一、CMAC的无交叠感受域变分辨率学习方法（论文文献综述）
宋姝[1]（2021）在《基于分层特征相关滤波的车辆追踪系统研究与应用》文中指出随着新能源汽车自动驾驶技术在我国的部署与发展,车辆跟踪问题成为自动驾驶技术中环境感知任务的重点与难点,故提升复杂交通场景下车辆跟踪的精度和鲁棒性至关重要。但是交通道路环境中的车辆跟踪任务存在诸多挑战,如光照与天气等环境因素复杂多变,以及密集交通流中易产生的背景杂乱和目标遮挡现象等。针对以上问题,本文对现有的车辆跟踪算法进行了改进,提出了更具有目标-背景判别能力的神经网络模型和遮挡情况下目标重跟踪机制,提升了车辆跟踪算法性能。本文主要研究内容和创新成果如下:（1）本文提出在特征提取网络中加入通道注意力机制。首先利用卷积神经网络提取车辆目标的特征图,然后重新标定特征图中各通道权重。引导算法模型更加关注区分度高的特征通道,增强对目标外观特征表达的鲁棒性,解决了车辆跟踪中运动模糊与光照变化等问题。（2）本文实现嵌入相关滤波层的类孪生网络模型,将相关滤波算法解释为一个可微分层,紧耦合到孪生网络模型中,提高了模型计算目标与候选区域相似度的准确性,有助于解决背景杂乱的问题。且端到端的结构和较浅的网络层次保证了跟踪算法的实时性。（3）本文设计了焦点逻辑回归损失函数。为应对跟踪任务中,训练模型时正负样本和难易样本数量不平衡,最终导致模型泛化能力差的问题,本文设计了焦点逻辑回归损失函数,让模型的训练更加关注数量较少,但对模型的性能提升更有价值的正样本和困难样本。使模型对目标和背景相似的困难样本有更强的泛化能力。（4）本文提出了结合卡尔曼滤波算法的目标遮挡检测和目标重跟踪机制。充分利用目标车辆的运动信息,不仅结合目标的运动先验信息与目标外观信息,提升位置估计的精度,还实时地检测目标遮挡,当基于目标外观信息的跟踪算法故障时,利用系统运动方程预测目标位置,直至目标重新出现,提升了车辆跟踪算法的鲁棒性。本文提出的算法在三个跟踪数据集上进行测试。实验结表明,相比目前先进的跟踪算法,本文提出的算法具有更高的精确度和鲁棒性,并且能更好的应对交通环境中的多种挑战。
杨艺佳[2]（2021）在《液晶透镜黄斑成像系统的关键问题研究》文中认为黄斑成像系统是仿照动物眼球成像效果的光学成像系统,在保证视场的情况下在画面内形成不同分辨率的图像,其中感兴趣区域内分辨率高于周边区域;与普通成像系统相比黄斑系统具有视场大、分辨率高、数据量小等优点,因此引起了研究人员的广泛关注,在监控识别、目标追踪、无人探测、遥感成像等领域进行了一系列探索。由于液晶透镜借助电场控制液晶分子偏转的工作模式,可以通过在大面积透明液晶盒中部分区域形成透镜效果,达到局部区域对焦的目的;将液晶透镜与传统玻璃透镜镜组结合,可以通过液晶透镜对画面局部区域对焦实现大视角局部高分辨率的成像效果。液晶透镜黄斑成像系统相比于传统的黄斑成像系统,具有光路简单稳定性高、电控调焦无需机械移动及结构紧凑的优点。对于现有的液晶透镜黄斑成像系统,在实际使用场景中系统的黄斑成像区域大小和成像质量是重点关注的对象,因此本文对液晶透镜黄斑成像系统中黄斑成像区域的面积大小及成像质量进行了相关研究,具体内容如下:其一,对液晶透镜黄斑成像系统中的成像元件进行改进,通过像方远心镜头和单独控制的液晶透镜阵列结构实现多区域多位置高分辨率的黄斑成像效果,其中多个液晶透镜单元能够同时工作独立控制。该系统相比于普通液晶透镜黄斑成像系统,非系统中心位置的液晶透镜的像差更小,系统成像质量有所提升。其二,对于液晶透镜黄斑系统中的重要参数有效区域面积进行了分析研究,通过分区域对光路成像过程进行推导计算,得到不同区域的成像位置及面积的计算公式;通过对成像位置的交叉情况进行分析,得到液晶透镜黄斑成像系统中的有效区域面积公式;并通过实验与理论计算结果进行对比验证了有效面积区域的理论推导。其三,针对有效区域理论中发现的周边区域光线影响高分辨率成像区域的成像质量的问题。本文设计并制作了一种液晶可开关光阑组合透镜器件来代替原本的液晶透镜阵列;通过液晶光阑的开关控制周边区域的通光情况,配合液晶透镜和周边区域分时成像的方式,实现黄斑成像系统分辨率的提升。
李润东[3]（2021）在《基于深度学习的通信信号智能盲检测与识别技术研究》文中指出非合作接收条件下的通信信号检测、调制识别、辐射源个体识别等盲检测与识别处理,是开展无线电频谱监测和战场通信侦察对抗的重要基础。然而,受限于非合作接收时强干扰和快变化的恶劣电磁环境、复杂多样的通信信号体制、无法全面掌握信号先验信息等不利因素影响,通信信号盲检测与识别是一项极具挑战性的研究课题。本文在全面梳理基于专家经验特征的传统盲检测与识别方法的基础上,针对其特征提取依赖人工经验的主要问题,基于深度学习的特征自主学习框架,提出了通信信号智能检测、智能调制识别、智能辐射源个体识别等智能盲检测与识别方法。通过仿真和实测数据验证了算法有效性,并设计实现工程系统,验证了算法和系统对于实际通信信号的检测与识别效能。本文的主要工作和贡献包括:1、在通信信号宽带检测方面,针对传统检测方法信号参数获取不完整和易受噪声影响的问题,提出了基于YOLOv3（You Only Look Once v3）目标检测网络优化改进的智能宽带检测方法,从宽带时频图中完成了高效准确的信号盲检测。首先,采用小样本量信号自动标注构建宽带时频图数据集,解决了海量样本标注难题;其次,根据通信信号时频特性自适应设置先验锚框,保证了网络对通信信号的适应性与高效检测能力;最后,针对原有网络训练和推断时数据分布不一致所导致的检测精度低问题,采用CIOU（Complete-Intersection Over Union）算法改进训练代价函数,利用DIOU（Distance-Intersection Over Union）算法改进推断时的非极大值抑制准则,在提高训练速度的同时达到了较高的检测精度。2、在窄带突发通信信号体制识别方面,针对深度学习方法难以区分时频特征相近信号、模板匹配方法需要先验规格且计算量大的问题,提出了将深度学习时频图识别与前导码滑动相关频谱峰值检测进行级联融合的智能窄带突发信号识别方法,实现了精确的信号体制识别和参数估计。首先,设计了时频多维参数偏移算法来增强训练数据集,降低了数据收集难度且提升了训练数据的全面性和多样性;然后,引入改进的深度残差注意力网络,提取了重点时频特征进行体制初步识别,再基于信号与前导码滑动相关后的频谱峰值检测结果,对不可分信号进行细化判证,实现了对窄带突发信号体制类型、载频、突发时刻等参数的精确获取。3、在通信信号调制识别方面,针对传统识别方法依赖专家经验和信号条件的问题,提出了基于降噪循环谱与稀疏滤波卷积网络的智能调制识别方法,实现了模拟调制和低阶数字调制信号的鲁棒识别。首先,对信号循环谱进行低秩表示降噪处理,净化数据以降低网络训练难度;其次,设计了一种新型的稀疏滤波准则对网络进行逐层无监督预训练,有效挖掘了循环谱的稀疏特性,利用小规模卷积网络即可实现鲁棒可靠的调制识别。更进一步,为适应对高阶数字调制信号的识别,提出了一种基于新型深度几何卷积网络的智能调制识别方法,设计了具备多尺度和多方向特性的几何滤波器,从信号的魏格纳-威利分布映射图中学习更具有分辨力的多尺度和多方向几何特征,提高了调制识别的准确率和鲁棒性。