Perfectly matched layer implementation for ADI-FDTD in dispersive media

1.INTRODUCTIONThe finite difference time domain(FDTD)method iswidely used for solving electromagnetic problems[1].The Courant stability condition must be satisfiedwhen the method is used.Alternating direction i m-plicit finite difference ti me domain(ADI-FDTD)method proposed by Namiki is based on the alternat-ing direction i mplicit technique and is applied toYee’s cell to solve Maxwell’s equations[2,3].Thisscheme is unconditionally stable and is not dissipa-tive.Therefore,the ti …     

基于FDTD的时变等离子体中电磁波频域特性研究

推导了计算一维时变磁化等离子体的时域有限差分（finite difference time domain, FDTD）的递推式,分析了一维情况下的时变等离子体中电磁波的频域特性,并通过选取算例,验证了该方法的准确性。对将等离子体频率按时间分为3个阶段的复杂情况进行了计算分析,通过改变时变磁化等离子体占空比,得出了时变磁化等离子体对电磁波有频率漂移和频谱展宽等规律。     

Higher order implicit CNDG-PML algorithm for left-handed materials

By incorporating the higher order concept,the piecewise linear recursive convolution(PLRC)method and CrankNicolson Douglas-Gunn(CNDG)algorithm,the unconditionally stable complex frequency shifted nearly perfectly matched layer(CFS-NPML)is proposed to terminate the left-handed material(LHM)domain.The proposed scheme takes advantages of CFSNPML formulation,the higher order concept PLRC method and the unconditionally stable CNDG algorithm in terms of absorbing performance,computational efficiency,calculation accuracy and convenient implementation.A numerical example is carried out to demonstrate the effectiveness and efficiency of the proposed scheme.The results indicate that the proposed scheme can not only have considerable absorbing performance but also maintain the unconditional stability of the algorithm with the enlargement of time steps.     

基于Stacked-TCN的空间混叠信号单通道盲源分离方法

针对空间互联网星地通信场景中的混叠信号分离精度不足问题, 提出了基于深度学习的堆叠时域卷积网络(stacked time-domain convolutional network, Stacked-TCN)分离方法。首先, 对混合信号提取编码特征表示。然后, 通过时域卷积网络训练得到源信号的深层特征掩模, 将每个信号源的掩模与混合信号编码特征做Hadamard乘积, 得到源信号的编码特征表示。最后, 使用1-D卷积, 对源信号特征进行解码, 得到原始波形。实验采用负的比例不变信噪比作为网络训练的损失函数, 即单通道盲源分离性能的评价指标。结果表明, Stacked-TCN方法与其他4种算法相比, 所提方法具有更好的分离精度和噪声鲁棒性。     

基于衰减因子的双通道神经网络图像分类算法

为解决深度卷积神经网络(convolutional neural networks, CNN)难以训练的问题,提出一种快速、高效的双通道神经网络(dual channel neural networks, DCNN),该神经网络由直通通道和卷积通道两种通道构成,直通通道负责保障深度网络的畅通性,卷积通道负责深度网络的学习。考虑到深层网络在训练时容易出现性能不稳定的问题,在卷积通道上引入卷积衰减因子,对其响应数据进行约束。设计一种“双池化层”对同一特征图进行降采样,不仅可以防止训练过拟合,还能保证各通道的维度一致性。在3个图像数据集CIFAR-10、CIFAR-100和MNIST上的实验结果表明,无论是神经网络的可训练深度、稳定性和分类精度,DCNN都明显优于现有的深度卷积神经网络。     

具有选择与补偿机制的加权集合序贯极端学习机及其应用

针对集成在线序贯极端学习机(EOS-ELM)预测精度不高和动态适应性差的问题,提出一种具有选择与补偿机制的加权集合序贯极端学习机.该加权集合序贯极端学习机在序贯学习过程中,通过对当前预测模型精度的判断决定是否进行递推更新操作,同时为提高预测模型的动态跟踪能力,在加入新样本的同时对旧样本进行剔除;然后,利用EMD对残差序列处理后进行预测,并将初始预测结果与残差预测结果相加得到最终预测模型.通过对上证指数的预测,结果表明所提方法具有更好的泛化性能,预测精度相比EOS-ELM提高了近36.1%.     

基于改进1DCNN+TCN的雷达辐射源快速识别方法

为了解决传统雷达辐射源识别方式识别速度慢、在低信噪比时很难准确识别等问题,结合深度学习提出了一种基于改进一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)和时间卷积网络(temporal convolutional network,TCN)的雷达辐射...     

Wentzel-Kramer-Brillouin and finite-difference time-domain analysis of Terahertz band electromagnetic characteristics of target coated with unmagnetized plasma

We investigate computationally the attenuation and reflection of Terahertz （THz） wave using targets coated with plasmas. The simulators are the Wentzel-Kramer-Brillouin （WKB） method and finite-difference timedomain （FDTD） method. The relation between the frequency of the incident electromagnetic （EM） wave and the attenuation caused by unmagnitized plasma is analyzed. The results demonstrate that the amount of absorbed power is a decreasing function of the EM wave frequency and the plasma collision frequency. For THz band incident wave, the attenuation that is caused by plasma is small when the plasma has common density and the collision frequency. This conclusion has fine applying foreground for plasma anti stealth.     

