一、基于VC++复数模板实现一般复矩阵的奇异值分解运算（论文文献综述）
蒋鋆[1]（2021）在《面向癫痫预警任务的脑电信号分析算法研究》文中认为癫痫是一种伴有脑神经元异常放电的慢性非传染性神经系统疾病。临床医生通过视觉检出患者24小时包含丰富生理病理信息的脑电图完成对癫痫的检测诊断。由于视觉检测耗时耗力、主观因素强等缺点及脑电图能总体反映脑神经细胞电生理活动的特点,联合信号处理和模式识别的癫痫分析技术成为研究的热点。为了降低癫痫发作造成的伤害,在癫痫发作后利用脑电信号对癫痫事件分类检测的前提和基础上,通过癫痫患者的长期脑电记录识别检测出视觉无法观察到的癫痫发作先兆特征可以完成对癫痫的预警任务。癫痫的突发性和高危性严重影响患者的身心健康、增加医护人员的工作负担以及加大社会风险指标,癫痫发作的早期预测是癫痫疾病治疗的瓶颈。已有研究表明,在癫痫发作前患者的大脑模式已经发生变化,通过在发作前特定时间区间内完成对神经活动异常变化的检测可以有效实现癫痫预警。因此,在癫痫发作之前完成对发作事件的预测,医护人员发现警报信号后及时进行给药或电刺激等介入控制,可以减少发作次数并提高生活质量,这对于癫痫疾病的早期干预治疗有着重大的研究意义和临床价值。基于脑电信号的癫痫预警算法研究正处于起步阶段,面向实际临床应用时存在虚警率高、普适性差等问题,此外复杂多样的脑电信号也为癫痫研究带来了挑战。本文在完成不同时期癫痫脑电信号的检测基础上,在特定时间区间完成对癫痫发作先兆特征的识别从而实现癫痫的预警分析研究。分别针对现有面向临床诊断的癫痫脑电信号检测算法稳定性、复杂度以及普适性问题展开研究,建立相应的模型并探索方法的有效性。本文主要研究工作和创新性成果如下:（1）针对算法对癫痫信号表征能力不足导致面向多种分类任务时识别结果差异较大的问题,提出了基于散射变换的癫痫脑电信号检测算法。散射变换融合小波域和复数域的分析特性,通过复小波分解的级联和局部加权平均方法得到具有时移不变性和局部稳定性的信号特征,在多个散射路径不同方向、尺度的迭代分解为提高表征能力的稳定性做出贡献。利用散射变换域的模糊熵和对数能量熵特征得到对多个不同时期癫痫脑电信号的互补表征,充分挖掘了能够区分癫痫发作期信号与其他时期信号的有效动力学特征。在德国波恩大学癫痫脑电数据集上,利用极限学习机分类器完成八种不同“癫痫发作-其他”任务的分类,均取得了不低于99.56%敏感性、99.50%特异性、99.50%准确率和0.99Matthews相关系数的评价指标。稳定的识别结果表明了所提算法对不同时期癫痫脑电信号的有效表征能力,癫痫发作信号的可区分度得到有效提高。（2）针对检测模型复杂度高且需要人为经验选择特征的问题,提出了基于辛几何的癫痫脑电信号检测算法。直接在辛空间中通过辛相似变换完成对不同类型癫痫脑电信号的自适应特征提取,避免了人工设计特征的缺陷。作为哈密顿体系中的一种正则变换,辛相似变换能够保持原始脑电信号的可测性和基本特性。得到的特征向量之间不仅具有相互正交性,非线性变换的本质也更适合于癫痫脑电信号的动态分析,在提高表征能力的同时大大降低了模型的复杂度。将辛特征送入K近邻分类器中,在波恩大学癫痫脑电数据集的十种临床多分类任务中,敏感性、特异性、准确率和Matthews相关系数分别不低于为99.17%、99.17%、99%和0.96;在波士顿儿童医院23名受试者的多导联头皮脑电数据库的“癫痫发作-非癫痫发作”任务中,上述评价指标的平均性能分别为97.17%、99.72%、99.62%和0.92。分别在长、短程数据集中得到的实验结果验证了所提检测模型的较高分类精度和较低复杂度,为癫痫发作辅助诊断系统的开发奠定了基础。（3）为了在癫痫发作发生前完成对病人的警告,在前期实现不同时期癫痫脑电信号检测算法稳定性和低复杂度研究的基础上,在特定的时间区间内继续对基于癫痫发作先兆特征的预警任务展开研究。针对在多个受试者上普适性较差的问题,提出基于同步提取线性调频小波变换的癫痫脑电信号预警算法。通过结合短时傅里叶变换可逆性和理想时频表示稀疏性的优势获得一种相对理想且具有较高分辨率的癫痫脑电信号时频表征。引入线性调频率参数得到高能量集中度的时频脊线。通过舍弃扩散模糊区域的时频能量后仅保留与信号时变特性最相关的时频信息。最后利用辛几何分解得到发作先兆状态的有效特征并通过支持向量机完成对癫痫发作的预警分析。1min癫痫发作预测期和30min癫痫发作发生期的条件下,在波士顿儿童医院17名受试者的头皮癫痫脑电数据集中,对共计83次的癫痫发作事件取得了90.92%的平均灵敏度和0.14/h的虚警率;在Kaggle癫痫预测竞赛数据集所有受试者的颅内脑电数据上,所提算法的平均灵敏度和虚警率分别为91.5%和0.16/h。在不同癫痫预测数据集中多名受试者的不同类型脑电信号上验证了所提预警算法的普适性,为面向临床的癫痫预警分析算法提供了新的解决方案。综上,本文在完成多种不同时期癫痫脑电信号的后验性癫痫发作检测的研究基础上,立足于基于癫痫脑电信号研究的实际临床应用需求,提出了面向预警任务的癫痫脑电信号分析算法模型,实现了在癫痫发作前对病人准确可靠的警告。本文的工作为基于脑电信号的癫痫预警算法奠定了理论基础,为下一步癫痫的临床预警治疗系统的开发提供了一种解决方案。
