郵件訂閱
2024年 第46卷 第10期
顯示方式:
2024, 46(10): 3827-3848.
doi: 10.11999/JEIT240155
摘要:
隨著人工智能技術(shù)的發(fā)展，基于深度神經(jīng)網(wǎng)絡(luò)的合成孔徑雷達(SAR)目標識別得到了廣泛關(guān)注。然而，SAR系統(tǒng)的成像機制導(dǎo)致了圖像特性與成像參數(shù)之間的強相關(guān)性，因此深度學(xué)習(xí)框架下的目標識別算法精度極易受成像參數(shù)敏感性的干擾，這成為了制約先進智能算法部署到實際工程中的一大障礙。該文首先回顧了SAR圖像目標識別技術(shù)的發(fā)展與相關(guān)數(shù)據(jù)集，從雷達工作的成像幾何、載荷參數(shù)和噪聲干擾3個角度，深入分析了成像參數(shù)變化對圖像特性的影響；然后，從模型、數(shù)據(jù)、特征3個維度，總結(jié)歸納了現(xiàn)有文獻關(guān)于深度學(xué)習(xí)技術(shù)對成像參數(shù)敏感性的魯棒性與泛化性這一問題的研究進展；接下來，匯總并分析了典型方法的實驗結(jié)果；最后討論了在未來有望突破成像參數(shù)敏感性這一問題的深度學(xué)習(xí)技術(shù)研究方向。
隨著人工智能技術(shù)的發(fā)展，基于深度神經(jīng)網(wǎng)絡(luò)的合成孔徑雷達(SAR)目標識別得到了廣泛關(guān)注。然而，SAR系統(tǒng)的成像機制導(dǎo)致了圖像特性與成像參數(shù)之間的強相關(guān)性，因此深度學(xué)習(xí)框架下的目標識別算法精度極易受成像參數(shù)敏感性的干擾，這成為了制約先進智能算法部署到實際工程中的一大障礙。該文首先回顧了SAR圖像目標識別技術(shù)的發(fā)展與相關(guān)數(shù)據(jù)集，從雷達工作的成像幾何、載荷參數(shù)和噪聲干擾3個角度，深入分析了成像參數(shù)變化對圖像特性的影響；然后，從模型、數(shù)據(jù)、特征3個維度，總結(jié)歸納了現(xiàn)有文獻關(guān)于深度學(xué)習(xí)技術(shù)對成像參數(shù)敏感性的魯棒性與泛化性這一問題的研究進展；接下來，匯總并分析了典型方法的實驗結(jié)果；最后討論了在未來有望突破成像參數(shù)敏感性這一問題的深度學(xué)習(xí)技術(shù)研究方向。
2024, 46(10): 3849-3878.
doi: 10.11999/JEIT240095
摘要:
自然界中的生物需要在其一生中不斷地學(xué)習(xí)并適應(yīng)環(huán)境，這種持續(xù)學(xué)習(xí)的能力是生物學(xué)習(xí)系統(tǒng)的基礎(chǔ)。盡管深度學(xué)習(xí)方法在計算機視覺和自然語言處理領(lǐng)域取得了重要進展，但它們在連續(xù)學(xué)習(xí)任務(wù)時面臨嚴重的災(zāi)難性遺忘問題，即模型在學(xué)習(xí)新知識時會遺忘舊知識，這在很大程度上限制了深度學(xué)習(xí)方法的應(yīng)用。持續(xù)學(xué)習(xí)研究對人工智能系統(tǒng)的改進和應(yīng)用具有重要意義。該文對深度模型的持續(xù)學(xué)習(xí)進行了全面回顧。首先介紹了持續(xù)學(xué)習(xí)的定義和典型設(shè)定，闡述了問題的關(guān)鍵。其次，將現(xiàn)有持續(xù)學(xué)習(xí)方法劃分為基于正則化、基于回放、基于梯度和基于網(wǎng)絡(luò)結(jié)構(gòu)4類，分析了各類方法的優(yōu)點和局限性。同時，該文強調(diào)并總結(jié)了持續(xù)學(xué)習(xí)領(lǐng)域的理論分析進展，建立了理論與方法之間的聯(lián)系。此外，提供了常用的數(shù)據(jù)集和評價指標，以公正評判不同方法。最后，從多個領(lǐng)域的應(yīng)用價值出發(fā)，討論了深度持續(xù)方法面臨的問題、挑戰(zhàn)和未來研究方向。
自然界中的生物需要在其一生中不斷地學(xué)習(xí)并適應(yīng)環(huán)境，這種持續(xù)學(xué)習(xí)的能力是生物學(xué)習(xí)系統(tǒng)的基礎(chǔ)。盡管深度學(xué)習(xí)方法在計算機視覺和自然語言處理領(lǐng)域取得了重要進展，但它們在連續(xù)學(xué)習(xí)任務(wù)時面臨嚴重的災(zāi)難性遺忘問題，即模型在學(xué)習(xí)新知識時會遺忘舊知識，這在很大程度上限制了深度學(xué)習(xí)方法的應(yīng)用。持續(xù)學(xué)習(xí)研究對人工智能系統(tǒng)的改進和應(yīng)用具有重要意義。該文對深度模型的持續(xù)學(xué)習(xí)進行了全面回顧。首先介紹了持續(xù)學(xué)習(xí)的定義和典型設(shè)定，闡述了問題的關(guān)鍵。其次，將現(xiàn)有持續(xù)學(xué)習(xí)方法劃分為基于正則化、基于回放、基于梯度和基于網(wǎng)絡(luò)結(jié)構(gòu)4類，分析了各類方法的優(yōu)點和局限性。同時，該文強調(diào)并總結(jié)了持續(xù)學(xué)習(xí)領(lǐng)域的理論分析進展，建立了理論與方法之間的聯(lián)系。此外，提供了常用的數(shù)據(jù)集和評價指標，以公正評判不同方法。最后，從多個領(lǐng)域的應(yīng)用價值出發(fā)，討論了深度持續(xù)方法面臨的問題、挑戰(zhàn)和未來研究方向。
2024, 46(10): 3879-3889.
