LPI雷达信号智能识别关键技术研究
这是一篇关于雷达信号识别,时频分析,卷积神经网络,稀疏矩阵,FPGA加速的论文, 主要内容为在现代战争中,雷达信号识别作为电子侦察系统中的重要组成部分,受到广泛关注。传统的雷达信号识别方法识别率低,对信噪比变化敏感,特别是随着武器装备电子化程度的不断提高,以低截获概率(Low Probability of Intercept,LPI)雷达为代表的新型体制雷达的大量运用,使得传统雷达信号识别方法的弊端更加突显。近些年,人工智能算法研究的不断深入,以及各种加速计算芯片的快速发展,给雷达信号识别提供了一种新的方法。本文主要围绕LPI雷达信号智能识别关键技术展开深入研究,具体的研究工作如下:(1)针对传统雷达信号识别方法在低信噪比下识别率低的问题,并结合神经网络的优势,本文提出一种针对冲击噪声背景下基于卷积神经网络(Convolutional Neural Network,CNN)的LPI雷达信号智能识别算法。该算法首先对雷达信号进行时频分析,得到时频图,然后使用CNN对时频图进行识别,进而得到雷达信号的调制方式。实验结果表明,本文提出的CNN模型识准确率在略低于Google Net模型的情况下,复杂度远小于Google Net模型,更有利于在嵌入式设备上实现。(2)针对时频分析运算量大、软件计算耗时长的问题,本文提出一种基于现场可编程门阵列(Field Programmable Gate Array,FPGA)的Choi-Williams分布(CWD)时频分析算法硬件加速方案。该方案在不显著降低运算精度的情况下,可大大提高时频分析的运算速度。实验结果表明,该硬件加速方案的计算速度相比软件计算提高了49.29倍。(3)针对机载、弹载侦察设备对实时性、低功耗及小型化要求高的问题,本文使用FPGA对压缩后的CNN进行加速计算,设计了一种基于稀疏矩阵的CNN硬件加速架构。与基于脉动阵列的FPGA卷积神经网络加速架构相比,本文的加速架构在使用相同乘法器硬件资源的情况下,最大可提供约4倍的加速性能提升。并且整体的计算性能是酷睿7代i5 CPU的1.63倍,酷睿10代i7 CPU的0.66倍,能量效率是酷睿7代i5 CPU的7.88倍,酷睿10代i7 CPU的3.2倍。
基于时频分析与深度学习的滚动轴承剩余寿命预测
这是一篇关于滚动轴承剩余使用寿命预测,时频分析,卷积神经网络,循环神经网络,注意力机制,KMeans聚类的论文, 主要内容为轴承作为机械设备中的重要组成部分,可以通过提前准确的预测滚动轴承的剩余使用寿命(Remaining Useful Life RUL)避免轴承失效导致机械设备出现故障,确保工业生产的安全。机械设备在运转过程中,轴承振动信号的收集与传递非常容易受到背景噪声的影响,所以收集到的振动数据往往是非平稳、非线性的,因此本文利用了不同的时频分析方法提取轴承原始振动数据中的时频退化特征。在对轴承的退化趋势进行预测建模时,传统的物理或数学模型无法建立一个面向实际的统一模型,因此本文利用了深度学习网络构建了预测模型,主要研究内容如下:(1)提出了基于暂态提取变换(Transient-Extracting Transform,TET)的图像化退化数据特征构建与基于卷积神经网络(Convolutional Neural Network,CNN)和双向长短记忆网络(Bi-directional Long Short-Term Memory,BILSTM)的轴承RUL预测网络。首先,针对轴承原始振动数据非平稳、非线性的特点,利用暂态特征变换提取原始振动信号的时频特征,并变换为时频图。并对时频图中能量分布与变化的分析,针对时频图的混叠问题,采用数据重排、双线性插值与通道拼接降低了混叠现象;其次,搭建了CNN退化特征提取网络,自动提取退化数据的空间相关性特征;然后为了得到退化特征间的时序关系,使用BILSTM进一步计算退化特征并得到预测健康因子(Health Indicator,HI);最后,采用线性拟合回归所有的HI得到轴承的RUL。在轴承数据集PHM2012与XJTU-SY的预测结果表明,本文提出的RUL预测模型可以有效预测轴承剩余使用寿命。(2)提出了基于深度堆叠自编码器(Auto-Encode,AE)与KMeans算法的轴承健康阶段(Health Stage,HS)划分模型和基于注意力机制的残差深度卷积RUL预测网络。首先,采用连续小波变换(Continuous Wavelet Transform,CWT)提取轴承的时频特征,并针对神经网络对轴承时频特征在空间与通道两个维度下的退化信息利用不足,以Res Net18为骨干构建了一种基于注意力的残差深度卷积网络;其次,针对在RUL预测过程中使用大量轴承健康阶段数据会造成预测结果偏离退化趋势,造成预测精度下降,本文采用深度AE与KMeans算法构建了轴承HS划分模型,将轴承整个运行周期划分为4个运行阶段;最后,使用训练好的预测网络对测试集的不健康数据进行HI预测,通过数据平滑与最优回归拟合实现轴承RUL预测。在PHM2012数据集上的实验仿真表明,本文提出的轴承HS划分与预测网络不仅可以有效的划分出轴承健康与不健康的运行数据,而且有效的提升了RUL预测精度。