4、在通信信号调制编码联合识别方面,为了能以端到端的方式同时识别信号的调制方式和信道编码类型,研究探索了一种基于深度注意力门控卷积网络的智能调制编码联合识别方法,实现了多类型调制编码信号的有效识别。首先,为避免时频图变换带来的高计算复杂度,针对一维原始波形数据,设计了一维卷积层来提取调制结构特征;其次,利用门控循环模块提取信号时序监督特征,并设计“显着”注意力机制对时序特征开展注意力变换以增强特征提取与识别效能。5、在通信辐射源个体识别方面,针对传统识别方法难以全面表征辐射源本质特性、易受信号与目标变化影响的缺点,提出了基于多域特征融合学习的智能辐射源个体识别方法,在多目标辐射源集合上达到了较好的识别效果。首先,对接收信号进行精确的参数“校准”预处理以去除信号中的不稳定因素,再对校准后信号进行高精度星座矢量图映射以表征辐射源发射机的联合畸变特性;其次,设计了新型一维复数密集连接卷积网络、引入了具有高层特征全局注意力机制的新型Bo TNet（Bottleneck Transformer Networks）模型,分别对波形与频谱、波形与星座矢量图数据开展高效的复杂多域特征提取;最后,设计了三种融合策略对多域特征进行融合学习,提取了更全面完整的个体特征。同时,还研究了基于迁移学习的新辐射源目标集识别网络设计和训练方法,有效利用了大样本训练得到的基础模型的先验知识,实现了小样本条件下新辐射源目标的准确识别。6、在工程实现方面,设计构建了通信信号智能检测识别系统,对本文提出的各类通信信号智能检测与识别方法开展转化与集成,解决了快速并行信道化与深度学习推断加速等工程实现关键问题,对实际短波、卫星、超短波等通信信号实现了高性能的盲信号检测、调制识别和辐射源个体识别。
李泊琦[4]（2021）在《复杂场景下文本检测与识别方法研究》文中进行了进一步梳理近年来随着互联网社区的快速发展,用户产生了大量含有文本的多媒体文件。文本识别技术成为多媒体检索与内容分析审核的核心方法,利用文本检测定位图像中文本区域并进行识别,实现智能化多媒体文件检索归类以及图像内容分析审核。文本识别技术作为多媒体文件中文字信息转变为结构化文本的一种重要手段,在智能信息录入、多媒体检索、内容分析审核、智能穿戴设备等方面得到广泛应用。然而在文本识别真实应用场景中并不能保证获取高质量稳定图像,来源于网络与多样化数据采集设备的文本图像多含有复杂背景与图像传感器运动噪声。具体体现为场景背景含有运动的云雾、光源、阴影和动画造成的前景后景剧烈变化,这样背景复杂化的特性给传统文本识别方法带来极大的挑战。传统方法对复杂场景文本检测存在检测结果不精准、边缘缺失、文本框不贴合的现象,也使得次级文本识别网络难以得到准确识别结果。本文针对复杂场景下文本检测识别算法,建立复杂场景中文序列文本识别数据集,并基于复杂场景对现有文本检测识别方法进行研究与改进。具体内容如下:1.本文构建了一个中文文本识别数据集。本文针对复杂场景下文本背景复杂多变的特点,确定多种复杂场景文本可能含有噪声、扭曲类型以进行数据扩展。本文分析人工文本与自然文本特点,使用多种方式完成语料库收集,并针对中文文本长尾分布特点构建重采样。采用基于大规模真实文本的语料库,并根据语料文本频率重采样构建了含有语义信息且分布均匀的中文文本识别数据集。从文本背景复杂度、样本分布均衡程度、文本形式多样性等角度对比,证明本文构建的中文文本识别数据集在复杂场景下优越性。2.本文研究了使用实例分割方式的文本检测算法,并在此基础上构建应用于复杂场景下的轻量型文本检测算法。本文在轻量型网络主干中使用空洞卷积,从感受野角度获取文本多尺度特征增强轻量型网络特征表达能力。本文使用输出归一化的可微分二值化函数,以可微分函数实现近似的文本区域二值化并融合到端到端网络进行训练。在后处理中以自适应阈值谱最大稳定极值区域作为文本边界区域,结合二值化函数稳定精确定位文本区域。3.本文研究了一种基于通道分组的注意力文本检测算法。基于注意力机制对轻量型网络特征表达与语义信息的增益效果,本文设计基于通道分组的注意力模块。结构上为通道优先的通道注意力与空间注意力级联,构造上以压缩激发形式压缩空间信息获取通道依赖性以压缩通道数增强空间相关性,进而将通道分组激发获取多组注意力谱进而获得唯一鲁棒的注意力权重。最后将该注意力模块与可微分二值化文本检测算法相结合,应用于置信度分支降低文本背景干扰增强文本特征显着性,用以构建本章基于通道分组的注意力文本检测算法。4.本文研究了一种文本序列识别模型的剪枝压缩方法。基于CRNN中以特征空间顺序作为时间序列的建模方式,使用全卷积替换RNN序列编码结构。设计应用于卷积层的结构化dropout丢弃指定像素及其对角相邻元素,减少标准dropout丢弃区域像素高相关性,稀疏化未剪枝网络参数。以卷积前批归一化放缩因子与偏移值共同作为通道参数重要程度度量,进行通道剪枝并固化通道筛选层。再次于本文构建的复杂场景下的中文文本识别数据集上训练微调,最终得到基于结构化剪枝的轻量化文本识别模型。
郭文浩[5]（2021）在《基于深度学习的通信信号识别方法》文中指出在如今21世纪,无线通信已经与我们的社会发展与日常生活密不可分。而由于无线通信本身所具有的开放性的特点,我们周围的电磁环境是非常复杂且多变的,也因此对无线信号的识别技术一直是人们研究的热点问题。随着人工智能技术的兴起与高速发展,信号的识别识别技术也由原先需要依靠技术人员的专业能力来判断转变为由计算机自己完成对目标信号的识别,节省了大量人力,也极大的提高了识别速度与准确度。本文的主要工作及创新点如下:（1）本文首先对信号识别及深度学习技术的发展历史与发展现状开展研究,对其技术所具备的优势及劣势进行了分析与总结并对信号调制及深度学习网络的基本原理进行了介绍。然后本文通过傅里叶变换等方式将信号数据转化成时频图,创新性的构建了一个经过了半自动标注的包括4G、5G、蓝牙、WLAN、雷达信号等18种信号类型的COCO数据集,作为深度学习算法实现的数据基础。（2）本文创新性的提出了一种基于计算机视觉目标识别技术对通信信号自动识别与智能分析的方法,并在已有数据集上应用YOLOv3,Mask RCNN进行实验,在加噪的环境下其mAP可达0.79。证明了本数据集的有效性以及该方法的可行性。然后基于目前最新的研究成果Cornernet模型创新性的提出了 一种改进模型Signal-Cornernet,针对10种基础类型的信号数据进行实验,其mAP达到了 0.89,相比于其对比实验提高了 21.9%。最后对本文的研究结果及不足之处进行了总结并对该技术方向未来的发展进行了展望。