联网审计的绩效评价方法: 基于RC和AHP的组合应用

针对等级法(RC)和层次分析法(AHP)的不足, 提出了一种基于RC和AHP组合应用的联网审计绩效评价方法: 首先, 建立了针对联网审计绩效评价的AHP层次结构模型; 其次, 采用RC方法划分指标层各评价指标的重要等级, 并参照划分结果准确地填写AHP判断矩阵; 再次, 根据所确定的AHP判断矩阵计算各评价指标的权重, 并在此基础上建立联网审计的绩效评价模型; 最后, 通过实例分析了基于RC/AHP的联网审计绩效评价方法的应用. 通过对RC、AHP、RC/AHP三种方法生成的各评价指标权重, 以及采用三种方法计算出的绩效评价结果进行比较 表明: 基于RC和AHP组合应用的联网审计绩效评价方法有效地提高了评价指标权重计算的准确性, 从而提高了联网审计绩效评价结果的准确性.     

基于改进型YOLOv3的SAR图像舰船目标检测

传统合成孔径雷达(synthetic aperture radar, SAR)图像目标检测的方法依赖于人工设计特征且易受复杂背景干扰, 泛化能力较差。深度学习的方法可以自动提取特征且具有良好的抗干扰特性, 对于未来雷达智能感知具有重要意义。不同于其他只能对固定区域进行检测的常规卷积神经网络, 本文提出一种改进型YOLOv3的SAR图像舰船目标检测方法, 该方法基于舰船尺寸与形状自适应采样的可变形卷积、ResNet50变体特征提取器和ShuffleNetv2轻量化思想等设计YOLOv3模型。通过SSDD数据集验证, 在检测效果方面, 相较于原YOLOv3模型, 平均精度从93.21%提高至96.94%, 检测概率从95.51%提高至97.75%;在模型大小方面, 轻量化设计模型仅为原YOLOv3模型的八分之一, 可实现嵌入式的使用。     

电子设备贯通导线的电磁耦合时域分析算法

目前,应用于电子设备贯通导线电磁耦合分析的数值算法仍比较缺乏。基于时域有限差分(finite difference time domain, FDTD)方法和传输线方程,并结合诺顿定理,提出了一种高效的时域混合算法,用于解决电磁波作用于电子设备贯通导线的电磁耦合问题。首先,将贯通导线按照电子设备屏蔽腔结构分解为内、外传输线。然后,采用FDTD方法结合传输线方程,构建内外传输线的电磁耦合模型,并求得内外传输线上的瞬态响应。最后,根据诺顿定理建立贯通导线的等效电路模型,解决内外传输线之间的阻抗不匹配问题,并实现干扰信号在贯通导线上的来回传输。采用该时域混合算法,对电磁波作用自由空间和屏蔽腔内电子设备贯通导线的电磁耦合进行数值模拟,并与传统FDTD方法进行比较,验证了算法的正确性和高效性。     

组合目标电磁散射的FDTD/TDPO混合法

为分析组合目标的后向电磁散射,提出了时域有限差分FDTD与时域物理光学TDPO相结合的混合算法。组合目标包括电大尺寸和电小尺寸两个彼此相互分离的部分。采用FDTD方法分析形状或介质较复杂的电小结构部分;采用TDPO方法分析目标的电大尺寸部分。在处理FDTD区对TDPO区耦合时,利用了基尔霍夫积分的近场-近场外推技术,并提出了顺序传递方法,按照FDTD的时域计算顺序将FDTD区对TDPO区的贡献直接传递到远区观察点,计算效率高,所需内存少。对于远区后向散射,TDPO区对FDTD区的耦合则由互易性定理得到。最后给出了验证和应用算例,表明了方法的正确和有效性。     

互连线均匀长度分阶模型的简化与优化

推导了Wang氏表达式的均匀长度分阶（evenlengthorder，ELO）的模型化简公式。应用MatLab在时域和频域的仿真，对一个实际互连线的低阶ELO简化模型与其100阶模型（作为原始模型）进行了比较。比较指标有单位阶跃响应的上升时间、频域波特图的频率带宽、以及传递函数误差的H—inf范教。结果表明，采用传统ELO化简，10阶以下模型与原始模型相比有较大差异．通过应用ELO模型化简公式寻找优化RC参数，优化的ELO化简模型可使上述比较指标与原始模型的差异减到相当小的程度，单位阶跃响应和频率响应均有很大改善。     

