基于协方差拟合的离格气体泄漏源定位方法

针对网格划分类算法导致的量化误差影响估计性能以及相干信源下难以准确定位的问题,提出了一种基于协方差拟合的离格气体泄漏源定位方法。利用协方差拟合准则重构出泄漏源在相干信号下的协方差矩阵,使其恢复Toeplitz特性,引入以 l2范数作为约束条件的离格模型,将恢复出的协方差矩阵与离格模型进行联合估计。最后利用泄压阀模拟气体管道泄漏的发生,对比低信噪比及相干信源下的仿真结果。实验分析表明：该方法虽然对快拍数依赖稍显敏感但是弥补了相干信源下传统稀疏恢复类算法的失效问题,同时在低信噪比情况下依然能能够准确进行角度估计,为复杂的气体泄漏监测环境提供了新的思路。     

基于两级ＳＶＭ的Φ－ＯＴＤＲ系统振动事件识别算法

相位敏感光时域反射计(Phase-sensitive Optical Time Domain Reflectometer,φ-OTDR)对于振动信号能够实现高灵敏度的连续分布式测量,目前的振动事件识别算法常从一个或者两个维度来提取特征,如时域或频域等,未能实现多维度大样本特征参量的融合分析;现有的算法一般采用简单的单级识别算法,结构比较简单,导致最终的模型识别准确率不高、泛化能力较差。针对上述问题,本文对实验采集的振动信号从时域、频域和空间域的多参量特征进行提取和融合,针对具体的振动信号识别问题,构建了一种两级支持向量机(Support Vector Machine,SVM)识别算法,对振动事件进行了两级分类,能够实现对相似振动事件的精确识别,识别准确率达90%以上。     

稀疏阵列波达方向估计研究进展

波达方向(direction of arrival, DOA)估计是阵列信号处理领域的重要研究方向,也是电子侦察与电子攻击领域的关键技术之一。以提高DOA估计精度和降低计算复杂度为导向,结合模型驱动和数据驱动方法的各自优势,提出了基于深度展开网络的DOA估计统一框架,阐述了稀疏阵列离网格DOA估计、无网格DOA估计以及混合信号参数估计等方面的研究进展。对复杂信号模型下的DOA估计、深度展开网络性能分析与挖掘以及分布式稀疏阵列回波信号融合处理等后续的研究内容进行了展望。     

基于多域特征融合的旋翼无人机分类识别

为提高雷达旋翼无人机的识别效果,本文提出一种基于多域特征融合的旋翼无人机分类方法。首先利用K波段连续波（Continuous Wave,CW）雷达观测多旋翼无人机,对采集到的雷达回波信号进行信号处理依次得到时频图、节奏速度图（Cadence?Velocity Diagram, CVD）和节奏频谱图（Cadence Frequency Spectrum,CFS）,然后将时频图和CVD图分别输入SqueezeNet网络,CFS数据输入一维卷积神经网络（1?D?CNN）提取回波信号在时频域、节奏速度域和节奏频率域的特征,最后将特征融合输入支持向量机（Support Vector Machine, SVM）进行分类。实测雷达数据处理的结果表明基于多域特征融合的旋翼无人机分类识别方法对三类旋翼无人机的分类准确率达到99.14%。     

利用双载频方向图相乘的稀疏均匀阵栅瓣抑制方法

针对稀疏阵列天线间距远大于信号波长导致阵列方向图出现大量栅瓣的问题,该文基于不同载频阵列方向图主瓣与栅瓣相对位置关系存在差异的特性提出一种新型的栅瓣抑制算法。该算法充分利用不同载频回波信息,避免了大规模搜索,有效降低了计算量。首先根据算法原理确定了影响该栅瓣抑制算法性能的因素,然后进一步对影响栅瓣抑制性能的关键参数进行了定量分析,推导得出了栅瓣抑制后峰值旁瓣比(PSLR)与频率差的关系表达式。该表达式为栅瓣抑制快速选择最优频率差提供了理论依据。最后,通过计算机仿真验证了该算法对栅瓣抑制的有效性以及该文所推导的峰值旁瓣比与频率差关系表达式的正确性。     

基于多维数据融合的学生行为轨迹分析

随着高校信息化建设的不断推进,学校内部各项管理工作也逐渐向数字化、智能化方向发展。在学生管理方面,对学生在校内的轨迹进行分析,可以有效地帮助学校掌握学生的日常行为、关注学生的安全情况、提高管理效率。提出一种基于多维数据进行学生校内轨迹分析的方法,该方法通过消费、网络连接、考勤、人脸识别、图书借阅、门锁/门禁刷卡等多种手段获取学生在校内的各种信息,并将这些信息进行有效的整合和分析。通过分析学生在校内的轨迹,可以了解学生的活动范围、活动轨迹、活动时长等多方面的信息,进而为学校提供相关的决策参考。基于该方法开发了学生轨迹查询系统。经过系统实际使用表明,该方法可以有效提取学生在校内的行为特征,实现学生校内轨迹准确、全面的分析。     

