雷达辐射源信号分选研究进展

雷达辐射源信号分选是雷达信号侦察的关键技术之一,同时也是战场态势感知的重要环节。该文系统梳理了雷达辐射源信号分选的主流技术,从基于脉间调制特征、基于脉内调制特征、基于机器学习的雷达辐射源信号分选3个角度阐述了目前雷达辐射源信号分选工作的主要研究方向及进展,并重点阐释了基于深度神经网络、数据流聚类等最新分选技术的原理与特点。最后,对现有雷达辐射源信号分选技术的不足进行了总结并对未来趋势进行了预测。      

深度学习在受电弓弓头故障检测与分类中的应用

针对因受电弓弓头形变与损坏而影响列车的安全可靠运行,提出基于深度学习的检测方法。通过采集到的列车运行中受电弓的监控视频以及实验室模拟的受电弓视频经滤波后制作数据集,任务中受电弓弓头的分类为三类,包括弓头完整,弓头残缺与弓头变形。采用基于YOLOv4与Faster R-CNN的目标检测算法对受电弓弓头进行检测。其中YOLOv4算法mAP为93.58%,Faster R-CNN算法mAP为96.85%。考虑到实际工程应用中相机采集位置与受电弓位置相对固定,所以提出另一种通过截取受电弓弓头区域再使用分类网络进行分类的方法,分类网络包括ResNet152、VGG16和MobileNetv2。三个分类网络的正确率、准确率、召回率几乎都能达到90%以上。     

基于特征深度融合的Web服务QoS联合预测

为了解决Web服务QoS预测准确度不够的问题,针对QoS中隐藏的环境偏好信息和多类QoS隐藏的共同特征,提出一种基于特征深度融合的Web服务QoS联合预测方法。考虑QoS数据可以建模为用户-服务二部图,采用多组件图卷积神经网络进行特征提取和映射,采用加权融合方法对多类QoS特征进行同维映射。使用注意力因子分解机对映射后的特征向量进行一阶特征、二阶交互特征和高阶交互特征的提取,并结合各部分结果实现QoS联合预测。实验结果表明,所提方法在均方根误差和平均绝对误差方面优于现有QoS预测方法。     

激光退火硅晶圆温度场分布的数值模拟研究

目前,激光退火技术被广泛应用于半导体加工领域,但对如何选择激光条件进行相应的退火并没有系统清晰的准则可以参考,尤其是在硅的深注入杂质激活方面。本文通过对激光照射在硅晶圆上形成的温度场分布进行数值模拟研究,分析了激光波长和脉冲宽度对加热深度以及晶圆背面温度的影响。结果表明,延长激光波长或脉冲宽度,都有助于增加激光退火的加热深度。而对于特定的激活深度需求,存在着最优的激光波长和脉冲宽度组合,可以使退火所需要的激光脉冲能量最低,硅晶圆背面的温升最小。本文通过模拟仿真给出了激活深度在1～10μm范围内的最优波长和脉宽值,可为实现高效的深硅注入激光激活工艺提供重要的条件参考。     

基于DeepLabV3与GAN的雷达时频混叠多信号智能检测与分离

针对当前雷达信号智能检测研究中存在信号数量受限、样式单一、不便于后续处理等问题,本文提出了一种基于DeepLabV3与GAN的雷达时频混叠多信号智能检测与分离方法。首先对接收信号的时域数据通过时频变换得到二维的时频数据,利用DeepLabV3对多信号重叠的时频数据进行检测并且实现信号的分离,对于信号的重叠部分利用GAN对时域信号进行估计重构。实验结果表明,该方法在信噪比（SNR）为-3 dB时,检测平均交并比（mIoU）能够达到了85%以上,在SNR为6 dB时,分离后的信号与原信号相关系数高于0.85。      

基于深度强化学习的无人机间通信链路智能决策

由于无人机组网灵活、快速、低成本的特性,空中基站被视为在未来无线通信中有前景的技术。无人机集群可以通过相互协调和合作,完成的复杂任务,具有重大的研究和实用价值,而无人机间的高效通信是当下面临的重大挑战。为了在满足无人机间通信速率的前提下,尽可能节省发射功率,本文提出基于深度强化学习的集群方案和功率控制的智能决策算法。首先,本文设计了三种无人机集群方案,以对地面用户提供无缝的无线覆盖;然后,本文提出了基于深度Q网络（Deep Q-network）算法的集群方案和功率控制决策算法,用深度神经网络输出不同条件下联合决策的无人机集群方案和发射功率,并研究了重要性采样技术,提高训练效率。仿真结果表明,本文提出的深度强化学习算法能够正确决策无人机集群方案和发射功率,与不带强化学习的深度学习（Deep Learning Without Reinforcement Learning, DL-WO-RL）算法相比,用更低的发射功率满足无人机之间的通信速率要求,并且重要性采样技术能够缩短DQN算法的收敛时间。      

基于拓扑链路识别的光网络流量数据合成算法

基于深度学习的光网络流量诊断与预测等场景中,由于保密等原因,光链路的流量数据采集和存储工作受限。针对数据量少而无法支撑深度学习的问题,文章提出了一种基于拓扑链路识别的光网络流量数据合成算法,其核心思想是在生成对抗网络框架下,联合基于光网络拓扑的条件生成模型和基于光网络流量的数据合成模型,以自监督的方式合成指定光链路的流量数据。仿真结果表明,所提算法合成的光网络流量数据在自相关系数指标上与真实数据接近且使得基于全连接神经网络的流量预测模型准确率达到95%以上。     

计算机线缆的电磁信息泄漏智能分析方法

计算机系统中的各型线缆会通过电磁传导发射泄漏内部信息,导致信息安全问题. 为了分析来自计算机线缆的电磁信息泄漏,提出了基于深度学习的智能分析方法. 设计一维卷积神经网络算法,对电磁泄漏信号进行深层的特征提取与学习,从泄漏的电磁信号中智能识别泄漏源的线缆类型,进而分析其中泄漏的视频信息. 实测结果表明,本文提出的方法,在未知目标信号特征的情况下,能够有效识别电磁信息的泄漏源与泄漏信息,为计算机线缆提供了一种电磁信息泄漏的智能分析手段.     

应用于经颅磁刺激的双8字线圈设计与优化

为了改善经颅磁刺激线圈的聚焦性,提高线圈刺激深度,在传统8字形线圈结构的基础上探讨了应用于经颅磁刺激的双8字线圈,优化了线圈内径和匝数比,与头部模型联合仿真分析了刺激效果,并进行了实验研究。研究结果表明,当上、下层线圈内半径比为5/7,匝数比为0.9时,与传统线圈相比,双八字线圈的半幂值提高了20.9%,目标平面内场极值提高了57.8%,双八字线圈在聚焦性及刺激强度方面优势明显。