李东兴[2]（2021）在《基于ASIFT和图像哈希的数字漫画版权识别技术研究》文中指出数字漫画是运用数字媒体技术制作出来的计算机漫画,是主要使用计算机的数字技术制作的与传统手工漫画不同,大多数3D动画都属于数字漫画的范围,数字科技的迅速崛起为我国漫画行业的快速发展注入了全新的生命力。但是,漫画着作权被侵犯的问题也已经逐渐成为它们未来发展的主要障碍。当前我国法律的基础存在着很多理论上的缺陷,隐瞒侵权的形式和违约成本较少是导致这种情况处于困境的重要原因。因此,急需对识别漫画版权问题进行深入研究。目前针对数字漫画版权的保护并不完善,漫画人物造型能否构成独立的作品,从而获得着作权法的保护之前是存在争议的。抄袭性行为既是一种严重违反其着作权益的行为,又是一种在着作权的审判和执行实践中很难被确认的一种行为。抄袭行为的确认上,通常应该与类似行为在形式上区分:抄袭和使用着作权作品的意见、思想和看法;随意抄袭使用别人作品内的背景、统计资料和客观事实;抄袭和合理使用;抄袭和巧合等。基于此,本学位论文提出了基于漫画图像特征的识别方法。主要包括两个部分:基于尺度不变特征变换的漫画特征识别和基于深度分解和哈希的漫画特征识别方法。这些方法不仅能够压缩特征信息量,还能保留图像中的显着信息从而可以提高识别率和匹配性能。首先,从漫画角色肖像入手,先对漫画肖像进行标准化、Radon变换和对数极坐标变换等预处理操作,从而达到图像统一的目的,有利于后续的特征识别和匹配处理。其次,提出基于图像局部的ASIFT特征提取与匹配方法和基于四元数混合域多步分解的肖像特征提取技术。第一种方法,先用颜色特征描述子和Canny边缘检测方法对漫画图像进行处理,再用ASIFT算法提取和匹配特征点;第二种方法,在预处理后的漫画图像RGB颜色空间中,将R、G、B分量分别作为四元数矩阵i、j、k的系数,做一个独立的颜色部分Y,再将计算亮度值加到矩阵后进行加权四元数,对其进行四元数傅里叶相位谱显着性检测。最后,将经过变换之后的图像进行哈希相似度的比较。最后,分析比较基于ASIFT的特征识别方法和基于四元数混合域多步分解的特征提取方法,总结了通过两种方法综合判断漫画是否存在抄袭可能的范围值,并制定了一个互补的判定标准。实验结果表明,本文提出的基于ASIFT的特征识别方法与基于深度分解和哈希算法的特征识别方法,在漫画图像匹配方面,可以起到很好的匹配作用,与同类图像识别方法相比,匹配相似部位准确率能得到很大提高,相似度方面均值哈希能达到60%以上,差值哈希50%以上,感知哈希60%以上,在图像抗几何变换上也得到了提高,本文方法和SIFT等匹配算法相比更适合特征点较少但仿射变换较大的图像,具有良好的实用性。
罗一帆[3]（2021）在《基于媒体特征分析的自适应音视频水印关键技术研究》文中研究说明随着多媒体技术、网络技术的发展,多媒体数字产品的复制与传播变得非常便捷。相应的,盗版行为也日益猖獗,给版权商带来了不可估量的经济损失。因此,急需有效的版权保护措施来遏制盗版行为。在这一背景下,学者们提出了数字水印技术,经过近年来的快速发展,已成功应用于多媒体数字产品的版权保护,挽回了盗版带来的经济损失。因而,研究数字水印技术,进一步提升其版权保护效果,是一项具有重要理论意义与应用价值的工作。音视频作为视听媒体的代表,其版权保护是数字水印研究的重点,研究者们已提出了多种音视频数字水印方法。但现有方法对音视频信号在时-频域中的变化特征缺乏充分的研究与应用,导致水印抗时域同步攻击、几何变换等攻击能力不足,水印鲁棒性和不可感知性均有待提升;同时,对新发展起来的无损压缩音频、3D视频研究不足,少有针对性数字水印算法。为解决这些问题,本文基于音视频特征信息分析,从以下两个方面提出解决思路。第一,分析音视频信号时-频域变化规律,根据规律构建特征信息作为信号自适应分段标志、确定水印嵌入位置;水印嵌入位置随特征信息变化而改变,而各类攻击对特征信息影响小,水印抗同步攻击、几何攻击等攻击鲁棒性得到提升。第二,将水印嵌入与提取过程同音频信号变化特征、编解码特征、视频角点特征、3D视图渲染特征相结合,充分运用特征信息来提升水印不可感知性和抗各类攻击的鲁棒性。根据解决思路,本文提出了以下解决方案:依次构建在各类攻击下鲁棒性更强的音频节拍、音频显着状态、视频角点、视频对象动作等特征信息作为信号分段、水印嵌入位置选择或水印认证标志,实现水印抗同步攻击鲁棒性的提升。针对有损压缩、无损压缩音频,2D、3D视频,将特征信息构建与水印嵌入、提取方法相结合,分别设计双通道音频水印算法、双域音频水印算法、与无损压缩编码相结合的无损音频水印算法、与视觉密码相结合的2D视频‘零水印’算法、与3D渲染模式相结合的3D视频水印算法,各有侧重地提升水印鲁棒性和不可感知性。根据解决方案,具体算法实现如下:一、提出了基于信号自适应分段与嵌入强度优化的双通道音频水印算法。利用自相关检测法对音频信号进行自适应分段,作为水印嵌入位置选择标志,提高水印抗同步攻击鲁棒性。