魏嘉琪[6]（2020）在《雷达微动目标参数估计与特征提取方法研究》文中研究指明目标或其组成部件除去主体平动外的振动、转动等小幅度运动被称为微动。微动包含着目标特有的运动属性,可以反映其精细的运动特征,因此微动特征可作为雷达目标识别的重要依据,其在军事及民用方面都有着广泛的应用。在军事方面,基于微动特征提取的识别手段是导弹防御系统的关键技术。由于弹头和诱饵的质量分布不同,导致它们的微动特性存在明显差异,因此通过提取目标的微动特征可以实现真假弹头的识别与分辨。在民用方面,基于雷达所具有的全天时、全天候、穿透能力强及远距离探测等优势,可利用雷达发射的电磁波探测人体微动特征,实现非接触生命信号检测,这在自然灾害救援、医疗卫生等领域都有着非常重要的应用价值。根据上述背景,本文围绕军事及民用两个方面的微动特征提取及参数估计问题展开了系统的研究,主要研究内容概括如下:（1）建立锥体弹道目标的散射中心微动模型及人体呼吸心跳微动模型本文对于微动在军事领域的应用,主要针对锥体弹道目标展开研究。基于一般散射中心和等效散射中心这两种散射中心模型,分析了弹道目标在自旋、进动和章动三种微动状态下的微动特性,进而获得锥体弹道目标宽带回波的具体表达式,并利用仿真实验进行验证;对于微动在民用领域的应用,主要针对人体呼吸心跳微动形式展开研究。基于呼吸心跳过程的运动机理,建立了呼吸心跳微动模型,并推导了胸壁宽带回波表达式。通过建立微动目标模型,为论文后续的研究工作奠定基础。（2）单目标相位测距的弹道目标微动特征提取及参数估计针对传统方法基于宽带回波距离像包络信息提取微动分辨率较低这一问题,提出了基于距离像相位信息的相位测距弹道目标微动特征提取及参数估计方法。根据所建立的锥体弹道目标的散射中心微动模型,分别对弹道目标宽带回波高分辨距离像（High-Resolution Range Profile,HRRP）序列的包络信息和相位信息进行分析。包络信息受限于雷达的距离分辨力,会导致微距离的测量精度不理想,而利用相位信息进行测距,结合相位测距原理,所测微距精度可达到半波长量级。在此基础上研究了基于相位测距的弹道目标微动参数估计方法,并利用仿真实验验证了算法的有效性。（3）微动多目标分辨及特征提取针对传统的微多普勒特征提取技术难以解决多目标分辨这一问题,提出一种曲线交叠外推的微动多目标宽带分辨算法。对于微动多目标信号模型,多目标各散射点回波微动曲线会出现交叠现象,这为后续微动特征提取与多目标分辨带来不便。通过分析各散射点的微动特性,并以各个滤波数据点间的相对距离为准则,结合各曲线的历史斜率信息,利用曲线交叠外推算法实现各散射点微动曲线的区分关联,进而通过分析所提取微动曲线的频率成分实现多目标的分辨。（4）弹道目标压缩感知的2-D联合稀疏重构和微动参数估计针对稀疏频带信号体制下的空间锥体弹道目标微动特征提取问题,提出一种基于压缩感知（Compressive Sensing,CS）理论的2-D联合稀疏重构和微动参数估计方法。对于2-D联合稀疏重构信号模型,基于稀疏频带信号良好的抗干扰特性和低运算复杂度特性,结合压缩感知理论,建立弹道目标微动特性参数字典,并生成2-D联合稀疏重构和微动参数估计优化函数,借助改进的正交匹配追踪（Orthogonal Matching Pursuit,OMP）算法求解优化函数,进而可同时实现微动参数估计和稀疏重构。该算法充分利用了2-D数据间的耦合信息和2-D相干积累增益,从而可获得弹道目标高精度的HRRP和微动曲线。（5）微动目标三维轨迹重构及参数估计针对斜视情况下利用三维干涉测量进行目标轨迹提取会出现坐标扭曲这一问题,提出一种斜视校正干涉测量的微动轨迹提取及参数估计方法。依据三维干涉测量的思想,对L型天线阵列中各天线接收回波进行干涉测距测角,通过分析三维干涉测量过程中出现的斜视坐标扭曲现象,推导求解二元二次非线性方程组结合坐标变换实现斜视误差校正,得到目标各散射点的重构三维运动轨迹。通过分析所得三维运动轨迹,结合弹道目标的物理结构,实现弹道目标的参数估计,有效提高了微动目标运动几何参数估计的准确性和稳健性。（6）非接触呼吸心跳信号的提取及重构微动特征提取及参数估计除了应用在军事反导系统中,还可扩展到民事方面,如呼吸心跳微动信号检测系统。针对生命信号所处的环境因素复杂,呼吸心跳微动信号经常淹没在噪声杂波中这一问题,本文提出一种基于MTI-Autocorrelation-EEMD（MAE）的生命信号提取及重构算法。基于本文所建立的人体呼吸心跳微动模型,对生命信号回波进行预处理,通过利用动目标显示（Moving Target Indicator,MTI）滤波消除固定物体杂波,并根据信号与噪声自相关函数分布形态上的明显差异,精确定位人体所在距离单元,从而实现从强杂波及噪声干扰的环境中提取人体生命信号回波。接着利用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）算法对所提取的人体生命信号回波进行自适应分解,进而实现呼吸和心跳微动信号的高精度重构。
姜满[7]（2020）在《卫星导航多干扰源的识别和定位》文中进行了进一步梳理卫星导航信号到达地面的强度弱（约为-160 dBm）,极易受到各种主动被动电磁干扰的压制,尤其在复杂电磁环境区域内,导航接收终端可能同时接收到一种或数种带内干扰,导致局部区域内卫星导航接收机无法完成对有用信号的捕获跟踪,进而导致定位失败。因此,本文将开展卫星导航多干扰信号源定位技术研究,通过对定位失效区域的检测,完成对各类体制干扰源的排查和剔除,并重点针对上述问题中的多干扰源识别和多干扰源定位问题开展研究。主要工作如下:（1）梳理了常见卫星导航干扰信号的类型和体制,建立了其相应的的信号模型,并分别对各类信号的特性进行了简要分析;讨论了干扰信号定位的一般方法,并根据常见卫星导航干扰信号特点,确定了采用多台站观测多干扰源的TDOA定位模式;提出了适应于大多数卫导干扰信号体制的时域互相关特征提取方法,该方法一方面通过时域互相关可直接获得多个干扰信号到达各监测站的时间差信息,便于完成双曲定位,另一方面在具有计算量小、时延测量精度高的优点。（2）研究基于支持向量机多分类和卷积神经网络两种机器学习分类方法,针对互相关图中各不同相关峰进行分类识别,从多干扰信号相关图中识别出各干扰信号类型和数量,并对求得的相应TDOA信息打上标签,进而完成对同一干扰信号TDOA信息的分类,并可用于实现对各干扰源的定位。与传统特征匹配的识别方法相比,在多干扰源频谱交错或重叠时仍可有效完成识别。（3）搭建典型的多干扰源仿真场景,模拟产生相应的多监测站中频回波信号,模拟了互相关图生成、峰值检测和TDOA提取、干扰信号分类和识别、TDOA定位解算等多干扰源定位解算过程;通过仿真分析了多干扰源的定位性能,讨论了定位精度与干扰信号信噪比的关系。