doi: 10.11999/JEIT231064
摘要:
針對類增量學(xué)習(xí)(CIL)中的災(zāi)難性遺忘問題，該文提出一種不同類的數(shù)據(jù)流和特征空間雙分離的類增量學(xué)習(xí)算法。雙分離(S2)算法在1次增量任務(wù)中包含2個階段。第1個階段通過分類損失、蒸餾損失和對比損失的綜合約束訓(xùn)練網(wǎng)絡(luò)。根據(jù)模塊功能對各類的數(shù)據(jù)流進行分離，以增強新網(wǎng)絡(luò)對新類別的識別能力。通過對比損失的約束，增大各類數(shù)據(jù)在特征空間中的距離，避免由于舊類樣本的不完備性造成特征空間被新類侵蝕。第2個階段對不均衡的數(shù)據(jù)集進行動態(tài)均衡采樣，利用得到的均衡數(shù)據(jù)集對新網(wǎng)絡(luò)進行動態(tài)微調(diào)。利用實測和仿真數(shù)據(jù)構(gòu)建了一個飛機目標高分辨率距離像增量學(xué)習(xí)數(shù)據(jù)集，實驗結(jié)果表明該算法相比其它幾種對比算法在保持高可塑性的同時，具有更高的穩(wěn)定性，綜合性能更優(yōu)。
針對類增量學(xué)習(xí)(CIL)中的災(zāi)難性遺忘問題，該文提出一種不同類的數(shù)據(jù)流和特征空間雙分離的類增量學(xué)習(xí)算法。雙分離(S2)算法在1次增量任務(wù)中包含2個階段。第1個階段通過分類損失、蒸餾損失和對比損失的綜合約束訓(xùn)練網(wǎng)絡(luò)。根據(jù)模塊功能對各類的數(shù)據(jù)流進行分離，以增強新網(wǎng)絡(luò)對新類別的識別能力。通過對比損失的約束，增大各類數(shù)據(jù)在特征空間中的距離，避免由于舊類樣本的不完備性造成特征空間被新類侵蝕。第2個階段對不均衡的數(shù)據(jù)集進行動態(tài)均衡采樣，利用得到的均衡數(shù)據(jù)集對新網(wǎng)絡(luò)進行動態(tài)微調(diào)。利用實測和仿真數(shù)據(jù)構(gòu)建了一個飛機目標高分辨率距離像增量學(xué)習(xí)數(shù)據(jù)集，實驗結(jié)果表明該算法相比其它幾種對比算法在保持高可塑性的同時，具有更高的穩(wěn)定性，綜合性能更優(yōu)。
2024, 46(10): 3890-3907.
doi: 10.11999/JEIT240138
摘要:
現(xiàn)有合成孔徑雷達(SAR)目標識別方法大多局限于閉集假定，即認為訓(xùn)練模板庫內(nèi)訓(xùn)練目標類別包含全部待測目標類別，不適用于庫內(nèi)已知類和庫外未知新類目標共存的真實開放識別環(huán)境。針對訓(xùn)練模板庫目標類別非完備情況下的SAR目標識別問題，該文提出一種結(jié)合未知類特征生成與分類得分修正的SAR目標開集識別方法。該方法在利用已知類學(xué)習(xí)原型網(wǎng)絡(luò)保證已知類識別精度的基礎(chǔ)上結(jié)合對潛在未知類特征分布的先驗認知，生成未知類特征更新網(wǎng)絡(luò)，進一步保證特征空間中已知類、未知類特征的鑒別性。原型網(wǎng)絡(luò)更新完成后，所提方法挑選各已知類邊界特征，并計算邊界特征到各自類原型的距離(極大距離)，通過極值理論對各已知類極大距離進行概率擬合確定了各已知類最大分布區(qū)域。測試階段在度量待測樣本特征與各已知類原型距離預(yù)測閉集分類得分的基礎(chǔ)上，計算了各距離在對應(yīng)已知類極大距離分布上的概率，并修正閉集分類得分，實現(xiàn)了拒判概率的自動確定?；贛STAR實測數(shù)據(jù)集的實驗結(jié)果表明，所提方法能夠有效表征真實未知類特征分布并提升網(wǎng)絡(luò)特征空間已知類與未知類特征的鑒別性，可同時實現(xiàn)對庫內(nèi)已知類目標的準確識別和對庫外未知類新目標的準確拒判。
現(xiàn)有合成孔徑雷達(SAR)目標識別方法大多局限于閉集假定，即認為訓(xùn)練模板庫內(nèi)訓(xùn)練目標類別包含全部待測目標類別，不適用于庫內(nèi)已知類和庫外未知新類目標共存的真實開放識別環(huán)境。針對訓(xùn)練模板庫目標類別非完備情況下的SAR目標識別問題，該文提出一種結(jié)合未知類特征生成與分類得分修正的SAR目標開集識別方法。該方法在利用已知類學(xué)習(xí)原型網(wǎng)絡(luò)保證已知類識別精度的基礎(chǔ)上結(jié)合對潛在未知類特征分布的先驗認知，生成未知類特征更新網(wǎng)絡(luò)，進一步保證特征空間中已知類、未知類特征的鑒別性。原型網(wǎng)絡(luò)更新完成后，所提方法挑選各已知類邊界特征，并計算邊界特征到各自類原型的距離(極大距離)，通過極值理論對各已知類極大距離進行概率擬合確定了各已知類最大分布區(qū)域。測試階段在度量待測樣本特征與各已知類原型距離預(yù)測閉集分類得分的基礎(chǔ)上，計算了各距離在對應(yīng)已知類極大距離分布上的概率，并修正閉集分類得分，實現(xiàn)了拒判概率的自動確定?；贛STAR實測數(shù)據(jù)集的實驗結(jié)果表明，所提方法能夠有效表征真實未知類特征分布并提升網(wǎng)絡(luò)特征空間已知類與未知類特征的鑒別性，可同時實現(xiàn)對庫內(nèi)已知類目標的準確識別和對庫外未知類新目標的準確拒判。
2024, 46(10): 3908-3917.
doi: 10.11999/JEIT231426
摘要:
開放動態(tài)環(huán)境下目標類別不斷豐富，遙感目標檢測問題不能局限于已知類目標的鑒別，還需要對未知類目標做出有效判決。該文設(shè)計一種基于自適應(yīng)預(yù)篩選的遙感開集目標檢測網(wǎng)絡(luò)，首先，提出面向目標候選框的自適應(yīng)預(yù)篩選模塊，依據(jù)篩選出的候選框坐標得到具有豐富語義信息和空間特征的查詢傳遞至解碼器。然后，結(jié)合原始圖像中目標邊緣信息提出一種偽標簽選取方法，并以開集判決為目的構(gòu)造損失函數(shù)，提高網(wǎng)絡(luò)對未知新類特征的學(xué)習(xí)能力。最后，采用MAR20飛機目標識別數(shù)據(jù)集模擬不同的開放動態(tài)遙感目標檢測環(huán)境，通過廣泛的對比實驗和消融實驗，驗證了該文方法能夠?qū)崿F(xiàn)對已知類目標的可靠檢測和未知類目標的有效檢出。
開放動態(tài)環(huán)境下目標類別不斷豐富，遙感目標檢測問題不能局限于已知類目標的鑒別，還需要對未知類目標做出有效判決。該文設(shè)計一種基于自適應(yīng)預(yù)篩選的遙感開集目標檢測網(wǎng)絡(luò)，首先，提出面向目標候選框的自適應(yīng)預(yù)篩選模塊，依據(jù)篩選出的候選框坐標得到具有豐富語義信息和空間特征的查詢傳遞至解碼器。然后，結(jié)合原始圖像中目標邊緣信息提出一種偽標簽選取方法，并以開集判決為目的構(gòu)造損失函數(shù)，提高網(wǎng)絡(luò)對未知新類特征的學(xué)習(xí)能力。最后，采用MAR20飛機目標識別數(shù)據(jù)集模擬不同的開放動態(tài)遙感目標檢測環(huán)境，通過廣泛的對比實驗和消融實驗，驗證了該文方法能夠?qū)崿F(xiàn)對已知類目標的可靠檢測和未知類目標的有效檢出。
2024, 46(10): 3918-3927.