构建音频信号双通道特征信息,设计水印双通道嵌入与提取方法,降低水印嵌入强度,提高水印不可感知性。二、提出了基于离散小波包变换的双域音频水印算法。设计更具鲁棒性的音频信号自适应分段方法,水印具备更强的抗同步攻击能力;引入心理声学模型,将音频信号划分为听觉掩蔽域和被掩蔽域,设计符合掩蔽效应的双域水印嵌入位置选择方法、水印嵌入强度自适应控制方法,在双域中同时进行水印嵌入与提取,既提高水印的鲁棒性,又能保障其不可感知性。三、提出了针对MPEG-4 SLS格式的无损压缩音频水印算法。构建MPEG-4 SLS（Scalable Lossless Coding）编码整型修正离散余弦变换（Integer Modified Discrete Cosine Transform,Int MDCT）系数显着状态特征信息作为水印嵌入位置选择标志,增强特征信息鲁棒性,实现水印抗同步攻击鲁棒性的提升;设计与无损编解码技术相结合的水印嵌入与提取方法,提高水印抗各类信号处理攻击的鲁棒性,同时应用听觉掩蔽效应实现对水印嵌入强度的有效控制。四、提出了基于时-空域特征和视觉密码的视频‘零水印’算法。设计有限状态机进行关键帧选择,在关键帧中构建时-空域角点特征信息作为水印认证信息元素,提高特征信息抗同步攻击、色彩与几何攻击鲁棒性。将特征信息与视觉密码相结合,生成鲁棒性水印认证信息,在版权机构进行注册,在不改变视频信号的前提下实现水印嵌入。五、提出了基于深度图像渲染（Depth-image-based rendering,DIBR）的3D视频水印算法。与DIBR特征进行融合,构建视频帧对象动作特征信息作为水印嵌入位置自适应选择标志,增强特征信息鲁棒性,提升水印抗深度信息变化、几何变换攻击鲁棒性;设计同DIBR渲染过程相结合的水印嵌入与提取方法,提升水印鲁棒性和不可感知性。综上所述,本文针对现有音视频水印方法存在的问题,基于特征信息分析对音视频数字水印关键技术进行研究。分析音视频信号时-频域变化特征与鲁棒性特征信息提取方法,提出了问题解决思路,给出了解决方案。实现了在小波域、时空域、压缩域中对有损压缩音频、无损压缩音频、2D视频、3D视频进行水印嵌入与提取,有效增强了水印鲁棒性和不可感知性,为水印算法的应用打下了更坚实的基础。
王云杰[4]（2021）在《双边不变子空间与双边Krylov子空间的最优向后扰动误差界》文中研究表明近似解的最优向后扰动误差界是判别算法的稳定性的标准,是衡量计算解质量的重要指标.因此,研究近似子空间问题的最优向后扰动误差界是数值线性代数和大规模科学与工程计算中一个非常重要的课题.给定矩阵A和它的两个近似不变子空间X和y,双边不变子空间向后扰动问题是寻求范数尽可能小的扰动矩阵E,使得X和y分别是矩阵A+E和（A+E）H的不变子空间.着名的Kahan-Parlett-Jiang定理给出了该问题在一定条件下的最优向后扰动误差界.本质上,它给出了特征值问题近似解的后验误差界,为估计大规模非Hermitian矩阵的双边不变子空间计算解的质量提供了一个有力的工具.然而,由该定理确定的扰动误差界仅是局部最优,而不是全局最优的.对于大规模非Hermitian矩阵的双边Krylov子空间问题,设X和y是矩阵A的双边近似Krylov子空间.Wu等人考虑了如何确定范数尽可能小的后向扰动矩阵E,使得X和y分别是矩阵A+E和（A+E）H的Krylov子空间.然而,由于所使用的两个基是双正交的,且将问题转化为拟最优问题.因此,他们的结果不是最优的.最近,Farrell建立了低秩修正矩阵不同特征值个数的上界.Xu利用秩的不等式改进了 Farrell的结果.这些结果可用于估计求解扰动线性方程组问题所需的Krylov迭代的次数.但我们发现在很多情况下他们的上界超过了矩阵的阶数.因此,寻求新的上界是有意义的.我们将重新考虑上面的三个问题.本文的主要工作如下:第一,获得了双边不变子空间问题的全局最优向后扰动误差界.主要思想是利用导数寻求最小值.为此,我们建立了新的矩阵微分公式.这个公式避免了不解析函数对复矩阵变量的微分问题.利用新的矩阵微分公式,我们给出了选定子空间X和y的基底Xm和Ym下的最优向后扰动误差矩阵E,并证明了最优向后扰动误差E的Frobenius范数与基底Xm和Ym的选择无关.也就是说,我们的结果实际上是全局最优向后扰动误差界.而Kahan-Parlett-Jiang定理仅是局部最优的.因此,我们的结果改进了Kahan-Parlett-Jiang定理.数值实验结果和我们的全局最优性相吻合.第二,考虑了大规模非Hermitian矩阵双边Krylov子空间问题,关键的技巧也是利用函数对矩阵的微分.因涉及到长方形矩阵,我们提出了两个新的策略:一个是选择最优标准正交基代替Wu等人的双正交基.另一个是利用拉格朗日乘子法来选择最优的向后扰动矩阵E.为此,我们也建立了一个新的矩阵微分公式.数值实验表明我们的结果很大程度上改进了已有的结果.第三,建立了低秩修正矩阵不同特征值个数的可达上界;给出了一些仅依赖于所讨论矩阵和低秩修正矩阵信息的先验上界.我们的上界改进了 Farrell以及Xu的结果.另外,我们还研究了低秩修正矩阵的不同奇异值个数的上界.
