变化海流环境下AUV能量最优三维路径规划

为获取变化海流环境下自主水下航行器(autonomous underwater vehicle, AUV)的能量最优路径, 基于最优控制理论提出一种用于AUV的三维能量最优路径规划算法。首先, 为了有效抑制海流对路径规划的影响, 将海流向量加入到AUV运动学模型中。其次, 在已知俯仰角及AUV位置的情况下, 利用庞特里亚金极小值原理, 获得能量最优控制律。最后, 利用线性定常系统的状态空间理论, 计算得到初始艏向角、航速以及能量消耗。在仿真环节, 通过与负反馈控制策略相比较, 说明所提算法能够规划出三维能量最优路径, 而且可以有效降低AUV的能量消耗。     

联合功率域SPMA协议的动态阈值算法

针对基于优先级概率统计的多址接入(statistic priority-based multiple access, SPMA)模式协议在高负载情况下战术信息的碰撞概率十分严重, 网络性能无法满足协同攻击要求的问题, 本文借鉴非正交多址接入技术在功率域上区分同时同频信号的思想, 改进SPMA协议信号发送机制与多优先级检测机制, 在原有的时域、频域基础上引入功率域, 提出一种联合功率域的SPMA协议性能改进策略。并针对各优先级数据包到达率的动态变化场景, 设计动态阈值算法, 以达到降低碰撞概率, 提升网络吞吐量的目的。仿真结果表明, 采用该改进策略与动态阈值算法可以使网络承载更大的业务流量, 提高网络吞吐量。     

基于EMD能量占比的海面漂浮小目标特征检测

针对传统的时频分析方法对海杂波分析有限的问题，提出一种基于经验模态分解(empirical mode decomposition, EMD)能量占比的海面漂浮小目标特征检测方法。首先，采用EMD将接收回波分为独立不同尺度的若干个固有模态(intrinsic mode function, IMF)分量，实现对接收回波的频率从高频到低频的分解。然后，分别建立IMF分量与接收回波数据的相关系数，并利用平均均值-标准差之比作为筛选IMF分量的准则，自动筛选出能量较大且波动平稳的低阶IMF分量。最后，提取IMF分量在原始信号中的平均能量占比作为特征，利用蒙特卡罗方法设置门限，进行海面目标异常检测。实测数据的结果显示，所提算法的性能优于对比算法。     

基于支持向量机的典型宽带电磁干扰源识别

由于民航周围电磁环境复杂, 一旦产生电磁干扰(electromagnetic interference，EMI), 就不易被排查, 特别是随机性较强的宽带干扰。对此, 提出一种基于支持向量机(support vector machine, SVM)的干扰源识别方法。通过实时测量干扰信号的频谱数据, 并分析其特点, 选择包络因子、频谱能量、频谱峰值、均值和方差5个特征向量, 用主成分分析法降低数据冗余程度, 最后采用SVM来判断干扰源类型。仿真结果证明, 所提算法能有效识别6类典型机场宽带干扰源, 识别精度可达98.33%。     

基于GAN的通信干扰波形生成技术

现有通信干扰方法, 通常基于通信侦察中获取的目标信号特征进行干扰决策, 选取合适的干扰波形实施干扰, 难以应对目标信号特征未知或参数动态变化的情况。为此, 提出一种基于生成对抗网络(generative adversarial networks, GAN)的通信干扰波形生成技术, 运用GAN直接提取目标信号的潜在特征, 并生成与目标信号特征相似的干扰波形。在介绍GAN原理的基础上, 首先设计网络模型, 并对学习率进行优化, 使GAN更适用于时间序列通信干扰波形的生成。然后通过对不同类型和参数的通信信号进行干扰波形生成实验, 验证了该技术的泛化性。最后进行干扰效果对比试验, 结果表明, GAN生成的干扰波形干扰效果能够逼近最佳干扰效果。     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

追踪物理学中的跨领域模因

以美国物理学会旗下期刊2000—2019年发表的论文和Web of Science论文摘要为基础，用模因短语刻画知识，构建模因关系网络并引入跨学科测度Rao-Stirling指数以计算模因的跨领域分数，从而追踪物理学中的跨领域模因。分别从网络拓扑结构指标、跨领域测度指标和专业术语对比3个方面进行验证，证明了所提的模因关系网络和模因的跨领域分数可以有效反映知识在不同领域间的扩散现象。     

一种三维DNA构象的交互式参数化模拟方法

提出一种适用于移动平台的交互式参数化DNA三维动态模拟方法.依据不同的DNA模式参数,利用基于自然特征的AR识别技术和曲线,直观形象地展示DNA的多种三维构象,动态模拟碱基互补配对、碱基对边堆叠边螺旋、 DNA复制的边解旋边半保留半不连续复制等微观过程.研发DNA三维动态模拟原型系统,实验结果表明,通过视、听、触、实物等多通道交互,有利于用户随时随地自主使用,增强用户对DNA知识的理解、掌握,引导用户进行更深层次的思考,提高知识的传递效率.     

合成部队多阶段作战任务成功概率仿真评估

考虑战场环境和战时装备维修保障评估合成部队多阶段作战任务成功概率, 对于辅助合成部队作战任务规划和装备维修保障决策具有重要的现实意义。在分析合成部队装备和合成部队装备维修保障模式的基础上, 构建了战时合成部队多阶段任务剖面; 通过对合成部队作战过程的分析, 提出了战时合成部队各阶段任务成功要求; 充分考虑合成部队多作战单元任务的协同性、合成部队装备的多样性及其战时随机共因失效(random common cause failure, RCCF)、战场环境下敌方火力打击和阶段任务时间的随机性、换件修理时间的不确定性等复杂因素, 利用蒙特卡罗仿真(Monte Carlo simulation, MCS)原理给出了合成部队多阶段作战任务成功概率评估的详细仿真流程, 并通过算例进行仿真和结果分析。研究结果表明:本文模型可用于合成部队多阶段作战任务成功概率评估和战斗阶段持续时间优化, 并为战时合成部队备件携行方案优化奠定了模型基础。     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。