基于超分辨率重建的外源雷达实测信道估计

针对基于DRM(数字调幅广播)的外辐射源雷达实测参考信道估计面临的精度不足问题,研究了有限实测样本下的超分辨率重建网络估计方法．该方法在深度网络设计上通过将LS(最小二乘)信道估计方法获得的频域信道响应视为低分辨率的图像,经VDSR(非常深的超分辨重建网络)重建为高精度信道响应,最终实现对参考信号的准确估计;在训练数据集构建上,由于DRM外辐射源雷达实测信道估计中难以获取大量对应不同信道特征的实测数据,首先基于实测数据通过LS估计出时域信道响应,粗略确定信道中多径的大致时延和增益,然后在此基础上基于DRM波形特征仿真得到足够的信道数据,训练所提超分辨率重建网络,最后使用预训练模型预测实测数据．实测结果表明：本文方法可以达到比传统信道估计方法更高的精度．     

多频段外辐射源无人机检测实验研究

近年来,基于无源双基地雷达的无人机检测手段一直受到国内外研究人员的广泛关注。但常规双基地雷达的无人机检测方法需要作参考信号重构和杂波抑制等手段,使得检测算法较为复杂。基于循环谱的检测算法在不经信号重构和杂波抑制下,利用外辐射源雷达的循环平稳特性和循环谱的强抗噪性,可直接提取到旋翼无人机的微动特征。但该方法使用单频外辐射源雷达,在检测的稳定性和连续性上,由于受到目标距离、俯仰角度等因素的影响而显得力不从心,且检测精度不高。该文从外辐射源信号的循环平稳特性出发,提出了基于多频段外辐射源雷达的无人机检测方法。实测实验表明,使用多频段外辐射源检测时无人机回波信号的循环谱等高图识别率要高于单频段外辐射源雷达,多频联合处理能使检测性能更加平稳。     

DVB-T2外辐射源雷达参考信号重构算法

DVB-T2为DVB-T的升级标准,采用了一系列宽带无线通信领域的先进技术,不仅提供了优质音视频服务,也为外辐射源雷达提供了新型照射源。本文针对DVB-T2信号的结构特点,提出了适应DVB-T2系统的参考信号重构方法。首先研究了基于P1符号的双相关算法,使同步结果更加精确;然后提出二维线性插值的信道估计算法。实测数据验证了该算法能够改善参考信号的重构质量。     

时变信道下基于LSTM的信道估计方法

针对时变信道环境下传统信道估计方法性能受限,其他基于深度学习的信道估计方法估计精度低或复杂度高的问题,提出一种基于长短期记忆结构的信道估计网络,由双向长短期记忆(bidirectional long short-term memory, BiLSTM)网络和多层感知器(multilayer perceptron, MLP)网络组成,即BiLSTM-MLP.首先,利用BiLSTM网络来学习信道的时变特性;然后,利用MLP网络进行去噪并重构信道估计.仿真结果表明,所提出的信道估计方法与传统方法相比,性能提升明显,与同类型的基于深度学习的估计方法相比,复杂度较低且性能更优.此外,所提方法还具有对不同导频密度的鲁棒性.     

基于信道探测技术的MIMO-OFDM系统信道及其相关性的联合估计

在实际物理环境中,信道相关性估计在很大程度上影响信道估计的准确性。针对MIMO-OFDM系统,引入信道探测思想,在数据传输之前发射探测信号,利用接收端信号的相关矩阵与信道相关矩阵的关系进行信道及其相关性的联合估计,同时,将信道探测得到的信道相关矩阵作为数据传输过程中的已知条件,辅助系统进行信道估计。理论分析和仿真表明,该方法可以在空间相关性不能忽略的情况下保证信道估计的准确度,基于信号处理的估计方法也不会增加算法的复杂度,同时信道探测思想的使用,不会造成数据传输过程中占用额外系统带宽的现象,因此具有较大的实用价值。     

