基于SRNN+Attention+CNN的雷达辐射源信号识别方法

针对低信噪比条件下雷达辐射源信号特征提取困难、识别准确率低的问题, 提出一种基于切片循环神经网络(sliced recurrent neural networks, SRNN)、注意力机制和卷积神经网络(convolutional neural networks, CNN)的雷达辐射源信号识别方法, 并在CNN中引入批归一化层, 进一步提升网络的识别能力。模型以雷达辐射源信号幅度序列作为输入, 自动提取信号特征, 输出识别结果。实验结果表明, SRNN相比于门控循环单元(gated recurrent unit, GRU)训练速度大大提升, 注意力机制和批归一化层能有效提高识别准确率; 在采用8种常见雷达辐射源信号进行的实验中, 所提方法在低信噪比条件下仍有较高的识别准确率。     

利用(110)硅片制作微反射镜

采用体硅微机械加工方法,通过光刻、反应离子刻蚀和氢氧化钾水溶液湿法刻蚀等工艺,根据(110)硅片结晶学原理,在(110)硅片上制作出微反射镜。微反射镜的镜面为{111}晶面,利用扇形定位区域,精确地沿(110)硅片的{111}晶面进行定向腐蚀,可使微反射镜镜面垂直度达到90°±1°,表面粗糙度经测量低于6nm,在上面蒸金后其反射率可达95%。     

基于改进UNet3+网络的雷达辐射源信号识别

针对传统识别辐射源信号的方法需要手动提取并选取特征、在低信噪比条件下难以准确识别信号的问题,提出了一种基于改进UNet3+网络的辐射源信号识别方法。通过删减UNet3+的网络层级,保留网络特征融合能力的同时降低了网络的复杂度,并引入注意力机制优化模型性能,构建了一个新的网络模型。通过对8种常见的雷达信号进行仿真实验,实验结果表明：改进模型的识别准确率达到96.63%,对比一些经典网络模型,训练总用时更短,在低信噪比条件下能更加有效识别辐射源信号, 可以适应复杂的电磁环境。     

基于YSPSO-ＲBFN 的布里渊散射谱特征提取

为提高提取到的传感布里渊散射谱的布里渊频偏量的精度,利用压缩因子粒子群优化算法调节权值的ＲBFN( Ｒadial Basis Function Net) 径向基函数神经网络对布里渊散射谱进行特征提取。提出的算法克服了传统ＲBFN 神经网络易于陷入局部极值的缺点,利用PSO( Particle Swarm Optimization) 算法调节权值后向传输网络,对布里渊散射谱进行精度提取,保证了求解的速度和精度。数值分析过程中,利用新型结合算法在不同线宽和不同信噪比大测量范围情况下的散射谱进行参数估计。通过实验获得不同温度下的布里渊散射谱数据,利用YSPSO-ＲBFN( Particle Swarm Optimization with Shinkage Factor Shirnhage Factor-Ｒadical Basis Function) 算法处理实验数据,结果表明,该算法可提高布里渊散射谱特征提取的精度,25 ℃下拟合误差为1． 99 MHz,温度升高拟合误差也在减小。在85 ℃时的频移拟合误差为0． 047 MHz。因此,将该算法用于布里渊散射温度和应变传感系统,可有效提高检测精度。     

基于改进1DCNN+TCN的雷达辐射源快速识别方法

为了解决传统雷达辐射源识别方式识别速度慢、在低信噪比时很难准确识别等问题,结合深度学习提出了一种基于改进一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)和时间卷积网络(temporal convolutional network,TCN)的雷达辐射...     

基于C8051F320单片机的心电监护系统设计

为推进现代心电监护向数字化、智能化发展,使心率精确显示,提出一种基于C8051F320单片机的心电监护系统.该系统采用放大滤波电路对ECG (Electrocardiograph)信号进行处理以实现心电信号的放大、噪声的消除等功能,并利用单片机控制LCD (Liquid Crystal Display)对其进行实时显示...