要求,采用基于Wallace算法的一种直接快速生成算法,提出了一种运算量小、速度快和全数字结构的可配置噪声调频信号发生器系统设计方案。系统利用正态分布的可加性直接生成高斯白噪声随机变量,采用数字频率合成(DDS)技术完成调频功能,通过内置串行接口配置发生器参数和输出系统运行状态信息。同时,提供了基于FPGA的系统实现方案,其生成信号波形具有严格的相干性和可控性,且对外界环境不敏感。