基于残差原型网络的辐射源个体识别

利用深度学习进行通信辐射源识别分类时，现有算法在较低信噪比下的识别能力还不足，且均着重关注各类辐射源个体的类间距离，忽视了类内紧密性。针对此问题，结合残差网络和原型学习基本思想，提出残差原型网络，对输入信号的差分星座轨迹图进行识别。此外，在基于距离的交叉熵损失函数基础上加入原型损失，通过提高类内紧密度的方式进一步扩增了类间距离。通过对5种ZigBee设备的实验，结果表明所提算法在相同信噪比条件下相较于其他算法具有更好的识别性能，在信噪比高于8 dB时，可达到99%以上的准确率。     

渐开线蜗轮参数化精确造型设计及其运动仿真

介绍了在Pro/E环境下,实现标准渐开线蜗轮的造型方法和步骤,从原理出发,利用方程建立渐开线,从而保证齿形的准确性。通过建立蜗轮中各变量与模数m、齿数z等基本参数的关系式,可实现不同模数、齿数蜗轮的快速造型。在此基础上,进行蜗轮机构运动仿真分析,优化机构设计,提高了设计效率和质量。     

面向开集场景的辐射源个体识别

为解决现有开集场景下辐射源个体识别算法鲁棒性不强、识别性能较低的问题,结合原型网络提出了一种开集场景下适用于一维信号的辐射源个体识别模型。对采集的辐射源I/Q信号进行功率归一化、切片和加噪等预处理操作;设计用于识别I/Q信号的一维卷积神经网络,并在网络中加入具有注意力机制的压缩激励模块,以此提高网络中有效特征通道的权重;将该网络结构和原型学习思想相结合,利用预处理的数据集进行训练和测试。在训练过程中,利用距离交叉熵损失函数为每个类别学习一个原型,并将信号特征到原型的距离作为分类依据,同时利用原型损失函数以提高信号类内紧密度的方式增大类间距离,进一步增强分类能力;在测试过程中,利用自适应距离分类规则为每个类别学习一个自适应的距离阈值,并通过距离阈值完成对已知目标的分类和未知目标的检测。对5种ZigBee设备采集的信号进行实验,结果表明：在信噪比为-10～10 dB之间,所提模型的识别准确率比通常所用的基于极值理论的模型高8%左右。     

基于Pro/E三维建模的工程图学教学改革

本文论述了基于Pro/E三维软件进行工程图学的教学方法改革,重在培养学生的空间想象能力和空间思维能力,强化三维模型和二维工程图之间的转化,增强了学生绘制和阅读工程图样的能力,激发了学生的学习兴趣,适应了先进制造技术发展对工程图学课程教学改革的要求。