张颖[5]（2021）在《基于迭代滤波的伪逆压缩关联成像》文中研究说明关联成像作为近年来备受关注的一种新的成像方式,是基于光场的二阶强度相关测量来重建物体的空间信息。与传统成像方法相比较,关联成像技术具有许多显着的优势:成像的分辨率高;可以在复杂的环境中进行成像;能够在没有透镜的条件下进行成像。但与此同时,关联成像也面临着所需要的采样数多,计算复杂,信噪比低等局限,制约着关联成像向着实用化方向的发展。近几年来,随着压缩感知技术渐渐开始盛行,将压缩感知算法与关联成像技术结合,能够在远小于奈奎斯特采样极限的条件下较好的恢复出物体或信号,在磁共振成像、数字图像和信号处理等多种领域都有着普遍的应用。本文在压缩感知的基础上,针对成像信噪比低的问题,将伪逆与压缩感知算法以及关联成像技术结合在一起,提出了伪逆压缩关联成像。在进行伪逆压缩关联成像实验时,我们发现当采样数相同时,伪逆压缩关联成像比传统压缩感知关联成像重构图像的信噪比提高了约15倍多。同时分析了伪逆压缩关联成像的测量矩阵,由于该测量矩阵将有用的信息集中在了对角线及对角线附近,大大降低了噪声对重构图像的干扰,提高了重构图像的质量。本文还引入了迭代滤波的方法,并将其与伪逆压缩关联成像方案相结合,提出了基于迭代滤波的伪逆压缩关联成像,目的是为了在提高信噪比的同时减少采样数。我们使用低通、带通以及高通滤波方法验证了基于迭代滤波的伪逆压缩关联成像具有普遍适用性,还对比了三种滤波方法在我们方案中的采样数与信噪比的关系以及迭代次数与信噪比的关系,得出高通滤波方法应用在我们的方案中比其他两种方法更具有优势。我们还发现随着迭代次数的增大信噪比也逐渐增大,这说明迭代次数对信噪比也有影响。并且在我们所用的有限采样数中,基于迭代滤波的伪逆压缩关联成像所需采样数约是伪逆压缩关联成像所需采样数的约1/15左右,可以减少到奈奎斯特采样极限的0.1%以内。
黄文麒[6]（2021）在《基于模型驱动的快速磁共振成像》文中认为磁共振成像技术能够非侵入地提供扫描对象的软组织结构及代谢信息,被广泛应用于临床诊断和科学研究。然而由于扫描时间较长,磁共振技术的进一步普及和发展受到了极大的限制。如今的临床应用对磁共振扫描的采集速度和成像分辨率提出了更高的要求,如何高质量且快速的成像是磁共振研究的一大挑战。目前,减少k空间的采样数即欠采是加快磁共振成像的主要手段。尤其是对于动态磁共振成像和高分辨率静态成像,高倍率的欠采十分重要。在动态磁共振成像中,扫描对象的运动特性决定了在规定的采集时间内只能获取有限的采样数,需要从这些高度欠采的数据中重建出图像;高分辨率静态成像中,要控制成像时间在可接受的范围,也需要较高的加速倍数。本文聚焦于这两大快速成像的应用场景,对采集速度要求极高的心脏电影成像,以及对空间分辨率要求极高的全脑血管壁成像,分别提出了两种基于模型的磁共振快速成像重建方法。首先,我们介绍了磁共振成像的基本原理和快速重建算法。简明阐述了磁共振成像物理原理、k空间与图像域的对应关系,引出并行成像和压缩感知成像两种加速手段的技术细节,随后介绍一类较新的基于模型的深度学习重建算法,为后续两种模型驱动的重建方法提供背景知识。其次,本文针对动态心脏电影成像对加速倍数的高要求,提出了一种模型驱动的深度低秩+稀疏重建网络（L+S-Net）。该方法将动态磁共振图像建模成低秩+稀疏的形式,通过优化算法求解得出迭代解,展开成深度神经网络,极大的降低了成像误差,提高了加速倍数。随后,本文进一步扩展,将图像重建与图像超分辨结合,提出一种模型驱动的深度超分辨-重建网络（SRR-Net）,用于高分辨率全脑磁共振成像。该方法首先建立了磁共振超分辨-重建模型,随后用优化算法求解出迭代解的形式,展开成超分辨-重建深度神经网络,并引入对抗学习的思想,使用判别器提高重建网络的细节恢复能力。本文着眼于提升磁共振成像速度和质量,分别将可学习低秩先验和超分辨率重建的思想引入到了动态磁共振成像和高分辨率磁共振成像,取得了令人鼓舞的重建结果。
葛萌萌[7]（2021）在《认知雷达多维联合抗主瓣干扰研究》文中认为在未来军事电磁频谱战中,雷达通常工作于复杂电磁环境中,外部干扰信号从雷达天线波束主瓣进入接收机,形成欺骗或压制干扰,严重降低了雷达系统性能。因此,如何对抗主瓣干扰,提升复杂电磁环境下的雷达探测能力,是电磁频谱战中获取制电磁权的核心关键之一。近年来,认知雷达通过发射波形和接收处理的连续协同反馈,掌握了空间、时间、频率、极化等维度“捷变”的主动性,具有抗主瓣干扰的巨大潜力和优势。因此,本文围绕认知雷达的波形设计与处理两方面,开展多维联合抗主瓣干扰研究,主要工作与贡献如下:1、提出了一种基于非精确交替方向惩罚法（IADPM）的认知脉间波形幅度-相位联合设计方法,通过多延时匹配处理获取干扰和目标的多普勒信息,最小化特定多普勒范围内的干扰能量与目标旁瓣能量的加权和,提高了主瓣速度欺骗干扰下的目标检测性能。2、提出了一种基于解耦交替方向惩罚法（DCADPM）的认知发射-接收联合设计方法,通过时频解卷积处理获取干扰信号相关参数,最小化发射信号-接收滤波器的积分旁瓣电平（ISL）与干扰信号-接收滤波器的ISL的加权和,有效抑制了多种主瓣灵巧干扰。3、提出了一种基于子阵级盲信号处理的认知空时信号分离方法,利用目标与干扰信号在空间和时间维度上的差异性,通过子阵多域信号分离,重构目标与干扰信号,有效抑制主瓣支援式压制和灵巧干扰,同时精确估计目标角度信息。4、提出了一种基于极化特征矩阵近似联合对角化（P-JADE）的认知极化-时间-多通道联合处理方法,利用目标与干扰信号的极化分集和时域波形不相关的特性,有效分离出目标与干扰信号,提升了主瓣自卫式压制和灵巧干扰的抑制能力。以上理论方法的有效性、适用条件和性能已通过仿真试验验证。结果表明,本文提出的方法能够有效对抗主瓣压制、欺骗和灵巧干扰,提高主瓣干扰下雷达探测性能,可应用于机载、舰载等预警/火控雷达系统。
李润东[8]（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。
