IRS辅助MU-MISO系统中基于深度残差学习的信道估计

针对智能反射表面辅助多用户通信系统中传统信道估计方法性能下降的问题,将信道估计问题转化为信道去噪问题,利用深度残差学习方法学习残差噪声,从含噪导频信号中恢复信道系数。同时为提升信道估计精度,设计信道估计网络进一步提升去噪性能。网络主体包含两个模块：拼接信息保留模块将每一层卷积输出相融合,防止信道特征丢失,有效提取信道噪声的主体特征;扩张卷积稀疏模块通过扩大感受野范围获得信道的重要结构和细节特征,恢复信道噪声的边缘细节特征。仿真结果表明,归一化均方误差约等于0.45时,所提方法在不明显增加复杂度情况下,相比于线性最小均方误差算法获得3.7 dB的信噪比增益,更为接近最小均方误差信道估计器的性能,表现出了更好的性能和可用性。     

AI-Driven Wearable Mask-Inspired Self-Healing Sensor Array for Detection and Identification of Volatile Organic Compounds

Volatile organic compounds (VOCs) sensor arrays have garnered considerable attention due to their potential to provide real-time information for monitoring pollution levels and personal health associated concerning VOCs in the ambient environment. Here, an AI-driven wearable mask-inspired self-healing sensor array (MISSA), created using a simplified single-step stacking technique for detecting and identifying VOCs is presented. This wearable MISSA comprises three vertically placed breathable self-healing gas sensors (BSGS) with linear response behavior, consistent repeatability, and reliable self-healing abilities. For wearable and portable monitoring, the MISSA is combined with a flexible printed circuit board (FPCB) to produce a mobile-compatible wireless system. Due to the distinct layers of MISSA, it creates exclusive code bars for four distinct VOCs over three concentration levels. This grants precise gas identification and concentration prognoses with excellent accuracy of 99.77% and 98.3%, respectively. The combination of MISSA with artificial intelligence (AI) suggests its potential as a successful wearable device for long-term daily VOC monitoring and assessment for personal health monitoring scenarios.     

Environment-aware intelligent numerology control approach for 5G and beyond systems

5G and beyond (5GB) systems show a flexible characteristic to meet different user communications requirements in parallel. Multi-numerology waveform design is an important part of this human centric characteristic, however, it is necessary to make multi-numerology planning. In this paper, the integrated sensing and communications (ISAC) concept is used with machine learning (ML) techniques to develop an intelligent numerology control mechanism for 5GB. Thanks to the ISAC capabilities, an environment-aware system is designed, and several useful sensing information (USI) that affect the wireless channel characteristic is utilized. It is assumed that the USI is obtained through 5GB smart city networks. At that point, synthetic data generation is performed to form a new dataset with USI-based features. Additionally, a novel feature control algorithm is proposed in the paper. Lastly, simulation results are presented for different type of ML models including several ensemble methods.     

基于DDPG的综合化航电系统多分区任务分配优化方法

综合化航电系统（Integrated Modular Avionics,IMA）通过时空分区机制实现共享资源平台下的多航电功能集成,分区间的任务分配方法的优劣决定着航电系统的整体效能。针对航电任务集合在多分区内的分配调度问题,提出了一种基于深度强化学习的优化方法。构建了航电系统模型与任务模型,以系统资源限制与任务实时性需求为约束,以提高系统资源利用率为优化目标,将任务分配过程描述为序贯决策问题。引入马尔科夫决策模型,建立基于深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）法的IMA任务分配模型并提出通用分配架构;引入状态归一化、行为噪声等策略训练技巧,提高DDPG算法的学习性能和训练能力。仿真结果表明,提出的优化算法迭代次数达到500次时开始收敛,分析800次之后多分区内驻留任务方案在能满足约束要求的同时,最低处理效率提升20.55%。相较于传统分配方案和AC(Actor-Critic)算法,提出的DDPG算法在收敛能力、优化性能以及稳定性上均有显著优势。     

军校“电子技术基础”弹性混合教学模式

针对新冠疫情等特殊情况和军校“电子技术基础”课程的教学矛盾,为满足教学需求,探索了军校“电子技术基础”课程弹性混合教学模式,分析了该模式的构建背景,阐释了其基本内涵,围绕“十要素”给出基本解决方案。实践结果表明,该教学模式可有效提升教学效果,培养学员自主学习能力。     