LPI雷达信号智能识别关键技术研究
这是一篇关于雷达信号识别,时频分析,卷积神经网络,稀疏矩阵,FPGA加速的论文, 主要内容为在现代战争中,雷达信号识别作为电子侦察系统中的重要组成部分,受到广泛关注。传统的雷达信号识别方法识别率低,对信噪比变化敏感,特别是随着武器装备电子化程度的不断提高,以低截获概率(Low Probability of Intercept,LPI)雷达为代表的新型体制雷达的大量运用,使得传统雷达信号识别方法的弊端更加突显。近些年,人工智能算法研究的不断深入,以及各种加速计算芯片的快速发展,给雷达信号识别提供了一种新的方法。本文主要围绕LPI雷达信号智能识别关键技术展开深入研究,具体的研究工作如下:(1)针对传统雷达信号识别方法在低信噪比下识别率低的问题,并结合神经网络的优势,本文提出一种针对冲击噪声背景下基于卷积神经网络(Convolutional Neural Network,CNN)的LPI雷达信号智能识别算法。该算法首先对雷达信号进行时频分析,得到时频图,然后使用CNN对时频图进行识别,进而得到雷达信号的调制方式。实验结果表明,本文提出的CNN模型识准确率在略低于Google Net模型的情况下,复杂度远小于Google Net模型,更有利于在嵌入式设备上实现。(2)针对时频分析运算量大、软件计算耗时长的问题,本文提出一种基于现场可编程门阵列(Field Programmable Gate Array,FPGA)的Choi-Williams分布(CWD)时频分析算法硬件加速方案。该方案在不显著降低运算精度的情况下,可大大提高时频分析的运算速度。实验结果表明,该硬件加速方案的计算速度相比软件计算提高了49.29倍。(3)针对机载、弹载侦察设备对实时性、低功耗及小型化要求高的问题,本文使用FPGA对压缩后的CNN进行加速计算,设计了一种基于稀疏矩阵的CNN硬件加速架构。与基于脉动阵列的FPGA卷积神经网络加速架构相比,本文的加速架构在使用相同乘法器硬件资源的情况下,最大可提供约4倍的加速性能提升。并且整体的计算性能是酷睿7代i5 CPU的1.63倍,酷睿10代i7 CPU的0.66倍,能量效率是酷睿7代i5 CPU的7.88倍,酷睿10代i7 CPU的3.2倍。
多传感器多角度空中目标识别及打击命中率评估
这是一篇关于一维距离像,时频分析,胶囊网络,深度学习,打击命中率的论文, 主要内容为随着现代科技的进步,防空系统对空中目标进行识别时,使用分布在不同位置,拥有不同观测角度的多种不同参数传感器成为可能。同时防空系统识别并打击有威胁空中目标后,也需要对打击命中率进行评估。本文从空中目标的一维距离像仿真出发,采用了深度学习方法,在多个参数不完全相同的雷达,即多传感器;每个传感器位于不同的位置拥有不同的观测角度,即多角度观测下基础上,进行了防空系统目标识别、打击后命中率评估两个阶段的研究。论文研究了四种空中目标:MG-15战斗机、F-22战斗机、J-20战斗机和S92直升机的电磁特性,提出并实践了空中目标一维距离像的仿真方案。首先是建立空中目标的3D模型,将其导入CADFEKO软件,仿真步进频率下空中目标全方位角的雷达散射特性,进而建立空中目标的静态一维距离像数据库。通过预设空中目标飞行轨迹从而推算雷达观测角,进而建立空中目标飞行过程中多传感器观测的一维距离像数据集。论文研究了空中目标一维距离像的时频分析方法,在基于空中目标的时频特征基础上,对比了多种Res Net模型在单传感器和多传感器融合识别中的性能,使用Res Net18网络进行了基于注意力机制的融合识别研究,有效提升了基于卷积神经网络的多传感器多角度融合识别性能。深入研究了胶囊网络的特点,在CIFAR-10数据集上研究了胶囊网络的改进方案,提出了Res Caps网络。该网络结合了Res Net和Caps Net的优点,在多传感器多角度融合识别任务中获得了明显优于典型卷积神经网络——Res Net18的优异性能。最后,利用前面的研究方法作为打击命中率评估系统的基础,进行了防空系统打击后命中率评估阶段的研究。分析了对空中目标进行打击命中率评估的理论基础,建立了空中目标的易损性模型,并进行了建模仿真,并将Res Caps应用于打击命中率评估中。经过验证,该打击命中率评估系统不仅能给出空中目标在打击后的命中概率,还可以准确的评估打击命中的毁伤等级。
