基于进化PSO算法的稀疏捷变频雷达波形优化

为了提高稀疏捷变频(sparse frequency agility,SFA)雷达信号在稀疏重构中的精度和稳定性,提出一种基于进化粒子群优化(particle swarm optimization,PSO)算法的SFA雷达信号的优化设计.首先,推导了SFA雷达的信号模型和稀疏重构时的字典矩阵.然后,以最小化SFA雷达信...     

基于VHDL的可编程分频器在波形发生器中的应用

介绍了基于VHDL的可编程分频器在波形发生器中的应用的方法，利用这一方法，可使波形频率在大范围内变化。     

旋转式单针双截面束流扫描仪

采用三维环形旋转探针对离子束进行扫描，可以探测到２个束流截面的大小和位置；还可以由二截面参数的比较估算出附近的聚集梯度。该装置能够比较全面地反映束流的特性。     

VoIP中的语音编码技术分析

介绍了语音编码技术的原理和分类,对几种常用语音编码算法进行了性能分析和比较。     

氧传感器波形分析在电喷汽车维修检测中的应用

氧传感器在电控喷汽车空气燃油控制系统中有着非常重要的作用,对氧传感器波形信号的分析,可以快速、准确地判断整个空气燃油系统的运行性能．通过用汽车示波器对氧传感器波形进行分析、评定,可以帮助诊断分析汽车的怠速不稳、加速迟缓、功率低下、耗油量大等汽车故障及其的原因,同时还可以利用氧传感器的波形分析来判断三元催化器是否失效．     

基于SE-ResNeXt网络的低信噪比LPI雷达辐射源信号识别

针对低信噪比(signal to noise ratio, SNR)低截获概率(low probability of intercept, LPI)雷达脉内波形识别准确率低的问题,提出一种基于时频分析、压缩激励(squeeze excitation, SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution, CWD)获得雷达时域信号的二维时频图像(time-frequency image, TFI);然后进行TFI预处理降低噪声干扰和频率维的位置分布差异,以适应深度学习网络输入;最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征,实现雷达辐射源分类。实验结果表明,SNR低至-8 dB时,该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。     

干扰条件下基于Bayesian博弈的认知制导雷达波形设计

现代战场电磁环境复杂,制导雷达与干扰机间对抗日趋激烈.针对对抗过程中制导雷达和干扰方不能获取对方完整信息情形下的性能降低问题,基于SINR准则建立制导雷达和干扰Bayesian博弈模型,通过海萨尼转换方法,采用目标概率集合形式表达未知信息,求解博弈模型并设计雷达和干扰优化波形、基于二次注水和迭代注水法分配信号频域能量,并对Bayesian博弈纳什均衡存在性展开研究.最后通过仿真分析不同策略下的雷达和干扰信号具体形式,验证不同波形条件下制导雷达检测性能.仿真结果证明,迭代注水信号及二次注水信号检测概率最高可比线性调频信号分别提升15.41％、12.79％,为不完全信息博弈中制导雷达信号优化提供了解决方案.     

波形正交性退化下机载MIMO雷达杂波模型与自由度分析

针对发射波形正交性退化影响机载多输入多输出（multiple input multiple output,MIMO）雷达的杂波特性,基于信号空间和子阵空间的变换原理,建立了波形正交性退化下的机载MIMO雷达杂波通用模型和标准模型。基于带限信号的最优逼近特性,分析了波形正交性退化下的空时等效阵列孔径变化规律,提出了杂波自由度（degree of freedom, DOF）的估计准则。最后,仿真验证了杂波模型及杂波自由度估计准则的有效性。     

基于几何特征的调制波形优化方法

为提高频带效率,探索更有利于频谱紧缩的调制波形,根据二元相移键控调制波形的几何特征,通过数学分析与推导,提出了基于几何特征的卡圆和正弦插入波形优化方法. 把提出的优化方法应用于EBPSK调制,使其调制波形的相位突变趋于平滑,功率谱边带大大衰减,频谱得到紧缩,获得了较好的频谱特性.仿真表明,优化后的EBPSK调制与优化前的EBPSK调制具有几乎相同的误码率,验证了该优化方法的可行性.把提出的优化方法进一步与控制周期线谱成分的优化方法结合,得到了传输带宽更窄、边带抑制更好的EBPSK调制波形.该方法可以完全数字化实现,因而,可以简化发送设备,甚至省去发送成型滤波器.     

Trainable unit selection speech synthesis under statistical framework

This paper proposes a trainable unit selection speech synthesis method based on statistical modeling framework. At training stage, acoustic features are extracted from the training database and statistical models are estimated for each feature. During synthesis, the optimal candidate unit sequence is searched out from the database following the maximum likelihood criterion derived from the trained models. Finally, the waveforms of the optimal candidate units are concatenated to produce synthetic speech. Experiment results show that this method can improve the automation of system construction and naturalness of synthetic speech effectively compared with the conventional unit selection synthe- sis method. Furthermore, this paper presents a minimum unit selection error model training criterion according to the characteristics of unit selection speech synthesis and adopts discriminative training for model parameter estimation. This criterion can finally achieve the full automation of system con- struction and improve the naturalness of synthetic speech further.