doi: 10.11999/JEIT240217
摘要:
為了確保合成孔徑雷達(SAR)自動目標識別(ATR)系統(tǒng)能夠迅速適應(yīng)新的應(yīng)用環(huán)境，其必須具備快速學(xué)習(xí)新類的能力。目前的SAR ATR系統(tǒng)在學(xué)習(xí)新類時需要不斷重復(fù)訓(xùn)練所有舊類樣本，這會造成大量存儲資源的浪費，同時識別模型無法快速更新。保留少量的舊類樣例進行后續(xù)的增量訓(xùn)練是模型增量識別的關(guān)鍵。為了解決這個問題，該文提出基于最大化非重合體積的樣例挑選方法(ESMNV)，一種側(cè)重于分布非重合體積的樣例選擇算法。ESMNV將每個已知類的樣例選擇問題轉(zhuǎn)化為分布非重合體積的漸近增長問題，旨在最大化所選樣例的分布的非重合體積。ESMNV利用分布之間的相似性來表示體積之間的差異。首先，ESMNV使用核函數(shù)將目標類別的分布映射到重建核希爾伯特空間(RKHS)，并使用高階矩來表示分布。然后，它使用最大均值差異(MMD)來計算目標類別與所選樣例分布之間的差異。最后，結(jié)合貪心算法，ESMNV逐步選擇使樣例分布與目標類別分布差異最小的樣例，確保在有限數(shù)量的樣例情況下最大化所選樣例的非重合體積。
為了確保合成孔徑雷達(SAR)自動目標識別(ATR)系統(tǒng)能夠迅速適應(yīng)新的應(yīng)用環(huán)境，其必須具備快速學(xué)習(xí)新類的能力。目前的SAR ATR系統(tǒng)在學(xué)習(xí)新類時需要不斷重復(fù)訓(xùn)練所有舊類樣本，這會造成大量存儲資源的浪費，同時識別模型無法快速更新。保留少量的舊類樣例進行后續(xù)的增量訓(xùn)練是模型增量識別的關(guān)鍵。為了解決這個問題，該文提出基于最大化非重合體積的樣例挑選方法(ESMNV)，一種側(cè)重于分布非重合體積的樣例選擇算法。ESMNV將每個已知類的樣例選擇問題轉(zhuǎn)化為分布非重合體積的漸近增長問題，旨在最大化所選樣例的分布的非重合體積。ESMNV利用分布之間的相似性來表示體積之間的差異。首先，ESMNV使用核函數(shù)將目標類別的分布映射到重建核希爾伯特空間(RKHS)，并使用高階矩來表示分布。然后，它使用最大均值差異(MMD)來計算目標類別與所選樣例分布之間的差異。最后，結(jié)合貪心算法，ESMNV逐步選擇使樣例分布與目標類別分布差異最小的樣例，確保在有限數(shù)量的樣例情況下最大化所選樣例的非重合體積。
2024, 46(10): 3928-3935.
doi: 10.11999/JEIT240140
摘要:
在小樣本條件下提升方法的泛化性能，是合成孔徑雷達自動目標識別(SAR ATR)的重要研究方向。針對該方向中的基礎(chǔ)理論問題，該文建立了一個SAR ATR因果模型，證明了SAR圖像中背景、相干斑等干擾在充足樣本條件下可以被忽略；但在小樣本條件下，這些因素將成為識別中的混雜因子，在提取的SAR圖像特征中引入虛假相關(guān)性，影響SAR ATR性能。為了甄別和消除這些特征中的虛假效應(yīng)，該文提出一個基于雙重一致性的小樣本SAR ATR方法，其中雙重一致性包括類內(nèi)一致性掩碼和效應(yīng)一致性損失。首先，基于鑒別特征應(yīng)具有類內(nèi)一致和類間差異的原則，利用類內(nèi)一致性掩碼，捕獲目標的類內(nèi)一致鑒別特征，甄別出目標特征中的混淆部分，準確估計出干擾引入的虛假效應(yīng)。其次，基于不變風(fēng)險最小化的思想，利用效應(yīng)一致性損失，將經(jīng)驗風(fēng)險最小化數(shù)據(jù)量需求轉(zhuǎn)變?yōu)閷π?yīng)相似度的度量需求，降低虛假效應(yīng)消除對數(shù)據(jù)量的需求，消除特征中的虛假效應(yīng)。因而，所提基于雙重一致性的小樣本SAR ATR方法可實現(xiàn)特征提取中的真實因果，實現(xiàn)準確的識別性能。兩個基準數(shù)據(jù)集上的識別實驗，驗證了該方法的合理性和有效性，可提升小樣本條件下SAR目標識別的性能。
在小樣本條件下提升方法的泛化性能，是合成孔徑雷達自動目標識別(SAR ATR)的重要研究方向。針對該方向中的基礎(chǔ)理論問題，該文建立了一個SAR ATR因果模型，證明了SAR圖像中背景、相干斑等干擾在充足樣本條件下可以被忽略；但在小樣本條件下，這些因素將成為識別中的混雜因子，在提取的SAR圖像特征中引入虛假相關(guān)性，影響SAR ATR性能。為了甄別和消除這些特征中的虛假效應(yīng)，該文提出一個基于雙重一致性的小樣本SAR ATR方法，其中雙重一致性包括類內(nèi)一致性掩碼和效應(yīng)一致性損失。首先，基于鑒別特征應(yīng)具有類內(nèi)一致和類間差異的原則，利用類內(nèi)一致性掩碼，捕獲目標的類內(nèi)一致鑒別特征，甄別出目標特征中的混淆部分，準確估計出干擾引入的虛假效應(yīng)。其次，基于不變風(fēng)險最小化的思想，利用效應(yīng)一致性損失，將經(jīng)驗風(fēng)險最小化數(shù)據(jù)量需求轉(zhuǎn)變?yōu)閷π?yīng)相似度的度量需求，降低虛假效應(yīng)消除對數(shù)據(jù)量的需求，消除特征中的虛假效應(yīng)。因而，所提基于雙重一致性的小樣本SAR ATR方法可實現(xiàn)特征提取中的真實因果，實現(xiàn)準確的識別性能。兩個基準數(shù)據(jù)集上的識別實驗，驗證了該方法的合理性和有效性，可提升小樣本條件下SAR目標識別的性能。
2024, 46(10): 3936-3948.
