基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

基于自适应形态学的跳频信号参数联合盲估计

跳频通信的应用大大提高了军事装备的抗干扰和抗截获能力，使得跳频对抗技术面临严峻的挑战。为解决传统形态学跳频信号参数估计方法中结构元素选择困难问题并提高估计精度，提出了一种基于自适应形态学的跳频信号参数联合盲估计方法。首先，对跳频信号进行短时傅里叶变换获取谱图。然后，从其时间轴投影中获取结构元素尺寸的知识, 设计自适应形态学滤波器抑制谱图噪声, 提取跳频图案初步估计跳频参数。最后, 引入最小二乘估计方法, 对跳频周期和跳变时刻进行精估计。仿真结果表明，此方法能够同时估计出跳频频率、跳频周期和跳变时刻, 不需要其中某一种参数作为先验条件, 在复杂的通信环境也能够保持良好的估计性能。     

基于MSP430的多功能信号发生器设计

针对一般信号发生器存在价格昂贵、便携性差,且在特定场合产生信号针对性不强等问题,基于直接数字频率合成原理设计了一种多功能信号发生器.信号发生器以MSP430F149单片机为控制核心,利用AD9852芯片产生1 Hz～20 MHz的正弦信号及AM、ASK、BPSK、FSK等多种调制信号.整个系统结构紧凑,具有良好的人机交互界面,电路简单,功能强大,具有较好的稳定性和抗干扰性能,使用方便.     

提高热工控制系统生产安全性的措施研究

随着热电厂机组容量的不断增加,热工控制系统的设计越来越复杂。发电过程智能化控制是热工控制系统设计人员必须具备的一项基本技能,热工控制自动化系统通常是通过分散控制系统(DCS)来实现的。本文结合现代工业主流的分散控制系统在电厂自动控制方面的应用,分别从超驰保护、信号选择、限制输出等角度,提出了提高热工控制系统生产安全性的措施。经生产实践检验,热工控制系统运行效果良好,生产安全性显著提高。     

去甲基姜黄素的NMR数据解析

对去甲基姜黄素(Demethoxycurcumin)进行了~1H和~(13)C NMR检测,补充和纠正了文献~1H NMR数据,通过DEPT、~1H-~1H COSY、HSQC、HMBC等1D、2D NMR技术对该化合物所有的~1H和~(13)C NMR信号进行了全归属和详细解析.     

基于RANSAC的高原地区交通违章视频图像去抖动方法

为了降低由于图像抖动引起的视频质量较低的问题,提出基于RANSAC的高原地区交通违章视频图像去抖动方法.利用RANSAC构建了图像模型,以此为基础,实现对图像中抖动点的准确识别,将抖动点数据与模型进行匹配,计算对应点的补偿值,以此实现去抖动的目的.实验结果表明,其能够实现对视频图像中抖动的有效去除.     

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。     

"花瓶"一无所用?独立董事对公司创业导向的影响

近年来,创业导向前因研究的焦点已渐从外部环境转至企业及管理者层面.其中有关管理者层面的因素涉及董事会整体和CEO,鲜有研究考察其他类别董事(如独立董事)对创业导向的影响.基于此,文章整合合法性理论与信号理论,预测和检验独立董事与创业导向的关系.基于信息传输、软件和信息技术服务业A股上市公司2011—2016年的面板数据,实证结果表明,独立董事的存在通过增加企业合法性促进创业导向,当独立董事中存在"学者董事"时,上述关系的强度增强;而企业所在地区制度发展水平较高时,上述关系的强度减弱.文章具有一定的理论和实践意义.     

基于数据场联合PRI变换与聚类的雷达信号分选

基于脉冲描述字进行雷达信号分选时,传统聚类算法需要预先人工设定聚类中心和聚类数目。针对该问题,提出一种基于数据场理论联合脉冲重复间隔(pulse repetition interval,PRI)变换与聚类的雷达信号分选新方法。首先,依据数据场理论,基于势值大小实现干扰点剔除,而后利用PRI变换算法进行PRI估计,依据PRI估计值将归一化脉冲描述字数据预分类,进而以各类数据集中心间的欧氏距离小于辐射因子为准则进行类别合并,自动得到初始聚类中心和聚类数目,最后通过改进K-Means算法完成聚类分选。仿真实验表明:所提方法能够应对存在频率捷变,重频参差、抖动、参数交叠、局部脉冲丢失的复杂信号环境,分选正确率明显提升。