李粮余[9]（2021）在《基于微多普勒谱图的多旋翼无人机识别》文中进行了进一步梳理无人机由于在低空飞行且相对速度较慢,大部分飞行路线也极易被地形或建筑物隐藏,从而成为不法分子窃取秘密情报、危害国家安全和公共安全的新工具。同时,随着无人机在军事和民用领域的应用越来越广泛,威胁也越来越大,因此快速识别无人机成为了目前的研究热点。传统的无人机识别方法如基于光学图像的无人机识别会受到天气的限制,不能全天候工作。因此,本文对多旋翼无人机的雷达识别展开研究,其主要内容和创新之处如下:（1）提出了一种基于微多普勒谱图奇异矢量物理参数估计的多旋翼无人机识别方法。该方法首先对谱图矩阵进行奇异值分解,获得最大特征值对应的左右奇异矢量,应用参数估计方法从左右奇异矢量中提取桨叶长度以及旋翼旋转速度等物理参数,实现对旋翼无人机的分类识别。仿真实验表明该方法相对第一本征模函数周期特征的识别方法和非均匀量化特征的识别方法,在信噪比为5d B的条件下有更高的识别率。（2）研究了基于微多普勒谱图一维子空间特征的多旋翼无人机识别方法。主要包括主分量特征识别方法、线性判别特征识别方法,由于主分量特征识别方法受到维度灾难的影响,线性判别特征提取方法存在小样本和维度灾难的问题,为此提出了一种离散余弦变换融合判别成分的特征识别方法,通过离散余弦变换可以降低谱图维数解决维度灾难问题,利用判别成分特征提取方法可以避免小样本问题,在提高运算速度的同时也改善了识别率。仿真实验结果表明该方法的抗噪性能优于主分量特征识别方法以及线性判别特征识别方法。（3）提出了一种基于微多普勒谱图二维广义判别特征的多旋翼无人机识别方法。该方法通过对特征向量矩阵进行对称变换,增强了特征空间矩阵的正交性,解决了特征空间中特征严重重叠的问题,使目标的特征分布区域更清晰。实验结果表明:该方法在低信噪比情况下相较于二维判别特征的识别方法识别率更稳健。
潘艳[10]（2021）在《基于微多普勒效应的弹道目标识别算法研究》文中指出近年来,随着诱饵技术的蓬勃发展,传统的针对目标外形特征和红外特征的弹道目标识别已经应用较少。此时,利用目标的微动特征进行目标识别的方法受到了国内外学者的重点关注。弹道目标的微动特征体现了目标的微动形式以及部分构件的特征,可以反映弹道目标中弹头和诱饵的差异。因此,本文主要研究了中段弹道目标的平动补偿算法以及从平动补偿后的微多普勒中提取特征进行弹道目标识别的算法。主要研究内容如下:1.研究了进动、摆动和翻滚三种弹道目标的微运动模型,参考进动和摆动的微多普勒频移关系式的推导过程,推导了翻滚的微多普勒频移关系式。并对三种弹道目标的微多普勒特征进行了建模分析,为后续弹道目标识别的特征提取奠定了基础。2.针对中段弹道目标微动特征的提取受到平动影响的问题,分析了平动对微多普勒造成的影响,并利用模板法、峰值法对具有单一微动形式的目标进行了平动补偿。随后,在分析了基于延迟共轭相乘和对称共轭相乘的平动补偿算法效果的基础上,提出了基于数字图像处理的改进峰值算法,将该算法与同类型算法的平动补偿效果进行了对比,证明了该算法性能的优越性。最后,在实际的弹道群目标场景中,提出了基于Radon变换中心法的弹道目标平动补偿算法,并通过数值仿真证明了该算法在低信噪比（Signal-to-Noise Ratio,SNR）下仍然具有较优的平动补偿性能。3.针对中段弹道目标识别问题,首先从时频图像角度提取了Hu不变矩特征和四元数矩阵奇异值特征,对进动弹头、摆动诱饵和翻滚母舱这三类弹道目标进行了识别,证明了Hu不变矩特征较优的识别性能。然后从微多普勒域提取了3个谱线特征和4个时频分布特征,分别对三类弹道目标进行了识别。最后,对比了四元数矩阵奇异值特征和本文提出的基于频谱的三个特征的识别效果,通过数值仿真证明了在低信噪比下,频谱特征的识别效果优于四元数矩阵奇异值特征的识别效果。
二、基于VC++复数模板实现一般复矩阵的奇异值分解运算（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、基于VC++复数模板实现一般复矩阵的奇异值分解运算（论文提纲范文）
（1）面向癫痫预警任务的脑电信号分析算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 癫痫脑电信号 |
| 1.1.3 研究意义 |
| 1.2 癫痫脑电信号检测方法的研究现状与发展趋势 |
| 1.2.1 癫痫预警的国内外研究现状 |
| 1.2.2 存在的主要问题 |
| 1.3 本文研究内容和章节结构安排 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文的章节结构安排 |
| 第2章 癫痫脑电信号分析检测框架及数据来源 |
| 2.1 癫痫脑电信号分类算法框架 |
| 2.1.1 预处理 |
| 2.1.2 特征提取 |
| 2.1.3 分类识别 |
| 2.2 癫痫脑电数据集 |
| 2.2.1 德国波恩大学癫痫脑电数据集 |
| 2.2.2 美国波士顿儿童医院癫痫脑电数据库 |
| 2.2.3 Kaggle癫痫预测竞赛数据集 |
| 2.3 算法性能的评价指标 |
| 2.3.1 癫痫检测算法的评价指标 |
| 2.3.2 癫痫预测算法的评价指标 |
| 2.4 本章小结 |
| 第3章 基于散射变换的癫痫脑电信号检测算法研究 |
| 3.1 引言 |
| 3.2 散射变换理论基础 |
| 3.2.1 小波变换 |
| 3.2.2 散射变换 |
| 3.3 基于散射变换的癫痫脑电信号检测算法 |
| 3.3.1 基于模糊熵和对数能量熵的脑电信号特征提取 |
| 3.3.2 极限学习机 |
| 3.4 实验结果与分析 |
| 3.4.1 实验结果 |
| 3.4.2 文献对比与分析讨论 |
| 3.5 本章小结 |
| 第4章 基于辛几何的癫痫脑电信号检测算法研究 |
| 4.1 引言 |
| 4.2 辛几何基础 |
| 4.2.1 奇异谱分析 |
| 4.2.2 辛几何的分解与重构 |
| 4.3 基于辛几何的癫痫脑电信号检测算法 |
| 4.3.1 基于辛几何算法的癫痫脑电信号特征提取 |
| 4.3.2 K近邻分类算法 |
| 4.4 实验结果与分析 |
| 4.4.1 波恩大学数据集实验结果 |
| 4.4.2 波士顿儿童医院数据库实验结果 |
| 4.4.3 文献对比与分析讨论 |
| 4.5 本章小结 |
| 第5章 基于同步提取线性调频小波变换的癫痫脑电信号预警算法研究 |
| 5.1 引言 |
| 5.2 同步提取线性调频变换 |
| 5.2.1 短时傅里叶变换 |
| 5.2.2 同步提取变换 |
| 5.2.3 同步提取线性调频小波变换 |
| 5.3 基于同步提取线性调频变换的癫痫脑电信号预警算法 |
| 5.3.1 基于同步提取线性调频小波变换的脑电信号特征提取 |
| 5.3.2 支持向量机 |
| 5.4 实验结果与分析 |