doi: 10.11999/JEIT231470
摘要:
為提升基于深度學(xué)習(xí)(DL)的合成孔徑雷達自動目標識別(SAR ATR)系統(tǒng)在開放動態(tài)的非合作場景中對新類別目標的持續(xù)敏捷識別能力，該文研究了SAR ATR的小樣本類增量學(xué)習(xí)(FSCIL)問題，并提出了自監(jiān)督解耦動態(tài)分類器(SDDC)。針對FSCIL 中“災(zāi)難性遺忘”和“過擬合”本質(zhì)難點和SAR ATR領(lǐng)域挑戰(zhàn)，根據(jù)SAR圖像目標信息的部件化與方位角敏感性特點，于圖像域構(gòu)建了基于散射部件混淆與旋轉(zhuǎn)模塊(SCMR)的自監(jiān)督學(xué)習(xí)任務(wù)，以提升目標表征的泛化性與穩(wěn)健性。同時，設(shè)計了類印記交叉熵(CI-CE)損失并以參數(shù)解耦學(xué)習(xí)(PDL)策略對模型動態(tài)微調(diào)，以對新舊知識平衡判別。實驗在由MSTAR和SAR-AIRcraft-1.0數(shù)據(jù)集分別構(gòu)建的覆蓋多種目標類別、觀測條件和成像平臺的FSCIL場景上驗證了該算法開放動態(tài)環(huán)境的適應(yīng)能力。
為提升基于深度學(xué)習(xí)(DL)的合成孔徑雷達自動目標識別(SAR ATR)系統(tǒng)在開放動態(tài)的非合作場景中對新類別目標的持續(xù)敏捷識別能力，該文研究了SAR ATR的小樣本類增量學(xué)習(xí)(FSCIL)問題，并提出了自監(jiān)督解耦動態(tài)分類器(SDDC)。針對FSCIL 中“災(zāi)難性遺忘”和“過擬合”本質(zhì)難點和SAR ATR領(lǐng)域挑戰(zhàn)，根據(jù)SAR圖像目標信息的部件化與方位角敏感性特點，于圖像域構(gòu)建了基于散射部件混淆與旋轉(zhuǎn)模塊(SCMR)的自監(jiān)督學(xué)習(xí)任務(wù)，以提升目標表征的泛化性與穩(wěn)健性。同時，設(shè)計了類印記交叉熵(CI-CE)損失并以參數(shù)解耦學(xué)習(xí)(PDL)策略對模型動態(tài)微調(diào)，以對新舊知識平衡判別。實驗在由MSTAR和SAR-AIRcraft-1.0數(shù)據(jù)集分別構(gòu)建的覆蓋多種目標類別、觀測條件和成像平臺的FSCIL場景上驗證了該算法開放動態(tài)環(huán)境的適應(yīng)能力。
2024, 46(10): 3949-3956.
doi: 10.11999/JEIT240050
摘要:
無線環(huán)境地圖(REM)是呈現(xiàn)電磁態(tài)勢的一種有效形式，考慮實際觀測的不完整頻譜地圖受到干擾和噪聲污染的問題，該文對頻譜地圖進行重構(gòu)，并在此基礎(chǔ)上完成輻射源識別。首先，將復(fù)雜電磁環(huán)境下的頻譜地圖建模為高維張量，在預(yù)處理中通過線性插值對其初始化補全。然后，使用視覺Transformer模型解決語義分割問題以識別頻譜語義區(qū)域，區(qū)域中僅單一輻射源功率占主導(dǎo)，每個語義張量的低秩性得以保留。提出了一種壓縮式張量分解算法，并采用交替方向乘子法(ADMM)在語義區(qū)域中重構(gòu)期望信號頻譜和干擾；最后，在重構(gòu)的頻譜地圖上檢測未知輻射源的位置。該方法能夠充分利用頻譜數(shù)據(jù)的低秩性，適用于廣域多輻射源個體的電磁場景。實驗結(jié)果表明，所提方法比現(xiàn)有方法具有更優(yōu)的重構(gòu)性能，降低了達到相同頻譜地圖恢復(fù)精度時對觀測樣本比例的要求，并能夠準確檢測輻射源。
無線環(huán)境地圖(REM)是呈現(xiàn)電磁態(tài)勢的一種有效形式，考慮實際觀測的不完整頻譜地圖受到干擾和噪聲污染的問題，該文對頻譜地圖進行重構(gòu)，并在此基礎(chǔ)上完成輻射源識別。首先，將復(fù)雜電磁環(huán)境下的頻譜地圖建模為高維張量，在預(yù)處理中通過線性插值對其初始化補全。然后，使用視覺Transformer模型解決語義分割問題以識別頻譜語義區(qū)域，區(qū)域中僅單一輻射源功率占主導(dǎo)，每個語義張量的低秩性得以保留。提出了一種壓縮式張量分解算法，并采用交替方向乘子法(ADMM)在語義區(qū)域中重構(gòu)期望信號頻譜和干擾；最后，在重構(gòu)的頻譜地圖上檢測未知輻射源的位置。該方法能夠充分利用頻譜數(shù)據(jù)的低秩性，適用于廣域多輻射源個體的電磁場景。實驗結(jié)果表明，所提方法比現(xiàn)有方法具有更優(yōu)的重構(gòu)性能，降低了達到相同頻譜地圖恢復(fù)精度時對觀測樣本比例的要求，并能夠準確檢測輻射源。
2024, 46(10): 3957-3965.
doi: 10.11999/JEIT240100
摘要:
智能干擾是一種利用環(huán)境反饋自主學(xué)習(xí)干擾策略，對敵方通信鏈路進行有效干擾的技術(shù)。然而，現(xiàn)有的智能干擾研究大多假設(shè)干擾機能夠直接獲取通信質(zhì)量反饋(如誤碼率或丟包率)，這在實際對抗環(huán)境中難以實現(xiàn)，限制了智能干擾的應(yīng)用范圍。為了解決這一問題，該文將通信干擾問題建模為馬爾科夫決策過程(MDP)，綜合考慮干擾基本原則和通信目標行為變化制定干擾效能衡量指標，提出了一種改進的策略爬山算法(IPHC)。該算法按照“觀察(Observe)-調(diào)整(Orient)-決策(Decide)-行動(Act)”的OODA閉環(huán)，實時觀察通信目標變化，靈活調(diào)整干擾策略，運用混合策略決策，實施通信干擾。仿真結(jié)果表明，在通信目標采用確定性規(guī)避策略時，所提算法能夠較快收斂到最優(yōu)干擾策略，并且其收斂耗時較Q-learning算法至少縮短2/3；當(dāng)通信目標變換策略時，能夠自適應(yīng)學(xué)習(xí)，重新調(diào)整到最優(yōu)干擾策略。在通信目標采用混合性規(guī)避策略時，所提算法也能夠快速收斂，取得較優(yōu)的干擾效果。
智能干擾是一種利用環(huán)境反饋自主學(xué)習(xí)干擾策略，對敵方通信鏈路進行有效干擾的技術(shù)。然而，現(xiàn)有的智能干擾研究大多假設(shè)干擾機能夠直接獲取通信質(zhì)量反饋(如誤碼率或丟包率)，這在實際對抗環(huán)境中難以實現(xiàn)，限制了智能干擾的應(yīng)用范圍。為了解決這一問題，該文將通信干擾問題建模為馬爾科夫決策過程(MDP)，綜合考慮干擾基本原則和通信目標行為變化制定干擾效能衡量指標，提出了一種改進的策略爬山算法(IPHC)。該算法按照“觀察(Observe)-調(diào)整(Orient)-決策(Decide)-行動(Act)”的OODA閉環(huán)，實時觀察通信目標變化，靈活調(diào)整干擾策略，運用混合策略決策，實施通信干擾。仿真結(jié)果表明，在通信目標采用確定性規(guī)避策略時，所提算法能夠較快收斂到最優(yōu)干擾策略，并且其收斂耗時較Q-learning算法至少縮短2/3；當(dāng)通信目標變換策略時，能夠自適應(yīng)學(xué)習(xí)，重新調(diào)整到最優(yōu)干擾策略。在通信目標采用混合性規(guī)避策略時，所提算法也能夠快速收斂，取得較優(yōu)的干擾效果。
2024, 46(10): 3966-3978.