汪涛[8]（2019）在《基于频谱分析和改进Inception的雾霾能见度检测研究》文中指出近几年来,国内的雾霾污染已呈常态化趋势,社会各界对雾霾污染问题越来越重视。雾霾天气不仅会危害人们的健康,还会给人们的出行带来不便。特别是在高速公路路段,容易发生突发性团雾,极大地威胁着人们的行车安全。因此,对能见度实施准确的检测是解决该问题的重要环节之一,但是现有的设备和方法,准确性和普及型仍然有待提高。目前,基于雾霾视频图像的能见度检测已引起了国内外研究学者的广泛关注。本文针对上述问题,基于江苏省高速公路的雾霾视频图像展开研究,提出了三个雾霾能见度检测算法,主要阐述如下:首先,鉴于Inception网络的提出,其在图像处理领域具有广泛的适用性,可以有效地提取图像信息。而对于雾霾图片的能见度检测而言,Inception V4网络由于其网络结构有着良好的性能,并且计算量低,网络的训练速度相较于之前的网络有着显着地提高,因此本文在Inception网络的基础上,对雾霾能见度检测展开研究。本文研究并提出了一种基于Inception V4网络的雾霾能见度检测算法。基于Tensorflow框架搭建Inception V4网络,在数据预处理和网络结构方面做了略微调整以适应本文数据集,从而构建雾霾能见度与雾霾图片的关系。大量的实验结果验证了算法的有效性。其次,本文在研究了图像频谱相关理论的基础上,提出了一种基于频谱分析与Inception V4网络的雾霾能见度检测算法。由于雾霾产生后,摄像机所捕获到的图片,其能量向低频部分聚集,因此本文利用离散余弦变换获取图像频谱信息,并提取部分频谱低频信息出来,作为权重系数较高的参量,导入Inception V4网络中参与训练。针对数据集利用Inception V4网络构建图像频谱信息与能见度值之间的关系,实验结果证明,该算法具有较好的准确性。最后,通过上述两种算法的探索,发现Inception网络结构很深,在对图像特征提取时,其低层的细节特征信息损失较大。而针对雾霾图片而言,这部分的特征信息对于能见度检测来说帮助较大。因此本文在分析了Inception V4网络在构建图像与能见度值关系不足的基础上,针对高速公路路段雾霾图片特性对Inception V4网络提出改进,增加了对雾霾图像细节特征信息的提取。然后针对原始图片和图片频谱信息分别进行实验。实验结果表明,改进的网络在进行能见度检测时效果有了明显提升。最后,从多方面对本文的算法进行比较、分析。最终得到本文算法在对高速公路路段雾霾能见度时,效果较好,尤其适用于对低能见度值的检测,符合实际需求。
杨志群[9]（2019）在《少模光纤色散控制、表征与补偿的研究》文中研究指明模分复用系统相比于单模系统有潜力实现量级上的容量提升,但目前其落地商用的主要挑战就是如何降低计算复杂度,实现真正的实时系统。要完成这个目标,需要深入研究少模光纤链路的色散控制、表征及补偿方案,通过光纤设计、光纤表征以及接收机均衡算法等相关技术实现全方位突破。本论文立足于此,主要工作包括:（1）为了降低少模光纤的差分模式群延迟,研究光纤结构参数的全局优化设计。基于沟槽辅助型渐变折射率分布,通过仿真探究相关几何参数对于差分模式群延迟特性的影响,找到最小的差分模式群延迟对应的光纤设计参数。实现了在1310 nm波长处六模光纤的差分模式群延迟小于7 ps/km;在C波段范围内实现了六模光纤的整体差分模式群延迟小于52 ps/km。（2）为了实现对光纤设计迭代反馈并为接收机算法提供参考,研究了基于微波光子学方法的少模光纤色度色散与模间色散集成测量方案。首先提出基于空间偏移耦合模型的方案,并对36.43 km的两模光纤进行测量,同时获得了高精度的模间色散与基模的色度色散值。而后提出采用空间型探测器的方案,根据模式正交性对理论进行了修正,首次实现同时获得高精度的差分模式群延迟值和两个模式各自的色度色散值。LP01和LP11模式之间的差分模式群延迟测量精度为0.25 ps/km,色度色散的精度对于LP01模和LP11模分别为0.0044 ps/km/nm和0.0034 ps/km/nm。（3）为了进一步降低模分复用系统的计算复杂度,提出并实验验证了频域递归最小二乘算法（RLS-FDE）用于加快接收机均衡的收敛速度。基于频率成分之间的正交性,提出基于重叠存储法的RLS-FDE,并将其应用到6个空间模式1000 km的少模光纤传输实验数据上,实现收敛速度较频域最小均方算法（LMS-FDE）提高了将近17.5倍。通过加入可变遗忘因子的特殊包络对算法进行了改进,收敛速度较LMS-FDE算法提高了将近18.7倍,同时其最终的收敛表现也优于LMS-FDE。
房玉琢[10]（2019）在《面向室内远场交互的麦克风阵列声源定位技术研究》文中研究说明麦克风阵列声源定位技术广泛应用于国防、安保、视频会议等众多领域,尤其在当下以智能家居和智能办公为主要室内场景的远场语音交互系统中,准确、稳健的声源定位结果是保证高质量语音增强和语音识别的重要前提。实际应用中,往往同时存在多个室内远场声源,声学环境相对复杂,环境噪声、多路径传播和多源互扰等不利因素的影响使得对声源位置参数的准确估计出现困难。本论文针对上述问题,开展基于麦克风阵列的室内远场声源定位技术研究,主要创新点和工作如下:1)针对室内场景中的多路径传输单声源定位问题,提出了一种在强混响环境和较低信噪比（SNR）条件下定位准确率较高的稳健无约束盲信道辨识算法NLMS-CR:该算法将信道互关联（CR）特性与归一化最小均方误差（NLMS）自适应滤波器相结合,通过结构优化,避免了已有自适应特征值分解（AED）算法中的权矢量恒模约束条件,从而提高了声源定位算法的收敛速度和稳健性。实验结果表明:在较强混响环境下,盲信道辨识类算法在耗费一定运算成本的代价下,能够获得相比互相关类算法更高的声源定位正确率,而本文所提的其中NLMS-CR法相比同是基于盲信道辨识原理的AED法,在同种参数设置下估计准确率更高而运算时间更短。2)针对室内场景中的低成本高分辨多声源定位问题,提出了一种能够在混响环境及宽阵元间距条件下具有稳健空域模糊抑制特性的多维累积角度谱构建算法KDEMS:该算法基于语音信号的时频稀疏与短时正交特性（W-DO）,将麦克风阵列观察信号的归一化互功率谱与近似高斯核函数相结合,并使用多阶段的分频带处理,有效地解决了阵元间距较宽时的高频空域模糊问题,进而通过时频多维累积,基于较少的阵元得到具有较高空间分辨能力的KDEMS角度谱函数。实验结果表明:当阵元间距较窄时,角度谱函数面临分辨率、估计精度过低的问题,而当阵元间距变宽时所带来的空域模糊也会导致多个角度谱伪峰的出现;相比互相关法形成的角度谱,所提出的KDEMS通过使用低通加权因子,能够在获得良好空域辨识度的同时更加有效地抑制角度谱伪峰和多阶段分频带处理对于伪峰的抑制更加有效,在带来良好辨识度的同时,还能够提供更加稳健的多声源定位性能。3)针对室内多声源定位中通常存在的SNR较低、声源数量时变且未知的情形,提出了一种正确率较高且较为稳健的多声源位置与数量联合估计算法KDEMSW-MP:该算法在KDEMS角度谱函数的基础上,引入局部SNR追踪和相干性检测等时频域滤波模块,提取出各个活跃声源受环境噪声及多源互扰影响较小的时频支撑区间,从而有效抑制了KDEMS角度谱函数的波形畸变问题,然后通过引入双宽度匹配追踪（MP）算法替代传统的峰值搜索,提高了后续多声源位置与数量的联合估计精度。实验结果表明:对KDEMS的时频域滤波能够有效缓解谱函数的波形失真,同时抑制伪峰的幅度,这种增益作用在信噪比较低且声源数量较多的情况下更加明显;峰值搜索算法在声源较多时存在数量过估,导致联合估计性能的下降,而针对角度谱函数采用双宽度匹配追踪算法进行内积最大值搜索,能够有效缓解已有算法的声源数量过估问题;上述措施保证了KDEMSW-MP是一种较为稳健的多声源位置与数量联合估计算法。
二、CMAC的无交叠感受域变分辨率学习方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、CMAC的无交叠感受域变分辨率学习方法（论文提纲范文）