| 5.4.1 同步提取线性调频小波变换的性能仿真实验 |
| 5.4.2 波士顿儿童医院数据库实验结果 |
| 5.4.3 Kaggle癫痫预测竞赛数据集实验结果 |
| 5.4.4 文献对比与分析讨论 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 在学期间研究成果 |
| 致谢 |
（2）基于ASIFT和图像哈希的数字漫画版权识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外特征识别技术研究现状 |
| 1.3 研究内容与主要工作 |
| 1.4 本文结构 |
| 第2章 相关理论与技术 |
| 2.1 引言 |
| 2.2 图像边缘检测技术 |
| 2.3 图像特征提取方法 |
| 2.3.1 全局特征 |
| 2.3.2 局部特征 |
| 2.4 深度分解技术 |
| 2.4.1 Radon变换 |
| 2.4.2 对数极坐标变换 |
| 2.4.3 四元数傅里叶变换 |
| 2.4.4 四元数奇异值分解 |
| 2.5 图像哈希技术 |
| 2.6 本章小结 |
| 第3章 基于ASIFT和哈希技术的漫画版权识别 |
| 3.1 引言 |
| 3.2 基于ASIFT的特征识别 |
| 3.2.1 ASIFT特征点的提取与匹配 |
| 3.2.2 基于颜色信息的ASIFT图像匹配 |
| 3.2.3 基于边缘检测的ASIFT图像匹配 |
| 3.3 基于深度分解和图像哈希的特征识别 |
| 3.3.1 漫画图像预处理 |
| 3.3.2 四元数变换域处理 |
| 3.3.3 图像哈希相似度检测 |
| 3.4 本章小结 |
| 第4章 实验结果与分析 |
| 4.1 引言 |
| 4.2 实验样本及评价标准 |
| 4.3 实验结果与性能分析 |
| 4.3.1 实验环境 |
| 4.3.2 基于ASIFT的特征识别测试 |
| 4.3.3 基于深度分解和图像哈希的特征识别测试 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（3）基于媒体特征分析的自适应音视频水印关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 常用缩略词表 |
| 常用符号表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 数字水印技术概述 |
| 1.2.1 数字水印系统模型 |
| 1.2.2 数字水印的分类 |
| 1.2.3 数字水印的应用 |
| 1.2.4 数字水印的性能特征 |
| 1.2.5 音视频水印攻击类型 |
| 1.2.6 数字水印性能评价指标 |
| 1.3 国内外研究现状 |
| 1.3.1 音频水印算法研究现状 |
| 1.3.2 视频水印算法研究现状 |
| 1.3.3 存在的问题 |
| 1.4 本文主要研究内容 |
| 1.5 本文结构安排 |
| 第2章 基于音频信号自适应分段与嵌入强度优化的双通道音频水印算法 |
| 2.1 引言 |
| 2.2 音频信号自适应分段 |
| 2.3 音频信号双通道特征信息构建 |
| 2.4 水印嵌入方法 |
| 2.5 水印提取方法 |
| 2.6 水印嵌入强度优化 |
| 2.7 实验结果 |
| 2.7.1 水印不可感知性评价 |
| 2.7.2 水印鲁棒性评价 |
| 2.8 本章小结 |
| 第3章 基于离散小波包变换的双域音频水印算法 |
| 3.1 引言 |
| 3.2 音频节拍检测与自适应分段 |
| 3.3 音频信号双域划分与水印嵌入位置选择 |
| 3.4 水印嵌入与提取 |
| 3.4.1 水印嵌入规则 |
| 3.4.2 自适应嵌入强度计算 |
| 3.4.3 水印嵌入方法 |
| 3.4.4 水印提取方法 |
| 3.5 实验结果 |
| 3.5.1 水印不可感知性评价 |
| 3.5.2 水印鲁棒性评价 |
| 3.6 本章小结 |
| 第4章 针对MPEG-4 SLS格式的无损压缩音频水印算法 |
| 4.1 引言 |
| 4.2 相关技术介绍 |
| 4.3 水印嵌入与提取 |
| 4.3.1 嵌入失真允许阈值 |
| 4.3.2 显着状态与嵌入位置选择 |
| 4.3.3 水印嵌入方法 |
| 4.3.4 水印提取方法 |
| 4.4 实验结果 |
| 4.4.1 水印不可感知性评价 |
| 4.4.2 水印鲁棒性评价 |
| 4.5 本章小结 |
| 第5章 基于时-空域特征与视觉密码的视频零水印算法 |
| 5.1 引言 |
| 5.2 有限状态机设计与关键帧选择 |
| 5.2.1 视频镜头分割 |
| 5.2.2 有限状态机运行规则 |
| 5.3 视频时-空域特征信息提取 |
| 5.3.1 Harris-Laplace角点检测 |
| 5.3.2 时域特征数据集构建 |
| 5.3.3 频域特征数据集构建 |
| 5.4 Ownership share的产生与水印提取 |
| 5.4.1 Ownership share的产生 |
| 5.4.2 水印提取方法 |
| 5.5 实验结果 |
| 5.6 本章小结 |
| 第6章 基于深度图像渲染的3D视频水印算法 |
| 6.1 引言 |
| 6.2 相关技术简介 |
| 6.2.1 DIBR系统 |
| 6.2.2 SIFT特征点检测 |
| 6.3 水印嵌入位置选择 |
| 6.3.1 视频场景分割 |
| 6.3.2 SIFT特征点跨帧匹配 |
| 6.3.3 匹配向量概率分布 |
| 6.3.4 匹配向量主方向和水印嵌入位置选择 |
| 6.4 水印嵌入与提取方法 |
| 6.4.1 改进的扩频水印嵌入方法 |
| 6.4.2 在中心视图中嵌入水印 |
| 6.4.3 从左右视图中提取水印信息 |
| 6.5 实验结果 |
| 6.5.1 水印不可感知性评价 |
| 6.5.2 水印鲁棒性评价 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 作者在读期间科研成果简介 |
| 致谢 |
（4）双边不变子空间与双边Krylov子空间的最优向后扰动误差界（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 预备知识 |
| 1.3 已有结论 |
| 1.4 主要创新点 |