基于深度学习的OFDM信道估计

针对多径正交频分复用(orthogonal frequency division multiplexing, OFDM)信道环境下信道频域选择性衰落导致下行链路信道估计性能受限的问题,提出一种基于深度学习的信道估计(deep learning-based channel estimation, DL-CE)方法。采用自回归过程对信道建模,利用深度学习设计信道估计网络追踪信道响应及其频域相关系数。通过迭代训练,基于深度学习的信道估计网络能够学习到自回归系数的最优估计,同时利用先验信道信息估计信道频域响应和频域相关系数。与传统方法相比,所提信道估计方法性能提升明显。     

基于残差密集网络的智能超表面信道估计算法

信道估计是通信系统中一项关键的技术,涉及评估信号在传输过程中经历的信道特性,以便接收端能够有效地对接收到的信号进行处理和恢复。为提高视距信道遮挡通信下的通信系统质量,使用智能超表面来辅助现有通信系统。智能超表面辅助的无线通信系统中,除了基站和用户之间的视距信道外,同时包含基站到智能超表面和智能超表面到用户之间的级联信道。当前信道估计方法基本上利用传统算法进行估计,为了解决智能超表面辅助多用户系统中复杂统计分布的级联信道估计精度低和计算复杂度高的问题,文中提出了一种基于传统算法和深度学习算法相结合的信道估计算法。利用传统算法的可解释性和深度学习算法的高性能特性,在卷积网络基础上,提出了一种基于残差密集网络（RDN）的去噪方法。首先按照系统参数模拟生成真实环境的数据集,使用传统最小二乘法（LS）进行信道粗估计,并将信道看作二维含噪图像;其次采用密集块（RDB）充分提取噪声数据局部特征,并使用多路卷积和残差网络对数据进行特征融合;最后通过已训练模型对数据进行在线估计,并得到去噪信道。文中从信道的估计精度对所提算法进行验证,在Rician信道模型上进行理论公式推导和系统仿真分析。仿真结果表明,...     

提高多普勒雷达测速估计精度的方法

针对连续波多普勒雷达外弹道测速的特点,为了解决频率分辨率与采样频率影响多普勒雷达速度测量精度的问题,提出应用快速傅里叶变换的频谱分析法.该方法基于目标弹道升、降规律对估计频率进行线性调整,能有效提高多普勒雷达的作用距离、测试精度和抗干扰能力,避免由于频率分辨率不够而出现连续相同的速度值.利用信号相邻两次截断后的频谱相位信息能提高频率估计精度.仿真结果和外场试验表明该方法在较低信噪比下,仍可以得到很高的频率估计精度.     

基于DSP的LTE-TDD上行信道估计实现

信道估计是LTE-TDD系统接收端的重要模块之一,它对系统性能有着非常重要的影响。介绍了LTE-TDD系统上行信道解调参考信号和探测参考信号的产生方式以及时频位置映射方式,通过对硬件性能的评估,采用基于变化域的LS算法提出了一种上行信道估计实现方案。通过分析其实现复杂度和定点运算误差,该方案可以满足实时处理的要求,并能提供较好的性能。     

基于DSP的LTE-TDD上行信道估计实现

信道估计是LTE-TDD系统接收端的重要模块之一,它对系统性能有着非常重要的影响.介绍了LTE-TDD系统上行信道解调参考信号和探测参考信号的产生方式以及时频位置映射方式,通过对硬件性能的评估,采用基于变化域的LS算法提出了一种上行信道估计实现方案.通过分析其实现复杂度和定点运算误差,该方案可以满足实时处理的要求,并能提供较好的性能.     

基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别

针对人工检测桥梁表面缺陷存在精度低、速度慢和漏检率高等问题,该文提出了基于深度卷积生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)和改进YOLOv5s的桥梁表面缺陷检测识别模型.首先,通过DCGAN网络对自主采集的桥梁表面缺陷图像进行数据增强,建立每类缺陷样本数量较为均衡的数据集; 其次,在YOLOv5s模型基础上嵌入CBAM注意力机制模块,使模型将注意力集中于缺陷区域,从而提升图像分类的准确率; 最后,为验证所提方法的适用性,将包含4类桥梁表面缺陷的数据集进行训练与测试.实验结果表明:该文提出的模型在桥梁表面缺陷检测上的准确率为92%,相比其他深度学习模型具有更高的检测精度和鲁棒性.     