（1）基于分层特征相关滤波的车辆追踪系统研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 目标跟踪研究现状 |
| 1.2.1 基于相关滤波的跟踪算法研究现状 |
| 1.2.2 基于深度学习的跟踪算法研究现状 |
| 1.3 主要研究内容及结构安排 |
| 1.3.1 本文的主要工作 |
| 1.3.2 本文的结构安排 |
| 第二章 相关理论基础与关键技术 |
| 2.1 基于相关滤波的跟踪算法 |
| 2.1.1 滤波模板求解 |
| 2.1.2 核函数技巧 |
| 2.1.3 目标跟踪与目标更新 |
| 2.2 基于深度学习的目标跟踪算法 |
| 2.2.1 卷积神经网络 |
| 2.2.2 孪生神经网络 |
| 2.2.3 基于孪生网络的目标跟踪 |
| 2.3 注意力机制 |
| 2.4 卡尔曼滤波算法 |
| 2.5 本章小结 |
| 第三章 相关滤波与孪生网络紧耦合的目标跟踪研究 |
| 3.1 CACFNet算法网络结构 |
| 3.1.1 特征提取子网络 |
| 3.1.2 相关滤波层 |
| 3.1.3 焦点逻辑回归损失 |
| 3.2 实验设计与参数设置 |
| 3.2.1 数据集及评价指标 |
| 3.2.2 模型训练方法 |
| 3.3 实验结果与分析 |
| 3.3.1 OTB2015数据集上实验结果 |
| 3.3.2 LaSOT数据集上实验结果 |
| 3.4 本章小结 |
| 第四章 结合卡尔曼滤波的目标跟踪算法 |
| 4.1 结合卡尔曼滤波的目标跟踪 |
| 4.1.1 目标遮挡检测机制 |
| 4.1.2 目标重跟踪机制 |
| 4.2 实验设计与参数设置 |
| 4.3 实验结果与分析 |
| 4.3.1 KITTI数据集上实验结果 |
| 4.3.2 LaSOT数据集上实验结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的研究成果 |
（2）液晶透镜黄斑成像系统的关键问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 黄斑成像研究现状 |
| 1.2.2 液晶透镜研究现状 |
| 1.2.3 液晶透镜应用研究现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本文的结构安排 |
| 第二章 液晶透镜黄斑成像系统 |
| 2.1 多区域黄斑成像系统设计 |
| 2.1.1 像方远心镜头的优点 |
| 2.1.2 液晶透镜阵列设计 |
| 2.2 多区域单独控制黄斑系统成像测试 |
| 2.2.1 实验结果 |
| 2.2.2 小结 |
| 2.3 总结 |
| 第三章 黄斑成像系统有效区域 |
| 3.1 黄斑成像系统有效区域定义 |
| 3.2 黄斑系统有效区域推导 |
| 3.2.1 有效区域面积分析 |
| 3.2.2 不同区域成像面积推导 |
| 3.2.3 小结 |
| 3.3 黄斑系统有效区域实验 |
| 3.3.1 实验场景 |
| 3.3.2 实验过程 |
| 3.3.3 实验结果 |
| 3.3.4 小结 |
| 3.4 总结 |
| 第四章 液晶可开关光阑组合透镜 |
| 4.1 液晶可开关光阑组合透镜设计 |
| 4.1.1 器件工作原理 |
| 4.1.2 器件结构设计 |
| 4.2 液晶可开关光阑组合透镜测试 |
| 4.2.1 液晶光阑特性测试 |
| 4.2.2 液晶透镜特性测试 |
| 4.2.3 工作状态观察 |
| 4.3 总结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）基于深度学习的通信信号智能盲检测与识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究历史与现状 |
| 1.2.1 通信信号检测方法研究现状 |
| 1.2.2 通信信号调制识别方法研究现状 |
| 1.2.3 通信信号辐射源个体识别方法研究现状 |
| 1.3 存在的问题挑战与研究思路 |
| 1.4 论文的结构安排与主要工作 |
| 第二章 深度学习理论基础 |
| 2.1 引言 |
| 2.2 深度学习概述 |
| 2.2.1 发展历程 |
| 2.2.2 从浅层到深度学习 |
| 2.3 典型深度学习网络 |
| 2.3.1 卷积神经网络 |
| 2.3.2 循环神经网络 |
| 2.4 深度学习应用于通信信号智能盲检测与识别的思考 |
| 2.5 本章小结 |
| 第三章 基于深度学习的通信信号智能检测方法 |
| 3.1 引言 |
| 3.2 基于自适应频谱噪底抵消的能量检测方法 |
| 3.2.1 宽带频谱估计 |
| 3.2.2 自适应噪底估计 |
| 3.2.3 噪底抵消和信号检测 |
| 3.3 基于目标检测网络的通信信号智能宽带检测方法 |
| 3.3.1 宽带时频图数据集标注与构建 |
| 3.3.2 ISD-ODN智能宽带检测网络 |
| 3.3.3 算法流程总结 |
| 3.3.4 实验结果与分析 |
| 3.4 基于级联分类树的智能窄带突发信号识别方法 |
| 3.4.1 双滑动窗突发信号检测 |
| 3.4.2 窄带时频图数据增强 |
| 3.4.3 深度残差注意力信号识别网络 |
| 3.4.4 基于前导码滑动相关频谱峰值检测的信号识别 |
| 3.4.5 算法流程总结 |
| 3.4.6 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于深度学习的通信信号智能调制识别方法 |
| 4.1 引言 |
| 4.2 基于专家经验特征的调制识别方法 |
| 4.2.1 信号参数统计特征 |
| 4.2.2 高阶统计量特征 |
| 4.2.3 循环平稳特征 |
| 4.2.4 基于特征分类的调制识别 |
| 4.3 基于降噪循环谱与稀疏滤波卷积网络的智能调制识别方法 |
| 4.3.1 二维循环谱变换 |
| 4.3.2 低秩表示降噪 |
| 4.3.3 稀疏滤波卷积网络 |
| 4.3.4 算法流程总结 |
| 4.3.5 实验结果与分析 |
| 4.4 基于魏格纳-威利分布与深度几何卷积网络的智能调制识别方法 |
| 4.4.1 魏格纳-威利分布映射 |
| 4.4.2 维度不可分的几何滤波器 |
| 4.4.3 深度几何卷积网络 |
| 4.4.4 算法流程总结 |
| 4.4.5 实验结果与分析 |
| 4.5 基于深度注意力门控卷积网络的智能调制编码联合识别方法 |
| 4.5.1 一维卷积模块 |
| 4.5.2 注意力机制门控循环模块 |
| 4.5.3 深度注意力门控卷积网络 |
| 4.5.4 算法流程总结 |
| 4.5.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于深度学习的智能通信辐射源个体识别方法 |
| 5.1 引言 |
| 5.2 基于专家经验特征的辐射源个体识别方法 |
| 5.2.1 信号参数统计特征 |
| 5.2.2 信号变换域统计特征 |