| 2 双边不变子空间的全局最优向后扰动误差界 |
| 2.1 引言 |
| 2.2 选取最优的矩阵L_m和M_m |
| 2.3 全局最优向后扰动误差界 |
| 2.4 几个子空间的最优向后扰动界 |
| 2.5 数值实验 |
| 2.6 小结 |
| 3 双边Krylov子空间最优向后扰动误差界 |
| 3.1 引言 |
| 3.2 选择最优的标准正交基底 |
| 3.3 对给定的基底选择最优的H和K |
| 3.4 数值实验 |
| 3.5 小结 |
| 4 低秩修正矩阵不同特征值个数的可达上界 |
| 4.1 引言 |
| 4.2 低秩修正矩阵的不同特征值个数的新上界 |
| 4.3 小结 |
| 5 结论 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）基于迭代滤波的伪逆压缩关联成像（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 第1章 光源与光场相干性 |
| 1.1 光源简介 |
| 1.1.1 热光源与赝热光源的产生 |
| 1.2 光场的相干性 |
| 1.2.1 光场的时间相干性 |
| 1.2.2 光场的空间相干性 |
| 第2章 关联成像理论 |
| 2.1 一阶相干函数 |
| 2.1.1 经典一阶相干函数 |
| 2.1.2 量子一阶相干函数 |
| 2.2 二阶相干函数 |
| 2.2.1 经典二阶相干函数 |
| 2.2.2 量子二阶相干函数 |
| 2.3 HBT实验 |
| 2.4 关联成像 |
| 第3章 压缩感知关联成像 |
| 3.1 压缩感知理论 |
| 3.1.1 信号的稀疏表示方法 |
| 3.1.2 测量矩阵的设计 |
| 3.1.3 信号的重构算法 |
| 3.2 压缩感知关联成像 |
| 第4章 伪逆压缩关联成像 |
| 4.1 伪逆的数学理论 |
| 4.2 伪逆压缩关联成像 |
| 4.2.1 伪逆压缩关联成像实验及原理 |
| 4.2.2 伪逆压缩关联成像实验结果 |
| 第5章 基于迭代滤波的伪逆压缩关联成像 |
| 5.1 光学空间滤波基本原理及种类 |
| 5.1.1 光学空间滤波基本原理 |
| 5.1.2 光学空间滤波器的种类 |
| 5.2 基于迭代滤波的伪逆压缩关联成像 |
| 5.2.1 基于迭代滤波的伪逆压缩关联成像实验及原理 |
| 5.2.2 基于迭代滤波的伪逆压缩关联成像实验结果 |
| 第6章 结论 |
| 致谢 |
| 参考文献 |
（6）基于模型驱动的快速磁共振成像（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 快速成像序列 |
| 1.2.2 并行成像技术 |
| 1.2.3 压缩感知重建算法 |
| 1.2.4 深度学习重建算算法 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 磁共振成像原理与快速磁共振成像方法 |
| 2.1 磁共振成像基本原理 |
| 2.1.1 核磁共振现象 |
| 2.1.2 k空间数据采集 |
| 2.1.3 k空间数据与图像 |
| 2.2 快速成像方法 |
| 2.2.1 并行成像原理 |
| 2.2.2 压缩感知成像原理 |
| 2.2.3 压缩感知重建算法 |
| 2.2.4 基于模型的深度学习重建算法 |
| 2.3 小结 |
| 第3章 深度低秩加稀疏网络用于快速动态磁共振成像 |
| 3.1 心脏电影成像技术及低秩方法 |
| 3.1.1 心脏电影成像技术 |
| 3.1.2 低秩先验在动态成像中的应用 |
| 3.2 低秩+稀疏动态磁共振成像模型 |
| 3.3 低秩+稀疏深度神经网络 |
| 3.4 实验数据及模型配置 |
| 3.4.1 数据准备 |
| 3.4.2 模型及参数设置 |
| 3.5 实验结果 |
| 3.5.1 评价指标 |
| 3.5.2 低秩、稀疏成分分解结果 |
| 3.5.3 单通道图像重建结果 |
| 3.5.4 多通道图像重建结果 |
| 3.5.5 前瞻性实验 |
| 3.6 小结 |
| 第4章 深度超分辨-重建网络用于高分辨率磁共振成像 |
| 4.1 高分辨率磁共振重建策略 |
| 4.2 超分辨-重建一体的磁共振成像模型 |
| 4.3 深度超分辨-重建网络 |
| 4.4 实验数据及模型配置 |
| 4.4.1 数据准备 |
| 4.4.2 模型及参数设置 |
| 4.5 实验结果 |
| 4.5.1 评价指标 |
| 4.5.2 超分辨-重建网络与高度欠采重建方法(策略1)结果对比 |
| 4.5.3 超分辨-重建网络与重建-超分辨方法(策略2)结果对比 |
| 4.5.4 生成-对抗机制的影响 |
| 4.6 小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（7）认知雷达多维联合抗主瓣干扰研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 符号表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究动态与发展现状 |
| 1.2.1 认知波形设计抗主瓣干扰 |
| 1.2.2 认知信号处理抗主瓣干扰 |
| 1.2.3 存在的问题 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本文的结构安排 |
| 第二章 认知雷达抗干扰系统架构与建模 |
| 2.1 典型有源干扰特性分析 |
| 2.1.1 压制干扰 |
| 2.1.2 欺骗干扰 |
| 2.1.3 灵巧干扰 |
| 2.2 认知雷达抗干扰系统架构 |
| 2.3 认知雷达抗干扰数学模型 |
| 2.3.1 信号模型 |
| 2.3.2 抗干扰问题建模 |
| 2.4 本章小结 |
| 第三章 认知脉间波形幅相联合设计抗速度欺骗干扰方法 |
| 3.1 信号模型 |
| 3.2 基于IADPM的脉间波形幅相联合设计算法 |
| 3.2.1 感知侦察 |
| 3.2.2 脉间波形幅相联合设计 |
| 3.3 仿真实验 |
| 3.3.1 算法性能分析 |
| 3.3.2 抗干扰效果分析 |
| 3.4 本章小结 |
| 第四章 认知发射与接收联合设计抗灵巧干扰方法 |
| 4.1 信号模型 |