基于YOLO-MIR算法的多尺度红外目标检测网络

针对红外图像相对于可见光检测精度低,鲁棒性差的问题,提出了一种基于YOLO的多尺度红外图目标检测网络YOLO-MIR（YOLO for Multi-scale IR image）。首先,为了提高网络对红外图像的适应能力,改进了特征提取以及融合模块,使其保留更多的红外图像细节。其次,为增强对多尺度目标的检测能力,增大了融合网络的尺度,加强红外图像特征的进一步融合。最后,为增加网络的鲁棒性,设计了针对红外图像的数据增广算法。设置消融实验评估不同方法对网络性能的影响,结果表明在红外数据集下网络性能得到明显提升。与主流算法YOLOv7相比在参数量不变的条件下平均检测精度提升了3%,提高了网络对红外图像的适应能力,实现了对各尺度目标的精确检测。     

基于残差神经网络的无人机射频信号识别

针对民用小型无人机对低空领域安全造成威胁及无人机视觉上识别难的问题,提出了一种无人机射频信号识别的方法,使用深度学习技术学习无人机与控制器之间的射频信号特征来识别无人机。首先将射频信号数据集中的无人机信号进行预处理操作,接着使用残差神经网络进行模型训练,最后使用训练好的网络模型对无人机信号进行识别验证。实验结果表明,该方法识别无人机是否存在的准确率达到99.8%,识别无人机型号的准确率达到91.1%,识别无人机运行模式的准确率达到70.3%,且该方法具备较强的鲁棒性和环境抗干扰能力,性能明显优于基准方法。     

一种信号调制识别网络的轻量化设计

神经网络在信号调制识别领域得到了广泛关注和研究。针对现有调制识别算法为提高识别准确率,导致模型尺寸过大、计算时间过长的问题,提出了一种调制识别神经网络的轻量化设计方案。该方案由信号失真校正模块和分类模块两部分组成。其中,信号失真校正模块通过参数估计器提取相位偏移信息,再经参数转换器对相位偏移进行参数校正,保证信号识别精度;分类模块由一维卷积神经网络(One-Dimensional Convolutional Neural Network, 1D-CNN)、选通递归单元(Gated Recurrent Unit, GRU)和高斯衰减层构成,从时间和空间的角度有效提取信号特征,并减少冗余参数量以缩减模型大小。仿真结果表明,所提方案与同精度网络相比,平均识别准确率提升0.21%,计算时间缩减到1/3.4,模型尺寸缩减到1/7.77。     

一种基于实例语义图的屏幕反窃照识别算法

目前防窃照技术手段主要依靠图像采集设备实时采集视频流,对拍照行为进行识别检测,但受复杂环境影响,现有识别方法存在精确度低、实时性差等问题。针对上述问题,提出了一种基于实例语义图的屏幕反窃照识别算法。该算法首先通过图像分割模型U²-Net提取原图像的显著视觉目标后生成实例语义图,然后通过微调单阶段的目标检测模型YOLO-v5实现对语义图中感兴趣对象的目标检测,最后通过设计的基于Inception-ResNet的拍照识别二分类模型实现对屏幕窃照行为的识别。实验结果表明,该算法在实际场景下的平均识别准确率达到95%以上。     

大规模MIMO信号检测IPIC算法的深度学习网络

针对在大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统中,信道硬化现象减弱时最小均方误差(Minimum Mean Square Error, MMSE)检测算法及Richardson、Jacobi等迭代检测算法检测性能退化严重的问题,提出了一种深度检测网络,称为IPICNet,将深度学习技术和迭代并行干扰消除(Iterative Parallel Interference Cancellation, IPIC)检测算法结合。在IPICNet中,将IPIC检测算法的迭代过程展开为深度网络,并在此基础修改网络架构和添加可训练参数,同时对网络中需要使用的投影函数和损失函数进行了讨论和设计。实验结果表明,训练完成的IPICNet能有效提升IPIC检测算法的检测性能并在信道硬化现象不明显的MIMO系统中稳定工作。