基于双门限检测的辐射源识别方法

介绍了辐射源特征量提取方法及其精度分析,提出了一种辐射源识别的新方法--基于个体特征数据库和双门限检测的个体识别,给出了相应的个体识别流程图和个体数据库的更新方法.仿真结果说明了所给方法的有效性.     

丙烯酸丁酯在氧化镁表面的接枝聚合反应

采用辐射源^60Co辐照的方法，将丙烯酸丁酣接枝到氧化镁表面，用傅立叶红外光谱仪、顺磁共振、扫描电镜以及接触角测定等手段对改性氧化镁表面结构及性质进行了研究．结果表明：丙烯酸丁酯确实在氧化镁表面发生了化学反应，而且与氧化镁之间存在着明显的化学作用．     

标准红外辐射源的设计和制做方法

本文提出了一种利用红外辐射与吸收匹配原理,设计与制做标准红外辐射源的方法。实验表明用本文方法设计和制做的红外辐射源能够满足使用要求。     

基于多级跳线残差网络的雷达辐射源识别

针对复杂体制雷达辐射源的识别问题, 提出了一种基于时频特征提取与多级跳线残差网络(multi-level jumper residual network, MLJ-RN)结合的识别方法。首先,计算辐射源信号的平滑伪Wigner-Ville时频分布生成时频图像以表达信号本质特征, 将图像进行预处理以保留信号细微特征差异。然后,设计多级跳线连接的残差单元, 在此基础上构造MLJ-RN, 对时频图像相邻卷积层的细微特征进行学习和识别, 并使用随机梯度下降法训练网络。最后,通过对网络进行参数优化, 强化对信号的深层特征提取能力。仿真结果表明, 信噪比为－5 dB时, 该方法对12类雷达辐射源信号的整体识别概率达到95.1%, 从而验证了该方法在低信噪比下识别雷达信号的有效性。     

基于外辐射源信号的时差定位系统定位精度分析

利用调频广播、电视等外辐射源信号对目标进行无源定位和跟踪是空中目标监视与探测领域的一个重要发展方向,而确定有效的定位方法是系统实现的一个关键技术难题。叙述了基于外辐射源信号目标探测系统利用时差和方向信息实现对目标单点定位的基本原理,详细分析了对于地面固定接收站和空中运动观测平台两种场景下的目标定位精度。并计算分析了对于基于调频广播信号和基于电视信号两种目标探测系统测时差精度和位置精度对目标定位精度的影响。研究结果对定位系统的设计和工程实现具有重要的参考价值。     

利用阵列天线的CDMA辐射源雷达目标检测方法

针对码分多址（code division multiple access, CDMA）移动通信网中,一个区域内存在多个CDMA基站以同样的频率发射不同的信号,一般很难确定多个基站的能量强弱和方向,提出一种利用阵列天线的CDMA辐射源雷达目标检测方法。利用级联相消消除各个基站的干扰。首先,通过导频搜索确认每一阶段当前具有最强能量的基站,并给出一种精确测量该基站方向的方法;然后,消去各个天线阵子接收到的该基站干扰,再依次循环进行,将各个基站干扰按能量从大到小依次消除,直到干扰充分消除;最后,进行波束扫描和距离多普勒相关以检测目标。计算机仿真验证了该目标检测方法的有效性。     

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。     

CT三代扫描旋转中心偏离的卷积反投影算法

讨论了卷积反投影算法实现CT图像重建时，被测工件旋转中心偏离理想重建中心的工程问题。在于理想卷积反投影重建算法理论，推导出相应校正偏离的卷积反投影算法，并引入单象素工件模型估计偏离参数。根据偏离幅度给出了理想重建算法适应的范围，仿真结果证明了校正算法的有效，利用校正算法消除了由旋转中心偏离造成的伪影，提高了图像分辨率。     

明胶与丙烯酸甲酯在60Co辐照下的接枝聚合反应

利用辐射源^60Co辐照引发明胶与丙烯酸甲酯接枝聚合反应，接枝聚合物IR谱显示，1560cm^-1处有明胶酰胺基的特征吸收，1760cm^-1处强吸收峰则为丙烯酸甲酯单元的羰基特征红外吸收，从而证明了明胶与丙烯酸甲酯接枝的存在．进一步研究了不同辐照剂量、明胶与丙烯酸甲酯不同配比对接枝聚合物产量的影响．     

基于粗集理论的雷达辐射源信号识别

将粗集理论（RST）引入到雷达辐射源信号（RES）识别中，提出一种区间连续属性离散化新方法及相应的特征选择算法，将RST与神经网络（NN）结合，设计粗集神经网络（RNN）分类器．实验结果表明，该方法解决了已有方法难以处理的区间连续属性离散化问题，获得的正确识别率比其他3种方法分别高出7．29％、4．34％和4．00％．RNN的平均训练代数比NN少97．54，RNN的平均识别率比NN高2．84％，这表明RNN具有比NN更好的分类能力和泛化能力，从而证实了该方法的有效性和可行性．