一种合成宽带数字波束形成相控阵通道幅相误差的校准方法

在对相控阵雷达数字化单脉冲和差波束形成原理研究的基础上,给出了单脉冲比的提取模型。对通道幅相误差与角度估计精度的关系进行了分析,结果表明通道幅相误差将导致和波束主瓣畸变,增益降低,进而影响角度测量的精度;在利用合成宽带信号进行距离高分辨成像时,通道的幅相误差将会导致高分辨距离像的畸变。针对通道误差的校准提出了一种不需要注入参考信号的盲自适应校准方法,利用接收信号作为参考信号,采用改进的NLMS算法求取校准权值,在校准过程中进行通道延迟的补偿。仿真结果证明了该方法的有效性。     

基于ROAMP-Net的大规模MIMO系统智能信号检测方法

针对大规模多输入多输出(multiple-input multiple-output,MIMO)系统存在的信号检测计算复杂度高、检测精度不足等问题,参考OAMP-Net算法思想,引入残差结构,提出了一种新的智能信号检测网络模型ROAMP-Net。将正交近似消息传递(orthogonal approximate message passing,OAMP)估算信号的迭代过程展开为深度学习网络,同时引入残差结构,分别对各网络层的线性和非线性估计值进行逐层修正,有效防止估计误差的前向传播和过程积累,避免网络模型随着网络层数增加而发生性能退化,从而提高最终信号检测的准确度。针对不同调制方式和不同天线阵列的系列仿真实验结果表明,不同调制方式和天线阵列下ROAMP-Net在检测准确度上均有不错的性能表现。     

面向扶梯不安全行为的改进型深度学习检测算法

以YOLOv5s网络模型为基础,引入注意力机制CBAM模块,基于Ghost卷积模块重构网络模型的卷积操作,提出一种面向扶梯不安全行为的改进型深度学习检测算法.然后,在自主收集的扶梯不安全行为数据集上对其进行训练评估.结果表明,所提算法在检测精度有所提高的同时,大幅减少了检测所需的参数量和计算量.     

基于深度卷积神经网络技术的棉花顶芽探测技术

建立一种改进深度学习模型,用于农业自动化检测和识别棉花顶芽,以提高棉花劳作工作效率.通过把深度网络模型ResNet-101融入到基于深度学习(Deep Learning,DL)机制的感兴趣区域的目标检测算法Fas-ter RCNN中,得到统一的多结构层次的改进深度学习模型.对比实验验证结果表明,相较于传统Faster ...     

面向高速移动场景的OFDM系统信道估计综述

近年来,高速移动通信受到业界的广泛关注,其中接收机侧的信道估计直接决定了系统的通信质量。正交频分复用（orthogonal frequency division multiplexing,OFDM）以其高带宽效率和抗多径衰落的特性,在目前的无线通信中被广泛采用。综述了高速移动场景下OFDM系统信道估计方法;描述了OFDM的系统模型;分析了高速移动场景下信道的时间/频率选择性衰落特性（双选特性）和稀疏特性。基于深度学习和压缩感知的信道估计方法,其高精度和低复杂度被用于高速移动场景,该文分别对基于深度学习和压缩感知的信道估计算法进行了归纳、对比、分析,探讨了高速移动场景下信道估计的发展趋势。     

基于改进Transformer和强化学习的僵尸网络DGA域名检测

针对现有僵尸网络检测方法检测精度不高和检测时间开销较大的问题,提出一种基于改进Transformer和强化学习的僵尸网络域名生成算法(Domain Generation Algorithm,DGA)的域名检测方法。首先,利用深度可分离卷积替换ResNet和ResNeXt网络中的卷积块,通过减少网络模型参数来降低模型的时间开销;其次,利用改进后的ResNet和ResNeXt网络将域名字符串映射到深度特征空间,构造多尺度特征,强化特征的表达能力;再次,利用长短期记忆神经网络(Long Short-Term Memory,LSTM)对Transformer网络进行改进,在保持字符间相对位置的同时,进一步建立上下文的长距离依赖编码,并在此基础上引入注意力机制,强化模型对关键特征的捕获能力;最后,引入强化学习对模型进行微调,提高DGA域名的检测精度。在多个DGA域名数据集上进行测试验证,结果表明该模型在保持检测时间开销较小的基础上,具有更高的检测精度。