面向多任务的可重构星载计算机设计

为了使可重构星载计算机更好地满足微小卫星中多任务、多进程的工作需求,对其传统的体系结构进行了改进,参照生物体中干细胞的管理机制提出了一种现场可编程逻辑门阵列(field programmable gate array, FPGA)资源的动态管理方法,并以此为基础结合动态部分重构技术提出了一种能够根据星上任务进程自主调整电路结构的可重构星载计算机设计方法。该体系结构在消除可重构星载计算机中多个任务进程之间对硬件电路功能单元竞争的同时,不但简化了在轨升级机制,大幅减少了硬件升级所需上传的文件大小,还在系统层面增强了其对辐射损伤的应对能力。经过与传统星载计算机(386-EX)和普通可重构星载计算机的对比实验,可以看出该体系结构在多任务、高计算量的工作环境下具有非常明显的优势。     

可重构天线的研究进展

对可重构天线的研究进展作了比较全面的讨论。介绍了一些典型的可重构天线结构形式。通过改变天线的内部结构或尺寸改变天线的电流分布,从而改变天线的工作特性,这样就可实现天线的重构。大部分天线是通过开关来改变其结构或尺寸的。可重构天线按功能一般可分为3类:频率可重构天线、方向图可重构天线及频率和方向图可重构天线。     

基于稀疏重构的L型阵列MIMO雷达降维DOA估计

针对L型阵列多输入多输出(multiple-input multiple-output,MIMO)雷达二维空间角估计问题,提出一种基于协方差矩阵联合稀疏重构的降维波达方向(direction of arrival,DOA)估计算法。该算法根据L型阵列MIMO雷达联合流型矢量的特点,通过降维矩阵的设计及回波数据的降维变换,最大程度地去除了所有的冗余数据;通过协方差矩阵联合构造稀疏线性模型,将2维角参量空间映射到1维空间,极大降低字典长度和求解复杂度的同时,不牺牲阵列孔径,实现了二维空间角度的有效估计和参数的自动配对。理论分析与实验仿真表明:与RD_MUSIC算法相比,本文降维处理有效提高阵元利用率的同时,最大程度地降低了回波数据的维数;与传统子空间类算法相比,基于协方差矩阵联合构造的稀疏线性模型充分利用了阵列孔径,无需预先估计目标数目,参数估计性能在低信噪比及小快拍数据长度下优势明显。最后,仿真结果验证了本文理论分析的正确性和算法的有效性。     

基于稀疏性深度学习的航拍图像超分辨重构

为降低无人机硬件设备升级成本,研究利用深度学习技术进行航拍图像超分辨(super-resolution,SR).针对神经网络训练参数量大的特点,提出了一种稀疏卷积神经网络SR(SR based on sparse convolutional neural network,SRSCNN)重构方法,对神经网络连接权值进行选...     

固体等离子体频率可重构天线的实现方法

基于对横向PIN二极管的物理建模,分析了固体等离子体的形成机理,建立了复介电常数、电导率等固体等离子体参数与半导体中载流子浓度、横向PIN二极管的物理结构尺寸等参数的关系,并研究得到了电磁波在横向PIN二极管中的传输与损耗特性。以硅基横向PIN二极管为基础,提出了固体等离子体频率可重构天线的实现方法,通过控制横向PIN二极管的通断,可以获得不同的天线谐振工作频率。通过可重构振子天线的设计与加工测试,天线的频率重构范围超过一个倍频程。实验测试结果与仿真分析实现了良好吻合,验证了理论分析的正确性与天线实现方法的可行性。     

低快拍下基于稀疏重构的大电磁矢量传感器阵列多维参数联合估计

大尺寸电磁矢量传感器(electro magnetic vector sensor,EMVS)比小尺寸EMVS辐射效率更高,研究其参数估计算法有助于推动EMVS的实装化应用.针对大尺寸EMVS阵列研究了低快拍下参数估计问题,提出基于稀疏重构的波达方向(direction of arrival,DOA)和极化参数联合估计...     

K波段双圆极化波导阵列天线设计

传统的双极化波导缝隙天线阵每种极化方式交叉极化较差,极化端口隔离度不高,尤其实现共口径辐射难度较大。介绍了一种K波段双圆极化波导阵列天线设计方法, 重点讨论了高效率共口径双极化辐射单元、宽带圆极化器、低损耗波导馈电网络。利用仿真软件进行了优化仿真分析,在此基础上研制了样件,对其电性能进行了测量。测试结果表明,此双圆极化波导阵列天线具有效率高、轴比带宽宽、隔离度高等特点。     

基于深度学习的捷变相参雷达1-Bit块稀疏重构

近年来,量化压缩感知理论在雷达目标参数估计问题中得到了广泛应用,其主要思想是对采样回波数据进行量化,并将雷达观测模型建模为欠定方程,再利用压缩感知理论对稀疏目标信号进行恢复,降低回波数据的位宽,达到简化系统、提升效率的目的 .本文建立了捷变相参雷达信号的块稀疏压缩感知模型,并提出一种基于深度学习的1 Bit块稀疏重建网...     