doi: 10.11999/JEIT240171
摘要:
受輻射源硬件失真和接收機硬件失真的耦合作用，實際接收信號中帶有當(dāng)前輻射源系統(tǒng)和接收系統(tǒng)共同的“個體信息”，導(dǎo)致輻射源指紋識別技術(shù)(RFF)在跨接收系統(tǒng)場景下無法通用。為消除接收機染色效應(yīng)，該文將接收機影響作為單獨作用域，提出一種基于接收域分離的跨接收系統(tǒng)通用性輻射源指紋識別方法。該方法通過雙標簽多通道特征聯(lián)合和域分離對抗重構(gòu)方式實現(xiàn)信號中輻射源指紋作用域與接收機染色作用域分離，利用多部接收機數(shù)據(jù)預(yù)先訓(xùn)練網(wǎng)絡(luò)對兩種作用域的分離能力，聚焦輻射源指紋信息提取，從而提升輻射源指紋識別技術(shù)在跨平臺跨接收系統(tǒng)、更新接收設(shè)備等場景下的適應(yīng)能力。相比于直接特征提取和多接收機打包訓(xùn)練方式，所提方法能夠真正適應(yīng)實際無監(jiān)督場景，且參與訓(xùn)練的源域接收機數(shù)目越多，域適應(yīng)效果越好，不需要重復(fù)訓(xùn)練即可直接推廣應(yīng)用于新接收系統(tǒng)，具有較高的實際應(yīng)用價值。
受輻射源硬件失真和接收機硬件失真的耦合作用，實際接收信號中帶有當(dāng)前輻射源系統(tǒng)和接收系統(tǒng)共同的“個體信息”，導(dǎo)致輻射源指紋識別技術(shù)(RFF)在跨接收系統(tǒng)場景下無法通用。為消除接收機染色效應(yīng)，該文將接收機影響作為單獨作用域，提出一種基于接收域分離的跨接收系統(tǒng)通用性輻射源指紋識別方法。該方法通過雙標簽多通道特征聯(lián)合和域分離對抗重構(gòu)方式實現(xiàn)信號中輻射源指紋作用域與接收機染色作用域分離，利用多部接收機數(shù)據(jù)預(yù)先訓(xùn)練網(wǎng)絡(luò)對兩種作用域的分離能力，聚焦輻射源指紋信息提取，從而提升輻射源指紋識別技術(shù)在跨平臺跨接收系統(tǒng)、更新接收設(shè)備等場景下的適應(yīng)能力。相比于直接特征提取和多接收機打包訓(xùn)練方式，所提方法能夠真正適應(yīng)實際無監(jiān)督場景，且參與訓(xùn)練的源域接收機數(shù)目越多，域適應(yīng)效果越好，不需要重復(fù)訓(xùn)練即可直接推廣應(yīng)用于新接收系統(tǒng)，具有較高的實際應(yīng)用價值。
2024, 46(10): 3979-4001.
doi: 10.11999/JEIT240172
摘要:
深度學(xué)習(xí)的發(fā)展推動了高精度遙感圖像智能解譯模型的涌現(xiàn)。然而，目前遙感智能解譯模型大多基于預(yù)先定義的靜態(tài)數(shù)據(jù)集獨立訓(xùn)練，難以適應(yīng)環(huán)境開放和需求動態(tài)的實際應(yīng)用，嚴重阻礙了遙感智能解譯模型的廣域和長期運用。增量學(xué)習(xí)能使模型持續(xù)學(xué)習(xí)新知識，并保持對舊知識的記憶，近年來，被廣泛應(yīng)用于推動遙感智能解譯模型演化、提升模型智能解譯性能。該文面向多模態(tài)遙感數(shù)據(jù)、不同類型解譯任務(wù)，全面調(diào)研了遙感圖像智能解譯增量學(xué)習(xí)方法，從遺忘問題解決思路、解譯模型進化應(yīng)用兩個層面梳理了現(xiàn)有研究工作。在此基礎(chǔ)上，從促進遙感圖像解譯模型進化研究的角度，展望和討論了遙感領(lǐng)域增量學(xué)習(xí)的未來研究方向。
深度學(xué)習(xí)的發(fā)展推動了高精度遙感圖像智能解譯模型的涌現(xiàn)。然而，目前遙感智能解譯模型大多基于預(yù)先定義的靜態(tài)數(shù)據(jù)集獨立訓(xùn)練，難以適應(yīng)環(huán)境開放和需求動態(tài)的實際應(yīng)用，嚴重阻礙了遙感智能解譯模型的廣域和長期運用。增量學(xué)習(xí)能使模型持續(xù)學(xué)習(xí)新知識，并保持對舊知識的記憶，近年來，被廣泛應(yīng)用于推動遙感智能解譯模型演化、提升模型智能解譯性能。該文面向多模態(tài)遙感數(shù)據(jù)、不同類型解譯任務(wù)，全面調(diào)研了遙感圖像智能解譯增量學(xué)習(xí)方法，從遺忘問題解決思路、解譯模型進化應(yīng)用兩個層面梳理了現(xiàn)有研究工作。在此基礎(chǔ)上，從促進遙感圖像解譯模型進化研究的角度，展望和討論了遙感領(lǐng)域增量學(xué)習(xí)的未來研究方向。
2024, 46(10): 4002-4008.
doi: 10.11999/JEIT240584
摘要:
大規(guī)模機器類通信 (mMTC) 是第5代移動通信系統(tǒng)的重要應(yīng)用場景之一，可實現(xiàn)每平方公里近百萬級設(shè)備的連接?？紤]到mMTC傳播環(huán)境的復(fù)雜性，該文引入可重構(gòu)智能超表面 (RIS) 進行上行免授權(quán)的傳輸，由此級聯(lián)形成用戶與RIS、RIS與基站 (BS) 之間的信道鏈路，從而有效控制無線信號傳輸?shù)馁|(zhì)量。在此基礎(chǔ)上，建立Turbo譯碼消息傳遞思想下的降噪學(xué)習(xí)系統(tǒng)，通過大量的訓(xùn)練數(shù)據(jù)，以學(xué)習(xí)RIS輔助的級聯(lián)信道狀態(tài)信息，并對其進行估計。此外，該文對RIS輔助的mMTC信道估計結(jié)果進行了統(tǒng)計分析，以驗證所提方案的準確性。數(shù)值仿真結(jié)果和理論分析結(jié)果表明，該文方法優(yōu)于其他壓縮感知類的方法。
大規(guī)模機器類通信 (mMTC) 是第5代移動通信系統(tǒng)的重要應(yīng)用場景之一，可實現(xiàn)每平方公里近百萬級設(shè)備的連接?？紤]到mMTC傳播環(huán)境的復(fù)雜性，該文引入可重構(gòu)智能超表面 (RIS) 進行上行免授權(quán)的傳輸，由此級聯(lián)形成用戶與RIS、RIS與基站 (BS) 之間的信道鏈路，從而有效控制無線信號傳輸?shù)馁|(zhì)量。在此基礎(chǔ)上，建立Turbo譯碼消息傳遞思想下的降噪學(xué)習(xí)系統(tǒng)，通過大量的訓(xùn)練數(shù)據(jù)，以學(xué)習(xí)RIS輔助的級聯(lián)信道狀態(tài)信息，并對其進行估計。此外，該文對RIS輔助的mMTC信道估計結(jié)果進行了統(tǒng)計分析，以驗證所提方案的準確性。數(shù)值仿真結(jié)果和理論分析結(jié)果表明，該文方法優(yōu)于其他壓縮感知類的方法。
2024, 46(10): 4009-4016.