| 5.2.3 机理模型特征 |
| 5.2.4 辐射源特征降维和分类器 |
| 5.3 基于时域与频域特征融合学习的智能辐射源个体识别方法 |
| 5.3.1 信号精细预处理及表示 |
| 5.3.2 IRI-TFF多域特征融合识别网络 |
| 5.3.3 算法流程总结 |
| 5.3.4 实验结果与分析 |
| 5.4 基于波形与星座矢量图特征融合学习的智能辐射源个体识别方法 |
| 5.4.1 信号精细预处理及表示 |
| 5.4.2 IRI-WCF多域特征融合识别网络 |
| 5.4.3 基于迁移学习的小样本新目标SEI方法 |
| 5.4.4 算法流程总结 |
| 5.4.5 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 通信信号智能检测识别系统及实验结果 |
| 6.1 引言 |
| 6.2 系统组成和关键技术 |
| 6.2.1 系统框架和组成 |
| 6.2.2 系统实现关键技术 |
| 6.3 实验验证与分析 |
| 6.3.1 实际短波信号智能检测实验 |
| 6.3.2 实际卫星信号智能调制识别实验 |
| 6.3.3 实际超短波信号智能辐射源个体识别实验 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 论文主要贡献 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（4）复杂场景下文本检测与识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 文本检测算法的研究现状 |
| 1.2.2 文本识别算法的研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本文的结构安排 |
| 第二章 复杂场景下中文文本识别数据集的建立 |
| 2.1 引言 |
| 2.2 复杂场景文本的特性 |
| 2.3 中文文本分布特性 |
| 2.4 本章数据集的构建 |
| 2.5 本章数据集的对比与分析 |
| 2.6 本章小结 |
| 第三章 基于可微分二值化的复杂文本检测算法 |
| 3.1 引言 |
| 3.2 本章算法框架 |
| 3.3 基于可微分二值化的标签与网络结构 |
| 3.3.1 标签生成 |
| 3.3.2 网络结构设计 |
| 3.4 可微分二值化函数 |
| 3.5 复杂场景下后处理MSER |
| 3.6 实验结果及分析 |
| 3.6.1 实验环境 |
| 3.6.2 网络参数与模型训练 |
| 3.6.3 客观实验结果分析 |
| 3.6.4 主观实验结果分析 |
| 3.7 本章小结 |
| 第四章 基于通道分组与注意力机制的文本检测算法 |
| 4.1 引言 |
| 4.2 本章算法框架 |
| 4.3 基于通道分组的注意力模块方法 |
| 4.3.1 现有通道注意力的局限性 |
| 4.3.2 通道分组的注意力模块结构设计 |
| 4.4 通道分组的注意力信息融合设计 |
| 4.5 基于通道分组注意力的文本检测算法 |
| 4.6 实验结果及分析 |
| 4.6.1 网络参数与模型训练 |
| 4.6.2 客观实验结果分析 |
| 4.6.3 主观实验结果分析 |
| 4.7 本章小结 |
| 第五章 基于结构化剪枝的文本识别算法 |
| 5.1 引言 |
| 5.2 本章算法框架 |
| 5.3 结合结构化剪枝的文本识别网络结构设计 |
| 5.3.1 现有文本识别网络模型剪枝局限性 |
| 5.3.2 基于结构化剪枝的文本识别网络设计 |
| 5.4 基于结构化dropout的参数正则方法 |
| 5.4.1 dropout在卷积神经网络中的局限性 |
| 5.4.2 结构化dropout的设计 |
| 5.5 基于结构化剪枝的文本识别算法 |
| 5.6 实验结果及分析 |
| 5.6.1 网络参数与模型训练 |
| 5.6.2 客观实验结果分析 |
| 5.6.3 主观实验结果分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）基于深度学习的通信信号识别方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 论文主要工作 |
| 1.3.1 研究目标与研究意义 |
| 1.3.2 基于二维图像的信号数据集的构建 |
| 1.3.3 Signal-CornerNet模型的提出 |
| 1.4 论文的组织结构 |
| 第二章 理论基础 |
| 2.1 通信信号的调制方式 |
| 2.2 卷积神经网络模型 |
| 2.3 目标识别算法模型 |
| 2.3.1 两步识别法 |
| 2.3.2 一步识别法 |
| 2.3.3 评价指标 |
| 第三章 通信信号数据集的构建 |
| 3.1 相关通信信号的数据生成 |
| 3.2 瀑布频谱图的生成 |
| 3.3 带有标注的数据集的生成 |
| 3.3.1 目标识别数据集介绍 |
| 3.3.2 相关数据集的生成 |
| 第四章 基于深度学习的通信信号自动识别技术 |
| 4.1 基于YOLO计算机视觉目标识别的通信信号识别技术 |
| 4.1.1 YOLOv3模型的网络结构 |
| 4.1.2 基于时频分析的信号时频图生成 |
| 4.1.3 实验结果分析 |
| 4.2 基于R-CNN网络的通信信号自动识别技术 |
| 4.2.1 MASK R-CNN的网络结构 |
| 4.2.2 实验结果分析 |
| 第五章 基于Cornernet模型的通信信号识别方法 |
| 5.1 Cornernet模型介绍 |
| 5.2 Cornernet模型原理 |
| 5.3 Signal-Cornernet模型的构建 |
| 5.3.1 数据集处理 |
| 5.3.2 模型结构优化 |
| 5.4 实验结果分析总结 |
| 5.4.1 准确率与召回率 |
| 5.4.2 对比实验 |
| 5.4.3 实验结果分析 |
| 5.4.4 实验总结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
（6）雷达微动目标参数估计与特征提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 微动特征在导弹防御系统中的研究背景及意义 |
| 1.1.2 微动特征在生命体征检测中的研究背景及意义 |
| 1.2 微动目标雷达信号处理研究现状 |
| 1.2.1 微动目标雷达回波建模 |
| 1.2.2 微动信号的分离提取 |
| 1.2.3 微动目标识别 |
| 1.3 论文内容安排 |
| 第二章 目标微动特性分析与建模 |
| 2.1 引言 |
| 2.2 锥体弹道目标散射中心模型 |
| 2.2.1 一般散射中心微动特性分析 |
| 2.2.2 等效散射中心微动特性分析 |
| 2.2.3 遮挡效应对两类散射中心的影响 |
| 2.3 锥体弹道目标宽带回波分析 |
| 2.3.1 锥体弹道目标宽带回波建模 |