基于稀疏重构的机载雷达训练样本挑选方法

针对空时自适应处理中训练样本受目标信号污染时检测性能下降的问题,提出了一种基于稀疏重构技术的训练样本选取方法。该方法首先将接收数据由阵元脉冲距离域转换到阵元多普勒距离域,然后采用改进的正则化FOCUSS算法进行空域稀疏重构,估计待检测多普勒通道对应的阵元距离域数据得到高分辨角度距离谱,利用杂波多普勒与角度的先验关系,剔除角度距离谱上明显偏离角度期望的样本,实现对训练样本的有效选择。仿真表明,相比传统样本选择方法,该方法无须估计协方差矩阵,在小样本集情况下依然能够剔除被污染的样本,有较大优势。     

基于阵列天线的UWB定位方案研究

为实现简单而精确的定位,提出了一种基于阵列天线的超宽带(ultra wideband, UWB)定位方案。在定位源末端设置4根阵元天线,用于检测未知节点发射的UWB信号,各天线接收的信号经统一的中央处理单元,只需单个定位源就能完成未知节点的三维定位。通过UWB多径信号检测算法进行到达时间差(time difference of arrival, TDOA)估计,无需收发两端时钟同步,且避免了使用复杂的波束赋形技术。同时,提出了一种UWB多径信号检测算法,在分析误差模型对定位精度影响的基础上,以IEEE 802.15.4a信道模型的CM1~CM8为依据,对方案进行了误差性能仿真实验。结果表明,所提方案可实现精确定位,误差达厘米级。     

稀疏阵列方向调制信号综合算法

方向调制技术是近年来物理层安全通信领域研究的热点之一。现有的研究都是采用均匀相控阵根据应用场景性能要求的不同来研究方向调制信号的综合算法,不同场景性能要求下综合算法不具有通用性。针对这一问题提出了一种基于稀疏阵列的方向调制信号综合算法,算法中首先利用前向后向矩阵束方法求解稀疏阵列的阵元位置,然后针对方向调制信号应用场景性能要求建立相应的优化问题,通过优化问题中的目标函数和约束条件将不同的性能要求统一到一个优化问题中求解稀疏阵元对应的激励。仿真结果表明所提的基于稀疏阵列的方向调制信号综合算法相比于均匀阵列的方向调制信号综合算法能够更好地适应不同场景性能要求下方向调制信号发射机的设计。     

基于稀疏表示和多成分字典学习的超分辨率重建

针对目前基于稀疏表示模型的图像超分辨率重建方法对于边缘、纹理等细节信息保持能力有限、易产生视觉伪影的问题,提出了基于稀疏表示和多成分字典学习的超分辨率重建算法。在字典训练阶段,所提算法在利用图像形态分量分析方法构造纹理和结构字典的基础上,为了有效地提取低分辨率图像特征细节信息,对图像结构分量采用一阶二阶导数进行特征提取,对纹理分量采用Gabor变换进行特征提取,并使用L_1/2范数构造训练字典模型;而在重建阶段,为了消除重建图像块效应及模糊伪影,进一步提高重建图像的质量,采用全局约束和非局部相似性约束相结合的方法对重建高分辨率图像进行优化。实验结果表明,该算法在重建图像主观和客观评价指标方面均有较好的表现。     

六边形格点毫米波干涉阵列的稀疏与优化

研究了六边形格点干涉阵列的阵列稀疏和优化。通过阵列配置矩阵及其自相关矩阵和互相关矩阵,分析了六边形格点阵列的UV平面采样点分布规律,推导得到了六边形格点阵列实现UV平面采样点全覆盖的条件,并将六边形格点阵列的稀疏优化转化为矩形格点阵列的稀疏优化问题。利用差基序列低冗余度特性,提出了基于差基的六边形格点阵列稀疏与优化方法。仿真分析结果表明,采用所提方法得到的稀疏阵列,其冗余度优于经典X形阵。     

稀疏字典学习海面微弱动目标检测

针对强海杂波背景下微弱动目标信号提取困难、雷达检测性能差的问题,在稀疏表示理论的基础上,提出利用字典学习算法抑制海杂波、重构目标信号。该算法通过K类奇异值分解（K-singular value decomposition,K-SVD）算法学习海杂波和目标的稀疏域主成分特征,得到相应的学习字典,抑制海杂波并对目标信号稀疏重建,解决了以往固定字典与高海况下雷达回波匹配度低、目标信号提取效果差的问题;并通过算法参数的分析和优化,进一步提高了算法性能和工程实用性。基于实测数据的实验结果表明,相比传统检测方法,所提算法能够有效检测高海况下微弱动目标,显著提升检测性能。     

