被引排行
基于目标跟踪优先的雷达通信一体化资源分配算法研究
梁恒浩;杨成;曹志亮;荆华;研究了雷达通信一体化资源分配问题，提出了一种基于卡尔曼滤波目标跟踪算法的雷达通信一体化资源分配架构，将雷达通信系统的资源划分为目标跟踪、搜索探测和通信三部分。所提方法以应用场景对目标跟踪精度阈值作为输入，动态计算每个目标的跟踪误差，基于目标跟踪优先运用层次分析法(Analytic Hierarchy Process, AHP)计算确定目标跟踪、搜索探测和通信3项评估指标资源分配的权重；在权重计算方法的基础上构建效能评估模型，以最大化雷达通信效能为准则，选择最佳的资源分配方案。经过仿真计算分析，所提方法能够满足应用场景对目标跟踪精度需求，具有良好的合理性和可行性，适合在实际工程中应用。
INS辅助的车载GNSS单频周跳探测
严悦;申丽丽;曹君;在城市车载动态环境中，载波相位观测值易发生周跳，影响整周模糊度的固定，从而导致全球卫星导航系统(Global Navigation Satellite System, GNSS)定位精度降低。为解决这一问题，提出一种基于GNSS/惯性导航系统(Inertial Navigation System, INS)/非完整性约束(Non-Holonomic Constraint, NHC)/轮速计(Odometer, ODO)组合导航系统的INS辅助周跳探测方法。该方法考虑了GNSS和INS误差源综合影响的估算和修正，构造了INS辅助的卫星历元双差单频周跳探测检测量。在实际路测数据的基础上，设计了INS辅助的周跳探测实验。针对模糊度固定连续成功和失败的场景，分析了GNSS误差源和INS误差源对周跳检测量的影响。实验结果表明，该方法能探测出±1周的小周跳，在模糊度固定连续失败的一定时间内也能实现周跳的有效探测。
一种基于异构网络的雷达辐射源型号识别方法
蔡伟;王宇;刘则林;张晓峰;多功能、多模式的先进体制雷达波形复杂、工作模式灵活切换、信号参数捷变快，导致电子侦察系统的雷达型号识别模糊或者错误，给雷达辐射源识别带来严峻挑战。针对此问题，提出了一种基于异构网络的雷达型号识别方法，利用卷积神经网络(Convolutional Neural Network, CNN)有效提取参数组合信息，长短期记忆网络(Long Short-Term Memory Network, LSTM)擅于提取脉冲描述字(Pulse Description Word, PDW)数据的时间序列特征、脉间特征，通过CNN和LSTM的并联结构，将不同维度不同层次的特征进行有效融合，重构样本特征空间，实现对先进体制雷达信号的型号识别。通过仿真数据和实测数据，针对多功能的9型雷达构建识别场景，验证了所提方法型号识别能力的有效性，雷达型号识别准确率达到94.38%。在复杂环境下具有较强的鲁棒性，为雷达型号识别提供了一种新颖且有效的解决方案。
高效太赫兹无线局域网MAC协议优化
郭庆瑞;何玲;解鹏;辛亚楠;郭学让;杨慧婷;石天柱;太赫兹无线局域网(Wireless Local Area Network, WLAN)是实现大带宽、短距离无线接入的重要技术途径，受太赫兹波束极窄特性影响，现有的低频WLAN媒体接入控制(Media Access Control, MAC)地址已不能直接复用于太赫兹WLAN。针对太赫兹波束极窄特性导致的信道利用率低问题，提出了负载自适应的混合接入MAC协议(Load-Adaptive Hybrid Access MAC Protocol, LAHA-MAC)。通过记录上一次工作扇区的节点数量自适应地选择信道接入方式。当工作扇区节点数量N小于接入方式选择阈值N*时，该机制采用基于竞争的接入方式，能够同时获得较高的吞吐量和较低的端到端时延；当节点数量N大于接入方式选择阈值N*时，该机制采用基于调度的接入方式，能够避免节点之间的碰撞，提高传输效率。考虑到可能出现的接入方式选择错误，该机制能够实现灵活地接入方式切换。当信道中节点碰撞次数Ncol大于切换阈值N*col时，将基于竞争的接入方式切换为基于调度的接入方式。仿真结果表明，该机制能够在网络负载动态变化的情况下有效提高信道利用率。
对流层散射时统理论及试验分析
刘强;孙际哲;胡邓华;宁学友;对流层散射时间同步(时统)是利用对流层散射信道传输时间比对信号来实现分布式站点间高精度时统的一种新的时统方式。从对流层散射单向时间比对(One Way Time Troposcatter Transfer, OWT3)和对流层散射双向时间比对(Two Way Time Troposcatter Transfer, TWT3)两方面简要论述了对流层散射时统理论，详细分析并构建了TWT3系统，讨论了系统构成、工作流程及比对误差原理，在此基础上，在陕西关中地区开展了TWT3试验。试验结果验证了对流层散射时统理论的可行性，通过试验获得了60 km和90 km对流层散射时统精度在3 ns以内和5 ns左右的结论。对于推进对流层散射时统理论应用具有重要的现实意义。
基于ReDeepWaveNet的水下图像增强网络设计