基于三维凹包学习算法的海面小目标检测方法

对于特征类的海面小目标检测方法,现有3特征检测器通常采用凸包分类算法完成检测。在实际应用时发现,该分类算法生成的判决区域在某些情况下不能很好地反映海杂波样本集合在特征空间中的分布情况,进而对检测器性能造成一定程度的损失。相比之下,使用凹包算法生成的判决区域是由凸包内剖得到的,它能更加贴合海杂波样本的分布,因此该文将判决区域的形式由凸包转化为凹包,并在此基础之上提出一种基于3维凹包学习算法的海面小目标检测方法。同时,针对现有3维凹包算法存在的内剖效率低、无法实现恒虚警检测的缺点,该文通过优化内剖点选择方法、增加“外补”环节的方式对算法进行改进。最后,经实测CSIR数据及X波段试验雷达数据共同验证,在其他参数均相同时,该文方法的检测性能要优于已有的多特征检测方法,并且通过对凹包算法的复杂度分析证明了所提方法的应用潜力。     

多分辨率融合输入的U型视网膜血管分割算法

针对视网膜血管拓扑结构不规则、形态复杂和尺度变化多样的特点,该文提出一种多分辨率融合输入的U型网络(MFIU-Net),旨在实现视网膜血管精准分割。设计以多分辨率融合输入为主干的粗略分割网络,生成高分辨率特征。采用改进的ResNeSt代替传统卷积,优化血管分割边界特征;将并行空间激活模块嵌入其中,捕获更多的语义和空间信息。构架另一U型精细分割网络,提高模型的微观表示和识别能力。一是底层采用多尺度密集特征金字塔模块提取血管的多尺度特征信息。二是利用特征自适应模块增强粗、细网络之间的特征融合,抑制不相关的背景噪声。三是设计面向细节的双重损失函数融合,以引导网络专注于学习特征。在眼底数据用于血管提取的数字视网膜图像(DRIVE)、视网膜结构分析(STARE)和儿童心脏与健康研究(CHASE_DB1)上进行实验,其准确率分别为97.00%, 97.47%和97.48%,灵敏度分别为82.73%, 82.86%和83.24%,曲线下的面积(AUC)值分别为98.74%, 98.90%和98.93%。其模型整体性能优于现有算法。     

基于单通道多尺度图神经网络的自动调制识别

针对自适应可见性图(AVG)算法复杂度过高且精度提升不明显的缺点,该文提出一种基于单通道多尺度图神经网络(SMGNN)的自动调制识别(AMR)框架,并对框架各个部分进行了可解释性研究。首先利用多层感知机和1维卷积自适应地实现了单通道信号序列和图之间的映射,有效降低了AVG算法的复杂度;其次,设计了一种多尺度图神经网络,将不同分辨率的特征进行融合,提升了模型识别准确率。实验表明,该文提出的SMGNN算法相比于AVG算法节省了近1/2的参数量,且识别精度得到了较大的提升。     

基于双波长等基线差示融合图谱的中药黄芩“质-量”双标质量分析方法研究北大核心CSCD

建立了以对照药材为基准物质的定性和不依赖多种对照品定量的黄芩药材“质-量”双标控制方法。采用高效液相色谱(HPLC)技术,以对照药材为基准物质建立了黄芩特征图谱,通过鉴定特征峰的化学成分,共确定了11个共有特征峰,通过质谱鉴定出黄岑药材的8个成分,经对照品比对,指认出共有特征峰中的4个化学成分,分别为黄芩苷、汉黄芩苷、黄芩素以及汉黄芩素。通过对照药材和供试药材特征峰的相似度,可明确药材真伪,即“质”,结果显示各批次供试药材与黄芩对照药材的相似度均大于0.990;对内标成分“黄芩苷”进行准确定量,以内标成分计算不同批次供试品中各特征峰的相对含量,取“平均数-标准差”作为特征峰化学成分相对于内标物质化学成分的相对含量下限,依据特征峰相对含量下限明确黄芩药材优劣,即“量”。该方法不依赖多种对照品,能清晰、快速地判断药材的真伪优劣,可为黄芩的质量控制方法提供参考。