基于多任务学习图卷积模型的航空网络节点分类

准确识别航空网络关键节点, 做好针对性防护, 对于保证航空网络正常运行至关重要。传统的方法, 如基于复杂网络中心性指标的方法, 或基于机器学习的算法, 只单一考虑网络结构或节点特征来评价节点的重要性。然而评价节点的重要性应该同时考虑网络结构特征和节点特征。为解决上述问题, 本文提出了一种名为多任务图卷积网络(multi tasks graph convolution network, MTGCN)航空网络节点分类模型, 该模型在图卷积网络的基础上, 引入多任务学习及自适应加权策略, 将“节点—节点相关性”作为辅助任务加入模型的训练过程中, 并根据训练情况自适应分配各任务权重。3个不同规模的航空网络数据集中的仿真实验表明本文所提模型的性能优于现有的图卷积模型, 为图卷积在航空网络节点分类方向的应用提供了思路。     

基于广义模式耦合稀疏Bayesian学习的1-Bit压缩感知

在1-Bit压缩感知(compressive sensing, CS)框架下,将信号的稀疏结构先验引入广义稀疏Bayesian学习(generalized sparse Bayesian learning, Gr-SBL),研究基于Gr-SBL的1-Bit CS重构。将广义线性模型与模式耦合稀疏Bayesian学习相结合,提出了一种基于广义模式耦合稀疏Bayesian学习1-Bit CS重构算法,简称为1-Bit Gr-PC-SBL算法。该算法将1-Bit CS重构问题迭代地分解成一系列标准CS重构问题,在信号稀疏模式未知的情况下,基于模式耦合稀疏Bayesian学习实现信号重构。进而,引入阈值自适应的二进制量化,设计了自适应阈值的1-Bit Gr-PC-SBL算法,进一步提升了算法的信号重构性能。     

基于广义模式耦合稀疏Bayesian学习的1-Bit压缩感知

在1-Bit压缩感知(compressive sensing, CS)框架下,将信号的稀疏结构先验引入广义稀疏Bayesian学习(generalized sparse Bayesian learning, Gr-SBL),研究基于Gr-SBL的1-Bit CS重构。将广义线性模型与模式耦合稀疏Bayesian学习相结合,提出了一种基于广义模式耦合稀疏Bayesian学习1-Bit CS重构算法,简称为1-Bit Gr-PC-SBL算法。该算法将1-Bit CS重构问题迭代地分解成一系列标准CS重构问题,在信号稀疏模式未知的情况下,基于模式耦合稀疏Bayesian学习实现信号重构。进而,引入阈值自适应的二进制量化,设计了自适应阈值的1-Bit Gr-PC-SBL算法,进一步提升了算法的信号重构性能。     

基于稀疏贝叶斯学习的拖曳线列阵空间谱估计

针对常规拖曳线列阵目标方位估计中存在的左右舷模糊问题,提出了联合多个时刻机动拖曳线列阵信号模型的稀疏贝叶斯学习空间谱重构估计方法。首先,建立了机动拖曳线列阵的阵元域信号超完备稀疏表示模型;然后,根据稀疏贝叶斯学习原理将目标的空间角度稀疏特性通过信号双层先验假设进行隐性描述;最后,对目标空间谱的变化过程采用隐马尔可夫模型进行描述,并将空间谱连续慢变的客观规律应用到目标信号超参数的概率密度计算中,构建基于多个时刻阵列信号模型的空间谱稀疏重构模型。计算机仿真研究和海试数据验证结果表明:所提方法在拖曳线列阵机动条件下,能够有效抑制固有的左右舷模糊,同时具有更好的重构精度,从而实现拖曳线列阵空间谱的优效估计。     

基于多任务支持向量机的健康数据融合方法

针对电子健康服务管理中的多源数据融合难题,利用人工智能技术,结合多任务学习理论与支持向量机理论提出基于多任务支持向量机的数据融合方法(multi-task support vector machine for data fusion,简称mSVMDF).该方法对具有相同数据源的特征向量构造基于支持向量机的融合模型,在多任务学习框架下考虑结构稀疏性与各模型关联性的有机结合,以实现对具有不同数据源个数的多源数据的融合,并以多源影像数据与常规检验数据融合为例,开展数值实验验证方法的有效性.实验结果表明mSVMDF方法可以有效地融合具有不同数据源个数的多源数据,同时该方法具有较好的分类性能与结构稀疏性.     

基于稀疏分解的图像压缩

图像稀疏分解是一种新的图像分解方法,可以将图像分解为很简洁的近似表达形式。在图像稀疏分解的基础上,对分解出的数据进行压缩。通过对分解结果数据分布规律进行分析,提出了量化和编码的方案,期望在低比特率情况下,得到较好的解码图像质量。实验结果表明基于稀疏分解的图像压缩方法得到的解压图像有较好的主观图像质量。