doi: 10.11999/JEIT240048
摘要:
該文研究了無人機(UAV)輔助無線傳感器網(wǎng)絡(luò)的數(shù)據(jù)收集問題。首先提出基于均值漂移算法的傳感器節(jié)點(SN)初始分簇策略，進而以簇間負載均衡為目標，設(shè)計SN切換算法?；谒贸纱夭呗?，將UAV數(shù)據(jù)收集及軌跡規(guī)劃問題建模為系統(tǒng)能耗最小化問題。由于該問題是一個非凸問題，難以直接求解，將其分為兩個子問題，即數(shù)據(jù)調(diào)度子問題及UAV軌跡規(guī)劃子問題。針對數(shù)據(jù)調(diào)度子問題，提出一種基于多時隙庫恩-蒙克雷斯算法的時頻資源調(diào)度策略。針對UAV軌跡規(guī)劃子問題，將其建模為馬爾可夫決策過程，并提出一種基于深度Q網(wǎng)絡(luò)的UAV軌跡規(guī)劃算法。仿真結(jié)果驗證了所提算法的有效性。
該文研究了無人機(UAV)輔助無線傳感器網(wǎng)絡(luò)的數(shù)據(jù)收集問題。首先提出基于均值漂移算法的傳感器節(jié)點(SN)初始分簇策略，進而以簇間負載均衡為目標，設(shè)計SN切換算法?；谒贸纱夭呗?，將UAV數(shù)據(jù)收集及軌跡規(guī)劃問題建模為系統(tǒng)能耗最小化問題。由于該問題是一個非凸問題，難以直接求解，將其分為兩個子問題，即數(shù)據(jù)調(diào)度子問題及UAV軌跡規(guī)劃子問題。針對數(shù)據(jù)調(diào)度子問題，提出一種基于多時隙庫恩-蒙克雷斯算法的時頻資源調(diào)度策略。針對UAV軌跡規(guī)劃子問題，將其建模為馬爾可夫決策過程，并提出一種基于深度Q網(wǎng)絡(luò)的UAV軌跡規(guī)劃算法。仿真結(jié)果驗證了所提算法的有效性。
2024, 46(10): 4017-4023.
doi: 10.11999/JEIT230879
摘要:
面向強干擾通信環(huán)境，區(qū)別于傳統(tǒng)的無速率Luby變換(LT)碼，該文提出一種基于伯努利隨機構(gòu)造的無速率編碼方案，并在接收端采用高效的局部約束順序統(tǒng)計量譯碼(LC-OSD)算法進行譯碼，從而有效對抗強干擾噪聲，實現(xiàn)自適應(yīng)超高可靠傳輸。為降低收發(fā)端通信資源消耗，提出了3個有效譯碼準則：(1) 基于隨機碼并集(RCU)界提出的啟動準則，當(dāng)接收符號數(shù)大于由RCU得到的閾值時才啟動譯碼；(2) 基于軟重量提出的早停準則，在譯碼過程中軟重量超過一個預(yù)設(shè)的閾值則提前終止譯碼；(3) 基于碼字與硬判決序列比較提出的跳過準則，當(dāng)新接收序列的硬判決滿足重編碼校驗時跳過當(dāng)前譯碼。仿真結(jié)果顯示，在塊刪除與加性噪聲混合信道下，無速率隨機碼的性能顯著優(yōu)于LT碼，且因無速率碼具備自適應(yīng)信道質(zhì)量的能力，其性能同樣顯著優(yōu)于固定速率碼。仿真結(jié)果還顯示了提出的啟動、早停和跳過準則能夠有效降低收發(fā)端的傳輸資源消耗和計算復(fù)雜度。
面向強干擾通信環(huán)境，區(qū)別于傳統(tǒng)的無速率Luby變換(LT)碼，該文提出一種基于伯努利隨機構(gòu)造的無速率編碼方案，并在接收端采用高效的局部約束順序統(tǒng)計量譯碼(LC-OSD)算法進行譯碼，從而有效對抗強干擾噪聲，實現(xiàn)自適應(yīng)超高可靠傳輸。為降低收發(fā)端通信資源消耗，提出了3個有效譯碼準則：(1) 基于隨機碼并集(RCU)界提出的啟動準則，當(dāng)接收符號數(shù)大于由RCU得到的閾值時才啟動譯碼；(2) 基于軟重量提出的早停準則，在譯碼過程中軟重量超過一個預(yù)設(shè)的閾值則提前終止譯碼；(3) 基于碼字與硬判決序列比較提出的跳過準則，當(dāng)新接收序列的硬判決滿足重編碼校驗時跳過當(dāng)前譯碼。仿真結(jié)果顯示，在塊刪除與加性噪聲混合信道下，無速率隨機碼的性能顯著優(yōu)于LT碼，且因無速率碼具備自適應(yīng)信道質(zhì)量的能力，其性能同樣顯著優(yōu)于固定速率碼。仿真結(jié)果還顯示了提出的啟動、早停和跳過準則能夠有效降低收發(fā)端的傳輸資源消耗和計算復(fù)雜度。
2024, 46(10): 4024-4034.