| 2.3.2 锥体弹道目标宽带回波仿真 |
| 2.4 人体呼吸心跳微动模型 |
| 2.4.1 心跳和呼吸过程运动机理 |
| 2.4.2 人体呼吸心跳宽带回波信号模型 |
| 2.5 本章小结 |
| 第三章 宽带相位测距弹道目标微动提取与参数估计 |
| 3.1 引言 |
| 3.2 基于宽带回波距离像包络提取微距 |
| 3.2.1 回波信号分段近似方法 |
| 3.2.2 基于回波距离像包络提取微距曲线 |
| 3.3 基于宽带回波相位测距提取微距 |
| 3.3.1 提取宽带回波相位 |
| 3.3.2 相位解缠 |
| 3.4 弹道目标微动几何参数估计 |
| 3.4.1 弹道目标微动参数估计 |
| 3.4.2 弹道目标几何参数估计 |
| 3.5 仿真实验 |
| 3.6 本章小结 |
| 第四章 复杂模型的弹道目标微动参数估计 |
| 4.1 引言 |
| 4.2 多目标信号模型及微动特性分析 |
| 4.3 多目标微动曲线区分关联 |
| 4.3.1 点迹凝聚处理 |
| 4.3.2 曲线交叠外推区分关联算法 |
| 4.3.3 仿真实验 |
| 4.4 弹道目标稀疏频带信号模型及微动特性分析 |
| 4.4.1 弹道目标稀疏频带信号回波调制模型 |
| 4.4.2 压缩感知(CS)理论 |
| 4.4.3 正交匹配追踪(OMP)算法 |
| 4.5 2-D联合稀疏重构和微动参数估计 |
| 4.5.1 弹道目标微动特性参数字典设计 |
| 4.5.2 改进的OMP算法求解优化函数 |
| 4.6 仿真实验 |
| 4.7 本章小结 |
| 第五章 宽带雷达三维干涉测量弹道目标微动参数估计 |
| 5.1 引言 |
| 5.2 宽带三维干涉测量原理 |
| 5.2.1 L型三天线弹道目标微动特性分析 |
| 5.2.2 三维干涉测量原理 |
| 5.3 斜视三维干涉测量弹道目标微动轨迹重构 |
| 5.3.1 斜视坐标扭曲问题分析 |
| 5.3.2 斜视坐标校正 |
| 5.3.3 α-β滤波平滑运动轨迹 |
| 5.4 弹道目标微动参数估计 |
| 5.4.1 弹道目标进动频率估计 |
| 5.4.2 弹道目标进动角及结构参数估计 |
| 5.5 仿真实验 |
| 5.5.1 弹道目标微动轨迹重构 |
| 5.5.2 目标参数估计结果 |
| 5.6 本章小结 |
| 第六章 非接触生命信号提取及重构技术 |
| 6.1 引言 |
| 6.2 生命信号回波预处理 |
| 6.2.1 MTI去除固定物体杂波 |
| 6.2.2 提取生命信号回波 |
| 6.3 呼吸及心跳信号重构 |
| 6.3.1 经验模态分解(EMD) |
| 6.3.2 EMD的模式混叠问题 |
| 6.3.3 EEMD分解提取呼吸及心跳信号 |
| 6.4 实测数据实验 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）卫星导航多干扰源的识别和定位（论文提纲范文）
| 摘要 |
| abstract |
| 1. 绪论 |
| 1.1. 课题研究背景与意义 |
| 1.2. 国内外研究现状 |
| 1.2.1. 干扰识别技术研究现状 |
| 1.2.2. 干扰定位技术研究现状 |
| 1.3. 论文结构安排 |
| 2. 干扰源信号模型与特征提取 |
| 2.1. 导航干扰信号类型 |
| 2.2. 干扰信号模型 |
| 2.2.1. 单音干扰 |
| 2.2.2. 脉冲干扰 |
| 2.2.3. 线性调频干扰 |
| 2.2.4. 跳频干扰 |
| 2.2.5. 窄带干扰 |
| 2.3. 常见的干扰源定位方法 |
| 2.3.1. RSS定位方法 |
| 2.3.2. AOA/DOA定位方法 |
| 2.3.3. TOA/TDOA定位方法 |
| 2.3.4. FDOA定位方法 |
| 2.4. 互相关特征提取 |
| 2.5. 本章小结 |
| 3. 基于机器学习的多干扰信号识别 |
| 3.1. 基于SVM多分类的干扰识别 |
| 3.1.1. 支持向量机网络 |
| 3.1.2. 仿真结果与分析 |
| 3.2. 基于卷积神经网络的干扰识别 |
| 3.2.1. 卷积网络基础 |
| 3.2.2. VGG网络模型 |
| 3.2.3. 仿真结果与分析 |
| 3.3. 两种算法对比分析 |
| 3.4. 本章小结 |
| 4. 多干扰源定位算法及仿真 |
| 4.1. TDOA测量值的获取 |
| 4.2. TDOA定位的解算 |
| 4.2.1. 泰勒级数法 |
| 4.2.2. Chan算法 |
| 4.3. TDOA定位算法仿真实现 |
| 4.4. 本章小结 |
| 5. 总结与展望 |
| 致谢 |
| 参考文献 |
（8）基于频谱分析和改进Inception的雾霾能见度检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 仪器设备检测法 |
| 1.2.2 基于视频图像检测法 |
| 1.3 研究内容与论文结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 第二章 能见度检测与深度学习理论基础 |
| 2.1 引言 |
| 2.2 能见度检测概述 |
| 2.2.1 能见度定义 |
| 2.2.2 影响能见度因素 |
| 2.2.3 白天能见度的测量 |
| 2.2.4 夜晚能见度的测量 |
| 2.3 深度学习 |
| 2.3.1 深度学习发展 |
| 2.3.2 深度学习应用领域 |
| 2.3.3 深度学习基本思想及常用模型 |
| 2.4 本章小结 |
| 第三章 基于Inception的雾霾能见度检测 |
| 3.1 引言 |
| 3.2 卷积神经网络 |
| 3.2.1 卷积神经网络基本结构 |
| 3.2.2 卷积神经网络的前向传播和反向传播算法 |
| 3.2.3 经典卷积神经网络 |
| 3.3 基于Inception的雾霾能见度检测算法 |
| 3.3.1 Inception V4 网络结构 |
| 3.3.2 数据集构建及处理 |
| 3.3.3 网络训练及测试 |
| 3.4 计算机实验结果 |
| 3.5 本章小结 |
| 第四章 基于频谱分析与Inception的雾霾能见度检测 |
| 4.1 引言 |
| 4.2 图像频域变换 |
| 4.2.1 图像频域变换基本概念 |
| 4.2.2 图像频域变换常用方法 |
| 4.3 基于频谱分析和Inception的雾霾能见度检测算法 |
| 4.3.1 数据预处理 |
| 4.3.2 网络训练及测试 |
| 4.4 计算机实验结果 |
| 4.5 本章小结 |
| 第五章 基于改进Inception的雾霾能见度检测 |
| 5.1 引言 |
| 5.2 基于改进Inception网络的雾霾能见度检测算法 |
| 5.2.1 改进的Inception V4 网络 |
| 5.2.2 网络训练及测试 |
| 5.3 计算机实验结果 |