融合WaveNet和BiGRU的网络入侵检测方法

为解决当前入侵检测算法对于网络入侵的多分类准确率普遍不高的问题, 鉴于网络入侵数据具有时间序列特性, 提出一种融合WaveNet和双向门控循环单元(bi-directional gated recurrent unit, BiGRU)的网络入侵检测方法。为解决原始攻击数据分布广、离散性强的问题, 首先对数据进行独热编码及归一化处理, 之后使用WaveNet进行卷积操作, 对数据进行序列缩短处理, 同时使用最大、平均池化融合的方法全面提取数据特征, 最后由BiGRU完成对模型的训练并实现分类。基于NSL-KDD、UNSW-NB15以及CIC-IDS2017数据集进行了对比实验, 结果表明, 所提方法对于上述数据集的准确率分别能够达到99.62%、83.98%以及99.86%, 较同类型的CNN-BiLSTM分别提升了0.4%、1.9%以及0.1%。     

基于改进的CNN和数据增强的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题, 提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout, 随机删除部分神经元, 增强网络的泛化能力。其次, 在网络中引入L2正则化, 简化模型的同时降低结构风险, 并且能有效地抑制过拟合。然后, 采用Adam优化网络, 提高模型的收敛效率。最后, 采用优选的数据增强方法, 扩充SAR目标数据集, 为网络训练提供更为充足的样本, 进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验, 结果表明设计的卷积神经网络识别准确率高, 且具有更好的泛化性。     

电磁跟踪系统磁场畸变规律数值模拟及校正方法

电磁跟踪系统参数定位精度易受工作环境中金属物体的影响。为了研究由于金属干扰导致电磁跟踪系统空间磁场的畸变规律,采用基于消息传递模式的网络并行计算系统和区域分割技术实现了并行时域有限差分算法。引入快速傅里叶变换算法,克服了系统激励源频率较低难以模拟的困难。通过对磁场畸变规律的研究,引入误差校正矩阵,通过修正发射矩阵进而校正磁场畸变引起的目标参数定位误差。采用正交多项式拟合的算法求解误差校正矩阵,数值模拟结果验证了校正方法的正确性,可以明显提高磁场畸变时系统参数的定位精度。磁场畸变规律的数值模拟,降低了系统实时数据采集的工作量,提高了系统校正方法检验的快速性。     

基于深度学习的轻量化目标检测算法

深度卷积神经网络在各个领域都表现出很好的效果, 与之伴随的是庞大的计算量和参数量。针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题, 提出一种高性能轻量化的网络模型。首先将Stem模块和ShuffleNet V2进行融合, 提升网络特征提取能力, 并利用融合后的网络对原始YOLOv5的骨干网络进行重构, 显著降低了网络的计算量和内存占用, 同时, 引入可变形卷积以提升网络的检测性能。道路监控图像和VOC、COCO数据集测试结果表明, 所提出的模型在保持检测精度的前提下, 将参数量和模型尺寸降低了90%, 计算量仅为原始模型的18%, 实现了检测模型的轻量化, 更有助于在计算资源有限和对实时性要求高的场景中部署。     

基于卷积神经网络的小型建筑物检测算法

针对基于传统卷积神经网络的建筑物目标检测算法对于小型建筑物检测准确率低的问题, 提出一种基于Mask-区域卷积神经网络(Mask-region convoluional neural networks, Mask-RCNN)模型的小目标检测算法模型。该模型对Mask-RCNN模型中的特征提取网络进行了改进, 设计了一种带有注意力机制的多尺度组卷积神经网络, 有效解决了小目标有用特征较少且易被背景特征和噪声干扰的问题。航拍图像实验结果表明, 改进的检测模型使小型建筑物目标检测准确率较原始Mask-RCNN模型提升了28.9%, 达到了0.663。并且整体检测准确率达到了0.843, 有效提升了航拍建筑物检测准确性。     

分析周期结构的Crank-Nicolson FDTD方法

常规FDTD方法的最大时间步长受最小离散网格的限制,需要满足CFL(courant-friedrich-levy)稳定性条件。一维Crank-Nicolson FDTD方法采用隐式差分格式,突破了稳定性条件的限制,是求解PBG(photonicband-gap)这类周期性结构目标的有效方法之一。讨论了一维Crank-Nicolson FDTD方法中总场边界的设置,引入总场边界后便于提取周期性结构的反射系数。应用该方法分析了一种周期性结构的反射特性,与用传播矩阵方法所得结果一致。算例也表明了当时间步长取为常规FDTD时间步长100倍时,该算法仍然是无条件稳定的。     

基于ADSP21160的副本相关积分器实现

副本相关积分器(replicacorrelationintegrator,RCI)是时间扩展信道的最佳似然比检测器。重点研究RCI在高速信号处理芯片ADSP21160上的实时实现。首先从系统的要求出发,给出了用实数实现复数副本相关的方法。推导了RCI的递推算法,使其实时实现成为可能。通过比较Matlab和递推算法的结果可以看出,递推算法在减小计算量的同时保证了计算精度。