多传感器多角度空中目标识别及打击命中率评估
这是一篇关于一维距离像,时频分析,胶囊网络,深度学习,打击命中率的论文, 主要内容为随着现代科技的进步,防空系统对空中目标进行识别时,使用分布在不同位置,拥有不同观测角度的多种不同参数传感器成为可能。同时防空系统识别并打击有威胁空中目标后,也需要对打击命中率进行评估。本文从空中目标的一维距离像仿真出发,采用了深度学习方法,在多个参数不完全相同的雷达,即多传感器;每个传感器位于不同的位置拥有不同的观测角度,即多角度观测下基础上,进行了防空系统目标识别、打击后命中率评估两个阶段的研究。论文研究了四种空中目标:MG-15战斗机、F-22战斗机、J-20战斗机和S92直升机的电磁特性,提出并实践了空中目标一维距离像的仿真方案。首先是建立空中目标的3D模型,将其导入CADFEKO软件,仿真步进频率下空中目标全方位角的雷达散射特性,进而建立空中目标的静态一维距离像数据库。通过预设空中目标飞行轨迹从而推算雷达观测角,进而建立空中目标飞行过程中多传感器观测的一维距离像数据集。论文研究了空中目标一维距离像的时频分析方法,在基于空中目标的时频特征基础上,对比了多种Res Net模型在单传感器和多传感器融合识别中的性能,使用Res Net18网络进行了基于注意力机制的融合识别研究,有效提升了基于卷积神经网络的多传感器多角度融合识别性能。深入研究了胶囊网络的特点,在CIFAR-10数据集上研究了胶囊网络的改进方案,提出了Res Caps网络。该网络结合了Res Net和Caps Net的优点,在多传感器多角度融合识别任务中获得了明显优于典型卷积神经网络——Res Net18的优异性能。最后,利用前面的研究方法作为打击命中率评估系统的基础,进行了防空系统打击后命中率评估阶段的研究。分析了对空中目标进行打击命中率评估的理论基础,建立了空中目标的易损性模型,并进行了建模仿真,并将Res Caps应用于打击命中率评估中。经过验证,该打击命中率评估系统不仅能给出空中目标在打击后的命中概率,还可以准确的评估打击命中的毁伤等级。
基于毫米波雷达的室内人员跌倒行为识别
这是一篇关于毫米波雷达,时频分析,特征提取,支持向量机,迁移学习的论文, 主要内容为随着人类社会步入老龄化时代,老年人跌倒的预防和检测变得极其重要。传统的跌倒行为识别技术使用摄像头采集人体图像信息,并通过计算机视觉等技术进行识别,虽然取得了较好的识别效果,但容易受到光照的影响且不能保护个人隐私。基于可穿戴设备的跌倒行为识别,需要用户额外佩戴设备,影响用户体验。而基于毫米波雷达的识别方法具有较强的穿透能力、良好的隐私保护性,不受光照、温度等外界环境的影响,可以全天时全天候地进行工作,近年来已受到国内外学者的广泛关注。本文通过毫米波雷达探测人体运动过程中的速度和距离变化特征,结合支持向量机和卷积神经网络进行人体跌倒行为识别,研究了多角度条件下,跌倒等动作的识别问题。具体的研究内容如下:基于毫米波雷达平台,构建了六种人体姿态的数据集。考虑到室内复杂环境的干扰问题,使用动目标显示、恒虚警检测和数字波束形成技术,对人体回波信号进行预处理,有效的抑制了地物杂波,提高了信噪比。针对常规时频分析方法时频聚焦性差的问题,将同步压缩变换和短时傅里叶变换结合起来,提高了谱图的时频聚焦性。根据跌倒等人体行为的特点,基于时频图提取了人体微多普勒特征参数。由于人体运动的过程中,跌倒行为的距离变化与其它姿态有较大的不同,提出了一种基于目标检测的方法,提取了目标的距离变化特征。最后,利用提取到的特征,通过SVM分类器对人体跌倒行为进行识别,识别准确率为94%。鉴于SVM的分类效果不佳,在将时频图和时间距离图融合为新的二元特征谱图后,利用卷积神经网络进行分类,采用了模型迁移的迁移学习方法,利用Res Net网络完成了人体跌倒行为识别,最终,对未知个体进行跌倒行为识别的准确率达到了99.7%,与只利用时频图进行识别相比,本文的二元特征谱图识别准确率提升了0.77%。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码助手 ，原文地址：https://bishedaima.com/lunwen/54414.html