doi: 10.11999/JEIT240075
摘要:
信息年齡(AoI)是評價無線傳感器網(wǎng)絡(luò)(WSN)數(shù)據(jù)時效性的重要指標，無人機輔助WSN數(shù)據(jù)采集過程中采用優(yōu)化飛行軌跡、提升速度等運動策略保障卸載至基站的數(shù)據(jù)滿足各節(jié)點AoI限制。然而，不合理的運動策略易導(dǎo)致無人機因飛行距離過長、速度過快產(chǎn)生非必要能耗，造成數(shù)據(jù)采集任務(wù)失敗。針對該問題，該文首先提出信息年齡約束的無人機數(shù)據(jù)采集能耗優(yōu)化路徑規(guī)劃問題并進行數(shù)學(xué)建模；其次，設(shè)計一種協(xié)同混合近端策略優(yōu)化(CH-PPO)強化學(xué)習(xí)算法，同時規(guī)劃無人機對傳感器節(jié)點或基站的訪問次序、懸停位置和飛行速度，在滿足各傳感器節(jié)點信息年齡約束的同時，最大限度地減少無人機能量消耗。再次，設(shè)計一種融合離散和連續(xù)策略的損失函數(shù)，增強CH-PPO算法動作的合理性，提升其訓(xùn)練效果。仿真實驗結(jié)果顯示，CH-PPO算法在無人機能量消耗以及影響該指標因素的比較中均優(yōu)于對比的3種強化學(xué)習(xí)算法，并具有良好的收斂性、穩(wěn)定性和魯棒性。
信息年齡(AoI)是評價無線傳感器網(wǎng)絡(luò)(WSN)數(shù)據(jù)時效性的重要指標，無人機輔助WSN數(shù)據(jù)采集過程中采用優(yōu)化飛行軌跡、提升速度等運動策略保障卸載至基站的數(shù)據(jù)滿足各節(jié)點AoI限制。然而，不合理的運動策略易導(dǎo)致無人機因飛行距離過長、速度過快產(chǎn)生非必要能耗，造成數(shù)據(jù)采集任務(wù)失敗。針對該問題，該文首先提出信息年齡約束的無人機數(shù)據(jù)采集能耗優(yōu)化路徑規(guī)劃問題并進行數(shù)學(xué)建模；其次，設(shè)計一種協(xié)同混合近端策略優(yōu)化(CH-PPO)強化學(xué)習(xí)算法，同時規(guī)劃無人機對傳感器節(jié)點或基站的訪問次序、懸停位置和飛行速度，在滿足各傳感器節(jié)點信息年齡約束的同時，最大限度地減少無人機能量消耗。再次，設(shè)計一種融合離散和連續(xù)策略的損失函數(shù)，增強CH-PPO算法動作的合理性，提升其訓(xùn)練效果。仿真實驗結(jié)果顯示，CH-PPO算法在無人機能量消耗以及影響該指標因素的比較中均優(yōu)于對比的3種強化學(xué)習(xí)算法，并具有良好的收斂性、穩(wěn)定性和魯棒性。
2024, 46(10): 4035-4043.
doi: 10.11999/JEIT240013
摘要:
傳統(tǒng)的組網(wǎng)雷達多目標誤差配準方法通常假設(shè)數(shù)據(jù)關(guān)聯(lián)關(guān)系已知，但在平臺機動的情況下，系統(tǒng)同時存在雷達測量偏差和平臺姿態(tài)角偏差，且雷達觀測過程中會受到雜波干擾，導(dǎo)致數(shù)據(jù)關(guān)聯(lián)尤為困難。針對這一問題，該文提出一種基于伯努利濾波的多目標機動雷達誤差配準方法。首先建立系統(tǒng)偏差的量測與狀態(tài)方程，然后將系統(tǒng)偏差建模成伯努利隨機有限集，利用公共坐標系下的原始量測可實現(xiàn)系統(tǒng)偏差在伯努利濾波框架下的遞推估計，有效避免了數(shù)據(jù)關(guān)聯(lián)問題。同時，為了充分利用多目標量測信息，提出一種修正的貪婪量測劃分方法，在每個濾波時刻挑選出系統(tǒng)偏差對應(yīng)的最優(yōu)量測子集，利用量測子集中的多量測信息實現(xiàn)系統(tǒng)偏差的集中式融合估計，提高了系統(tǒng)偏差的估計精度和收斂速度。仿真實驗表明，所提方法能夠在數(shù)據(jù)關(guān)聯(lián)未知的多目標多雜波場景下對雷達測量偏差和平臺姿態(tài)角偏差進行有效估計，在平臺姿態(tài)角變化率較低時，所提方法具有較強的適應(yīng)性。
傳統(tǒng)的組網(wǎng)雷達多目標誤差配準方法通常假設(shè)數(shù)據(jù)關(guān)聯(lián)關(guān)系已知，但在平臺機動的情況下，系統(tǒng)同時存在雷達測量偏差和平臺姿態(tài)角偏差，且雷達觀測過程中會受到雜波干擾，導(dǎo)致數(shù)據(jù)關(guān)聯(lián)尤為困難。針對這一問題，該文提出一種基于伯努利濾波的多目標機動雷達誤差配準方法。首先建立系統(tǒng)偏差的量測與狀態(tài)方程，然后將系統(tǒng)偏差建模成伯努利隨機有限集，利用公共坐標系下的原始量測可實現(xiàn)系統(tǒng)偏差在伯努利濾波框架下的遞推估計，有效避免了數(shù)據(jù)關(guān)聯(lián)問題。同時，為了充分利用多目標量測信息，提出一種修正的貪婪量測劃分方法，在每個濾波時刻挑選出系統(tǒng)偏差對應(yīng)的最優(yōu)量測子集，利用量測子集中的多量測信息實現(xiàn)系統(tǒng)偏差的集中式融合估計，提高了系統(tǒng)偏差的估計精度和收斂速度。仿真實驗表明，所提方法能夠在數(shù)據(jù)關(guān)聯(lián)未知的多目標多雜波場景下對雷達測量偏差和平臺姿態(tài)角偏差進行有效估計，在平臺姿態(tài)角變化率較低時，所提方法具有較強的適應(yīng)性。
2024, 46(10): 4044-4052.
doi: 10.11999/JEIT231348
摘要:
針對通信輻射源指紋特征難以提取和單一特征識別率不高的問題，并考慮到通信輻射源細微特征的非線性、非平穩(wěn)特點，該文提出了一種基于改進變分模態(tài)分解和多特征的通信輻射源個體識別方法。首先，為了獲得變分模態(tài)分解的分解層數(shù)和懲罰因子的最優(yōu)組合，采用鯨魚優(yōu)化算法對通信輻射源符號波形信號的變分模態(tài)分解方法進行了改進，該方法以序列復(fù)雜度為停止準則，使每個符號波形信號能夠自適應(yīng)地分解出包含非線性指紋特征的高頻信號分量和數(shù)據(jù)信息的低頻分量；然后，根據(jù)相關(guān)閾值選取能夠最佳表征輻射源非線性特征的高頻信號分量層數(shù)，分別對其提取模糊熵、排列熵、Higuchi維數(shù)以及Katz維數(shù)并組成多域聯(lián)合特征向量；最后，通過卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)通信輻射源個體識別分類，利用ORACLE公開數(shù)據(jù)集進行實驗。實驗結(jié)果表明：該方法有較高的識別精度且具有良好的抗噪聲性能。
針對通信輻射源指紋特征難以提取和單一特征識別率不高的問題，并考慮到通信輻射源細微特征的非線性、非平穩(wěn)特點，該文提出了一種基于改進變分模態(tài)分解和多特征的通信輻射源個體識別方法。首先，為了獲得變分模態(tài)分解的分解層數(shù)和懲罰因子的最優(yōu)組合，采用鯨魚優(yōu)化算法對通信輻射源符號波形信號的變分模態(tài)分解方法進行了改進，該方法以序列復(fù)雜度為停止準則，使每個符號波形信號能夠自適應(yīng)地分解出包含非線性指紋特征的高頻信號分量和數(shù)據(jù)信息的低頻分量；然后，根據(jù)相關(guān)閾值選取能夠最佳表征輻射源非線性特征的高頻信號分量層數(shù)，分別對其提取模糊熵、排列熵、Higuchi維數(shù)以及Katz維數(shù)并組成多域聯(lián)合特征向量；最后，通過卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)通信輻射源個體識別分類，利用ORACLE公開數(shù)據(jù)集進行實驗。實驗結(jié)果表明：該方法有較高的識別精度且具有良好的抗噪聲性能。
2024, 46(10): 4053-4061.