| 5.4 实验结果对比 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（9）少模光纤色散控制、表征与补偿的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 光纤通信发展趋势 |
| 1.1.1 单模光纤的容量极限与能耗危机 |
| 1.1.2 空分复用的机遇与挑战 |
| 1.2 国内外研究现状 |
| 1.2.1 低群延迟少模光纤设计研究进展 |
| 1.2.2 少模光纤参数表征研究进展 |
| 1.2.3 模分复用系统自适应均衡算法研究进展 |
| 1.3 本文创新点和主要内容 |
| 第2章 少模光纤及其特性参数 |
| 2.1 光纤中的模式 |
| 2.1.1 光纤的基本结构和模式求解 |
| 2.1.2 线性偏振模及其模场分布 |
| 2.1.3 少模光纤中的模式耦合 |
| 2.2 少模光纤的色散参数 |
| 2.2.1 模内色度色散 |
| 2.2.2 模间色散 |
| 2.3 少模光纤信道模型 |
| 2.4 本章小结 |
| 第3章 低差分模式群延迟少模光纤设计 |
| 3.1 有限差分法 |
| 3.1.1 有限元法和有限差分法 |
| 3.1.2 有限差分法用于求解标量波动方程 |
| 3.2 低差分模式群延迟六模光纤设计 |
| 3.2.1 光纤设计基础 |
| 3.2.2 备选光纤折射率分布 |
| 3.2.3 六模低群延迟光纤设计 |
| 3.3 本章小结 |
| 第4章 少模光纤参数表征平台 |
| 4.1 少模光纤参数表征技术概述 |
| 4.2 空间频谱法测模场分布和模间色散 |
| 4.2.1 空间频谱法理论基础 |
| 4.2.2 常规四模光纤测试 |
| 4.2.3 独立成分分析法用于测试结果 |
| 4.2.4 保偏少模光纤测试 |
| 4.3 基于微波光子学技术的色散集成测量 |
| 4.3.1 射频调制理论基础 |
| 4.3.2 色散集成测量方案设计 |
| 4.3.3 待测两模光纤色散参数仿真 |
| 4.3.4 基于偏移耦合的色散测量实验 |
| 4.3.5 基于空间探测器的色散测量实验 |
| 4.3.6 飞行时间法对比实验研究 |
| 4.3.7 四模光纤色散集成测量可行性验证 |
| 4.4 本章小结 |
| 第5章 频域递归均衡数字信号处理 |
| 5.1 模分复用系统信道均衡技术 |
| 5.1.1 少模光纤传输信道 |
| 5.1.2 时域均衡 |
| 5.1.3 频域均衡 |
| 5.1.4 自适应均衡算法比较 |
| 5.2 频域递归最小二乘算法理论研究 |
| 5.2.1 算法结构 |
| 5.2.2 算法复杂度比较 |
| 5.3 传输系统仿真和实验平台 |
| 5.3.1 两模复用传输仿真平台 |
| 5.3.2 六模复用传输实验系统 |
| 5.4 基于频域递归最小二乘法的数据处理结果 |
| 5.4.1 仿真结果 |
| 5.4.2 实验结果 |
| 5.5 基于可变遗忘因子的改进型算法 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 课题展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）面向室内远场交互的麦克风阵列声源定位技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 室内语音交互原理 |
| 1.3 麦克风阵列声源定位技术研究现状 |
| 1.4 基于TDOA的麦克风阵列声源定位发展现状 |
| 1.5 论文主要内容与结构安排 |
| 2 面向室内远场交互的麦克风阵列信号模型与预处理 |
| 2.1 室内远场交互的典型应用场景 |
| 2.2 室内远场交互麦克风阵列信号传播模型 |
| 2.2.1 自由空间信号传播模型 |
| 2.2.2 室内环境信号传播模型 |
| 2.3 室内远场交互信号的预处理 |
| 2.4 本章小结 |
| 3 家居场景单声源抗混响定位技术 |
| 3.1 面向自由空间的互相关类算法 |
| 3.1.1 常规互相关法 |
| 3.1.2 广义互相关法 |
| 3.2 面向混响环境的盲信道辨识类算法 |
| 3.3 基于无约束自适应盲辨识的TDOA估计算法 |
| 3.4 数据仿真与指标评估 |
| 3.4.1 仿真数据与条件 |
| 3.4.2 仿真数据的TDOA估计性能 |
| 3.4.3 指标分析与评估 |
| 3.4.4 实测数据性能验证 |
| 3.5 本章小结 |
| 4 办公场景多声源解模糊定位技术 |
| 4.1 基于时频稀疏和短时正交的多声源信号传播模型 |
| 4.2 近似核密度估计算法 |
| 4.3 基于多阶段分频带解模糊的TDOA估计算法 |
| 4.3.1 分频带解模糊原理 |
| 4.3.2 分频带处理对KDE改进的数学推导 |
| 4.3.3 KDEMS的处理步骤 |
| 4.4 数据仿真与指标评估 |
| 4.4.1 仿真数据与条件 |
| 4.4.2 不同阵元间距时的TDOA估计结果 |
| 4.4.3 指标分析与评估 |
| 4.4.4 实测数据性能验证 |
| 4.5 本章小结 |
| 5 会议场景多声源位置与数量联合估计技术 |
| 5.1 峰值搜索算法 |
| 5.2 角度谱函数的时频域滤波 |
| 5.2.1 局部信噪比追踪 |
| 5.2.2 相干性检测 |
| 5.3 基于双宽度匹配追踪的多声源联合估计算法 |
| 5.4 数据仿真与指标评估 |
| 5.4.1 仿真数据与条件 |
| 5.4.2 时频域滤波对角度谱函数的影响 |
| 5.4.3 指标分析与评估 |
| 5.4.4 实测数据性能验证 |
| 5.5 本章小结 |
| 6 总结和展望 |
| 6.1 总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、CMAC的无交叠感受域变分辨率学习方法（论文参考文献）
- [1]基于分层特征相关滤波的车辆追踪系统研究与应用[D]. 宋姝. 北京邮电大学, 2021(01)
- [2]液晶透镜黄斑成像系统的关键问题研究[D]. 杨艺佳. 电子科技大学, 2021(01)
- [3]基于深度学习的通信信号智能盲检测与识别技术研究[D]. 李润东. 电子科技大学, 2021(01)
- [4]复杂场景下文本检测与识别方法研究[D]. 李泊琦. 电子科技大学, 2021(01)
- [5]基于深度学习的通信信号识别方法[D]. 郭文浩. 北京邮电大学, 2021(01)
- [6]雷达微动目标参数估计与特征提取方法研究[D]. 魏嘉琪. 西安电子科技大学, 2020
- [7]卫星导航多干扰源的识别和定位[D]. 姜满. 西安理工大学, 2020(01)
- [8]基于频谱分析和改进Inception的雾霾能见度检测研究[D]. 汪涛. 南京邮电大学, 2019(02)
- [9]少模光纤色散控制、表征与补偿的研究[D]. 杨志群. 天津大学, 2019(06)
- [10]面向室内远场交互的麦克风阵列声源定位技术研究[D]. 房玉琢. 南京理工大学, 2019(01)