张丹;苏里阳;段舒婷;孙贵新;张雨杭;水下图像由于对比度低，色彩失真严重，衰减程度随波长的变化而变化，导致颜色不对称传输等问题。尽管深度学习技术在水下图像恢复(Underwater Image Restoration, UIR)方面已经取得了较好效果，但颜色不对称性问题依然存在。已知基于颜色通道的卷积范围赋予正确的接受野大小(上下文),可以有效提升UIR任务的性能，同时抑制不相关的多上下文特征，增强模型的表示能力。提出基于跳过机制来自适应地改进学习到的多上下文特征的框架ReDeepWaveNet,采用全局注意力机制(Global Attention Mechanism, GAM)来替代卷积块注意力模块(Convolutional Block Attention Module, CBAM),抑制来自前一层的无关的颜色局部跳跃信息；设计双分支通路(Dual Branch Pathway, DBP)模块，通过多尺度特征提取更丰富的图像细节特征；设计了新的复合损失函数，更准确地控制恢复图像的质量。在多个数据集上的实验表明，该方案在主客观图像质量上优于现有的方法。
5G LDPC编码链设计与实现
刘柏文;白宝明;低密度奇偶校验(Low-Density Parity-Check, LDPC)码是一类具有稀疏校验矩阵特性的线性分组码，其性能可以逼近信道容量限。由于LDPC码具有较低的译码复杂度，非常适用于并行译码、支持高吞吐传输，因此被3GPP选为5G数据信道编码方案。阐述了完整的5G LDPC编码链路，提出易于硬件实现并且支持所有5G LDPC码长码率的编译码器和高阶正交振幅调制(Quadrature Amplitude Modulation, QAM)调制解调的硬件架构，确定了合适的译码算法和量化位宽。以现场可编程门阵列(Field Programmable Gate Array, FPGA)方式，在Xilinx Virtex UltraScale+VCU118开发板上仿真实现了5G LDPC编码链。结果表明，设计的5G LDPC编码链系统硬件资源消耗较少、与软件仿真性能接近。对于信息长度K=1 440和K=6 080的不同码率，以及不同调制方式下的K=2 368、R=1/2和K=8 192、R=8/9,硬件实测性能曲线均符合预期。编码链各模块的资源开销情况显示，相比现有工作在逻辑单元(Logic Unit, LUT)和触发器(Flip-Flop, FF)的使用上分别减少了10%、40%,验证了该编码链系统的优越性和可行性。
面向未来应急消防的柔性智能头盔设计
赵鹤然;严义君;黄维;曹中复;王诗兆;刘笛;蔡玉辉;陈明祥;柔性电子具有轻、薄、柔的物理特性，具备在有限异形空间内弯折共形、贴合人体表面实现可穿戴以及在低重量水平实现高密度集成的能力，是未来实现应急消防器械轻量化、柔性化、智能化的关键技术途径。介绍了柔性智能电子头盔为应对复杂多变对抗环境的最新发展趋势，归纳了柔性头盔拓展对抗能力的六大辅助功能，包括应急消防人员生命体征监测、异常状态预警、特殊环境应对调节、环境感知增强、环境异常监测以及天地一体化信息网络。分析并探讨了柔性智能头盔的优势与挑战，展望了未来发展方向。
面向区块链的ABAC访问策略索引优化方案
董西国;徐自衡;朱岩;属性基访问控制(Attribute-Based Access Control, ABAC)模型在现代信息系统中发挥着重要作用，但随着系统复杂度的增加，访问策略匹配的效率成为了性能优化的关键挑战。现有索引表和全量加载2种典型策略匹配方式在区块链等分布式环境中均存在灵活性差、资源占用高、效率低等问题。为此，提出了一种基于决策树算法的访问策略索引优化方案，利用ABAC模型中的策略目标元素作为决策树的输入特征，构建高效的策略分类器。提出了一种增量更新算法，用于处理策略动态变化，在降低计算开销的同时维持索引树的正确性。研究结果表明，该方法能够满足大规模访问控制系统的需求，为分布式环境中的访问控制性能优化提供了新的解决方案和技术参考。
基于双树复小波变换和U-Net的视网膜血管分割
陶寅涵;朱家明;吴军;生物医学图像分割已成为医学诊断中的关键任务之一。然而，由于组织和器官的复杂形态及其结构的多样性，医学图像分割技术的实际应用面临显著的技术挑战。在传统卷积神经网络(Convolutional Neural Network, CNN)中，最大池化操作常常导致信息的不可逆丢失，尽管引入小波变换在一定程度上改善了这一问题，但小波变换本身也存在局限性。为了解决这一问题，提出了一种基于双树复小波变换(Dual-Tree Complex Wavelet Transform, DTCWT)和U-Net的视网膜血管分割模型——DTCWU-Net。该模型通过引入DTCWT替代传统池化层，双树复小波逆变换(Inverse DTCWT,IDTCWT)替代传统上采样层，显著增强了特征提取能力，尤其在保留图像细节方面表现出色。DTCWU-Net还引入了高低频特征融合注意力(Low and High Feature Fusion Attention, LHFFA)和多尺度门控注意力(Multi-Scale Gate Attention, MSGA)模块，进一步提升分割性能。实验结果表明，DTCWU-Net在DRIVE数据集上取得的准确率(Accuracy, ACC)为0.968 6,受试者工作特征(Receiver Operating Characteristic, ROC)曲线下面积(Area Under the ROC Curve, AUC)为0.986 7,在CHASE＿DB1数据集上取得的ACC为0.975 0,AUC为0.990 3,在STARE数据集上取得的ACC为0.975 7,AUC为0.990 1。在F1、灵敏度(Sensitivity, SE)、ACC和AUC等关键指标上，超越了其他主流方法的表现。通过多模块协同优化，DTCWU-Net显著提高并展现了视网膜血管分割精度与细节恢复能力。