doi: 10.11999/JEIT240067
摘要:
導(dǎo)航信號認證服務(wù)處于初步部署階段，認證信號對地覆蓋重數(shù)無法滿足獨立定位授時需求，現(xiàn)有研究對這一階段利用部分通過認證的信號，即可信信號，實現(xiàn)欺騙檢測的方法關(guān)注度較低。針對這一現(xiàn)狀，該文根據(jù)欺騙攻擊原理，提出以可信信號為基準，基于可信信號偽距殘差的欺騙檢測方法，建立該場景下的欺騙檢測模型，并分析影響所提方法檢測性能的因素。經(jīng)過仿真，在可信衛(wèi)星數(shù)目為3顆、用戶定位精度約10 m條件下，當(dāng)欺騙導(dǎo)致的定位偏差為100 m時，該方法的平均欺騙檢測概率可達0.96。此外，該文對算法欺騙檢測盲區(qū)進行了分析，證明所提算法對于絕大部分欺騙導(dǎo)致的定位結(jié)果均有效。
導(dǎo)航信號認證服務(wù)處于初步部署階段，認證信號對地覆蓋重數(shù)無法滿足獨立定位授時需求，現(xiàn)有研究對這一階段利用部分通過認證的信號，即可信信號，實現(xiàn)欺騙檢測的方法關(guān)注度較低。針對這一現(xiàn)狀，該文根據(jù)欺騙攻擊原理，提出以可信信號為基準，基于可信信號偽距殘差的欺騙檢測方法，建立該場景下的欺騙檢測模型，并分析影響所提方法檢測性能的因素。經(jīng)過仿真，在可信衛(wèi)星數(shù)目為3顆、用戶定位精度約10 m條件下，當(dāng)欺騙導(dǎo)致的定位偏差為100 m時，該方法的平均欺騙檢測概率可達0.96。此外，該文對算法欺騙檢測盲區(qū)進行了分析，證明所提算法對于絕大部分欺騙導(dǎo)致的定位結(jié)果均有效。
2024, 46(10): 4062-4071.
doi: 10.11999/JEIT231025
摘要:
步態(tài)識別易受相機視角、服裝和攜帶物等外界因素影響而性能下降。為此，該文將非剛性點集配準引入步態(tài)識別，利用相鄰步態(tài)幀之間的形變場表征行走過程中人體輪廓發(fā)生的位移量，從而提升對人體形態(tài)變化的動態(tài)感知能力。在此基礎(chǔ)上，該文提出一種基于人體輪廓形變場的雙流卷積神經(jīng)網(wǎng)絡(luò)GaitDef，該網(wǎng)絡(luò)模型由形變場和步態(tài)剪影兩路特征提取分支構(gòu)成。針對形變場數(shù)據(jù)的稀疏性設(shè)計多尺度特征提取模塊，以獲取形變場的多層次空間結(jié)構(gòu)信息。針對步態(tài)剪影提出動態(tài)差異捕捉模塊和上下文信息增強模塊，以捕捉動態(tài)區(qū)域的變化特性和利用上下文信息增強步態(tài)表征能力。雙分支網(wǎng)絡(luò)的輸出特征經(jīng)過特征融合得到最終的步態(tài)表示。大量實驗結(jié)果表明了該文方法的有效性，在CASIA-B和CCPG數(shù)據(jù)集上，該文方法的平均Rank-1準確率分別能達到93.5%和68.3%。
步態(tài)識別易受相機視角、服裝和攜帶物等外界因素影響而性能下降。為此，該文將非剛性點集配準引入步態(tài)識別，利用相鄰步態(tài)幀之間的形變場表征行走過程中人體輪廓發(fā)生的位移量，從而提升對人體形態(tài)變化的動態(tài)感知能力。在此基礎(chǔ)上，該文提出一種基于人體輪廓形變場的雙流卷積神經(jīng)網(wǎng)絡(luò)GaitDef，該網(wǎng)絡(luò)模型由形變場和步態(tài)剪影兩路特征提取分支構(gòu)成。針對形變場數(shù)據(jù)的稀疏性設(shè)計多尺度特征提取模塊，以獲取形變場的多層次空間結(jié)構(gòu)信息。針對步態(tài)剪影提出動態(tài)差異捕捉模塊和上下文信息增強模塊，以捕捉動態(tài)區(qū)域的變化特性和利用上下文信息增強步態(tài)表征能力。雙分支網(wǎng)絡(luò)的輸出特征經(jīng)過特征融合得到最終的步態(tài)表示。大量實驗結(jié)果表明了該文方法的有效性，在CASIA-B和CCPG數(shù)據(jù)集上，該文方法的平均Rank-1準確率分別能達到93.5%和68.3%。
2024, 46(10): 4072-4080.
doi: 10.11999/JEIT240082
摘要:
CMOS尺寸的大幅縮小引發(fā)電路可靠性問題。該文介紹了兩種高可靠的基于設(shè)計的抗輻射加固(RHBD)10T和12T抗輻射加固技術(shù)(SRAM)單元，它們可以防護單節(jié)點翻轉(zhuǎn)(SNU)和雙節(jié)點翻轉(zhuǎn)(DNU)。10T單元主要由兩個交叉耦合的輸入分離反相器組成，該單元可以通過其內(nèi)部節(jié)點之間的反饋機制穩(wěn)定地保持存儲的值。由于僅使用少量晶體管，因此其在面積和功耗方面開銷也較低?；?0T單元，提出了使用4個并行存取訪問管的12T單元。與10T單元相比，12T單元的讀/寫訪問時間更短，且具有相同的容錯能力。仿真結(jié)果表明，所提單元可以從任意SNU和部分DNU中恢復(fù)。此外，與先進的加固SRAM單元相比，所提RHBD 12T單元平均可以節(jié)省16.8%的寫訪問時間、56.4%的讀訪問時間和10.2%的功耗，而平均犧牲了5.32%的硅面積。
CMOS尺寸的大幅縮小引發(fā)電路可靠性問題。該文介紹了兩種高可靠的基于設(shè)計的抗輻射加固(RHBD)10T和12T抗輻射加固技術(shù)(SRAM)單元，它們可以防護單節(jié)點翻轉(zhuǎn)(SNU)和雙節(jié)點翻轉(zhuǎn)(DNU)。10T單元主要由兩個交叉耦合的輸入分離反相器組成，該單元可以通過其內(nèi)部節(jié)點之間的反饋機制穩(wěn)定地保持存儲的值。由于僅使用少量晶體管，因此其在面積和功耗方面開銷也較低?；?0T單元，提出了使用4個并行存取訪問管的12T單元。與10T單元相比，12T單元的讀/寫訪問時間更短，且具有相同的容錯能力。仿真結(jié)果表明，所提單元可以從任意SNU和部分DNU中恢復(fù)。此外，與先進的加固SRAM單元相比，所提RHBD 12T單元平均可以節(jié)省16.8%的寫訪問時間、56.4%的讀訪問時間和10.2%的功耗，而平均犧牲了5.32%的硅面積。
