基于改进深度生成对抗网络的心电信号重构算法

心冲击图(BCG)信号中含有睡眠时期的心跳等生理参数,采用非接触式测量,但易受干扰影响应用受限;心电图(ECG)信号应用很广,但采用接触式测量,操作不便.为了实现非接触式测量并监测心电信号,该文将无参数尺度空间法(PSA)引入并与经验小波变换(EWT)算法结合,从BCG信号中分解得到心跳分量,结果表明所提分解方法能有效...     

基于联合双机MUSIC的多目标无源定位算法

在无源定位中,基于角度信息的双机协同定位方法具有参数少、精度高和灵活性好等优点。但在辐射源日益密集的战场环境中,对多个目标实施定位时,通常将双机观测到的信息分别匹配并联合方程求解每个目标的位置,容易出现匹配错误、定位模糊问题。本文提出了一种双站联合MUSIC角度估计算法,通过降维投影的方法减少了谱函数和谱峰搜索的计算量,可以获得同一目标测向线匹配结果,并获得更高的测角精度。在定位解算中,利用经典的最小二乘法解算目标位置。仿真结果表明,对慢速多目标,相比匹配测向法,本文所提算法具有更高的定位精度。      

基于同步压缩小波变换的主信号抑制技术

在辐射源个体识别(SEI)技术中,能量较高的主信号往往导致微弱个体特征稳定性降低,进而影响最终的个体识别效果。为了解决该问题并提升辐射源个体识别性能,该文提出基于同步压缩小波变换的主信号抑制技术。首先,利用静态小波变换完成对带噪信号的去噪预处理;然后,利用同步压缩小波变换完成对主信号的检测和抑制,并以均方根误差和皮尔逊相关系数为数值指标,验证算法的有效性;最后,在主信号抑制的基础上,利用分形理论中盒维数完成对信号的特征提取,并利用单核支持向量机验证个体识别性能。实验结果表明,与主信号抑制之前相比,主信号抑制算法下个体识别率提升了10%左右,验证了同步压缩小波变换的主信号抑制算法对辐射源个体识别率提升的有效性。     

基于变分模态分解的自适应滤波降噪方法

为了提高分析信号的信噪比,本文提出了一种基于变分模态分解的变步长归一化最小均方自适应滤波降噪方法.该方法对原信号进行变分模态分解并区分信号分量和噪声分量,再对噪声分量进行间隙阈值降噪处理并将其作为参考信号输入自适应滤波器,通过自适应算法迭代处理得到降噪后的信号分量,并通过重构算法得到最终降噪后的信号.本文还在变分模态分解的基础上使用小波阈值降噪和间隙阈值降噪方法按不同方案进行降噪处理并得到最佳算法,将其与所提算法进行对比.实验结果表明,本文所提自适应滤波降噪方法的降噪效果比阈值降噪最佳方法效果更好.     

基于DenseNet和卷积注意力模块的高精度手势识别

非接触的手势识别是一种新型人机交互方式,在增强现实(AR)/虚拟现实(VR)、智能家居、智能医疗等方面有着广阔的应用前景,近年来成为一个研究热点。由于需要利用毫米波雷达进行更精确的微动手势识别,该文提出一种新型的基于MIMO毫米波雷达的微动手势识别方法。采用4片AWR1243雷达板级联而成的毫米波级联(MMWCAS)雷达采集手势回波,对手势回波进行时频分析,基于距离-多普勒(RD)图和3D点云检测出人手目标。通过数据预处理,提取手势目标的距离-时间谱图(RTM)、多普勒-时间谱图(DTM)、方位角-时间谱图(ATM)和俯仰角-时间谱图(ETM),更加全面地表征手势的运动特征,并形成混合特征谱图(FTM),对12种微动手势进行识别。设计了基于DenseNet和卷积注意力模块的手势识别网络,将混合特征谱图作为网络的输入,创新性地融合了卷积注意力模块(CBAM),实验表明,识别准确率达到99.03%,且该网络将注意力放在手势动作的前半段,实现了高精度的手势识别。     

基于回归分析理论的辐射源个体识别技术

针对目前辐射源个体识别未能将信号特征与硬件组成相联系的问题，该文使用高阶谱分析和变分模态分解(VMD)两种特征提取手段，进行研究分析，采用围线双谱积分以及改进变分模态分解技术对半实物平台仿真信号以及软件仿真(ADS)输出信号进行特征提取并分析。通过软件仿真定量分析辐射源相位噪声以及功率放大电路非线性失真对信号无意调制特征的影响，对变量进行相关性分析，并对其中显著相关的变量进行回归拟合，得到其相关回归函数。然后利用硬件与特征的相关性，改进传统支持向量机(SVM)分类器，构建相关性权重支持向量机分类器。最后分别以软件仿真输出信号以及半实物仿真平台实测信号为样本进行验证，结果表明，同信噪比下权重支持向量机与传统支持向量机相比分类准确率提升在10%以上。