| 4.2 基于DCADPM的发射与接收联合设计算法 |
| 4.2.1 感知侦察 |
| 4.2.2 发射波形与接收滤波器联合设计 |
| 4.3 仿真实验 |
| 4.3.1 干扰参数估计 |
| 4.3.2 算法性能分析 |
| 4.3.3 抗干扰效果分析 |
| 4.4 本章小结 |
| 第五章 认知空时信号分离抗支援干扰方法 |
| 5.1 基于盲信号分离的抗主瓣支援干扰方法 |
| 5.1.1 信号模型 |
| 5.1.2 基于JADE盲信号分离的抗主瓣支援干扰算法 |
| 5.1.3 仿真实验 |
| 5.2 主瓣干扰下目标DOA估计方法 |
| 5.2.1 信号模型 |
| 5.2.2 基于BSS-SSR的主瓣干扰下目标DOA估计算法 |
| 5.2.3 仿真实验 |
| 5.3 本章小结 |
| 第六章 认知极时多通道联合处理抗自卫干扰方法 |
| 6.1 信号模型 |
| 6.2 基于P-JADE的抗主瓣自卫干扰算法 |
| 6.2.1 白化处理 |
| 6.2.2 估计四阶累积量矩阵 |
| 6.2.3 联合对角化 |
| 6.2.4 信号分离 |
| 6.3 仿真实验 |
| 6.3.1 干扰抑制结果分析 |
| 6.3.2 算法性能分析 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文内容总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录A IADPM算法收敛性证明 |
| 附录B DCADPM算法收敛性证明 |
| 攻读博士学位期间取得的成果 |
（8）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 |
（9）基于微多普勒谱图的多旋翼无人机识别（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于微多普勒特性的无人机目标识别 |
| 1.2.2 基于特征集的无人机目标识别 |
| 1.3 论文结构及主要研究内容 |
| 第二章 多旋翼无人机微多普勒回波建模及仿真分析 |
| 2.1 引言 |
| 2.2 微多普勒效应的理论基础模型 |
| 2.2.1 单散射点回波模型 |
| 2.2.2 水平旋翼回波模型 |
| 2.2.3 鸟类扑翼回波模型 |
| 2.3 目标的微动建模及微多普勒提取 |
| 2.3.1 多旋翼无人机的回波建模 |
| 2.3.2 鸟类目标的回波建模 |
| 2.3.3 基于短时傅里叶变换的目标微多普勒提取 |
| 2.4 目标的微多普勒谱图仿真分析 |
| 2.4.1 多旋翼无人机的微多普勒谱图 |
| 2.4.2 鸟类目标的微多普勒谱图 |
| 2.5 多旋翼无人机微多普勒特性分析 |
| 2.5.1 叶片数目对微多普勒特性的影响 |
| 2.5.2 叶片长度对微多普勒特性的影响 |
| 2.5.3 初相角对微多普勒特性的影响 |
| 2.5.4 旋翼转速对微多普勒特性的影响 |
| 2.5.5 信噪比对微多普勒特性的影响 |
| 2.6 本章小结 |
| 第三章 基于微多普勒谱图奇异矢量物理参数估计的多旋翼无人机识别 |
| 3.1 引言 |
| 3.2 基于微多普勒谱图奇异矢量的多旋翼无人机物理参数估计 |
| 3.2.1 微多普勒谱图奇异值分解 |
| 3.2.2 奇异矢量物理参数估计方法 |
| 3.2.3 基于微多普勒谱图奇异矢量物理参数提取流程图 |
| 3.3 基于物理参数的多旋翼无人机识别 |
| 3.4 本章实验 |
| 3.4.1 实验数据简介 |
| 3.4.2 处理帧长对识别率的影响 |
| 3.4.3 帧与帧之间的重叠率对识别率的影响 |
| 3.4.4 时频分析滑动窗口长度对识别率的影响 |
| 3.4.5 时频分析滑动窗口重叠长度对识别率的影响 |
| 3.4.6 旋翼转速对识别率的影响 |
| 3.4.7 信噪比对识别率的影响 |
| 3.5 本章小结 |
| 第四章 基于微多普勒谱图一维子空间特征的多旋翼无人机识别 |
| 4.1 引言 |
| 4.2 微多普勒谱图一维子空间特征提取 |
| 4.2.1 微多普勒谱图主分量特征提取 |
| 4.2.2 微多普勒谱图线性判别特征提取 |
| 4.2.3 微多普勒谱图判别成分特征提取 |
| 4.2.4 微多普勒谱图离散余弦变换融合判别成分的特征提取及识别 |
| 4.3 基于一维子空间特征的多旋翼无人机识别 |
| 4.4 本章实验 |
| 4.4.1 实验数据介绍 |
| 4.4.2 处理帧长对识别率的影响 |
| 4.4.3 训练样本数对识别率的影响 |
| 4.4.4 叶片数目对识别率的影响 |
| 4.4.5 叶片长度对识别率的影响 |
| 4.4.6 旋翼转速对识别率的影响 |
| 4.4.7 信噪比对识别率的影响 |
| 4.5 本章小结 |
| 第五章 基于微多普勒谱图二维广义判别特征的多旋翼无人机识别 |
| 5.1 引言 |
| 5.2 微多普勒谱图二维子空间特征提取 |
| 5.3 微多普勒谱图二维广义判别特征提取 |
| 5.3.1 二维广义判别特征 |
| 5.3.2 二维广义判别特征分析 |
| 5.4 基于微多普勒谱图二维广义判别特征的多旋翼无人机识别 |
| 5.5 本章实验 |
| 5.5.1 实验数据介绍 |
| 5.5.2 训练样本数对识别率的影响 |
| 5.5.3 特征数目对识别率的影响 |
| 5.5.4 信噪比对识别率的影响 |
| 5.5.5 基于微多普勒谱图的多机识别算法总对比 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）基于微多普勒效应的弹道目标识别算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 弹道目标平动补偿研究综述 |
| 1.2.2 弹道目标识别研究综述 |
| 1.3 论文的主要工作与内容安排 |
| 第二章 目标微动模型建模及其微多普勒特征分析 |
| 2.1 引言 |
| 2.2 微多普勒效应 |
| 2.3 基本微运动模型及其微多普勒特性 |
| 2.3.1 振动引起的微多普勒特性 |
| 2.3.2 旋转引起的微多普勒特性 |
| 2.3.3 圆锥运动引起的微多普勒特性 |
| 2.4 弹道目标微动模型建模及其微多普勒特征分析 |
| 2.4.1 进动弹头目标模型及其微多普勒特征 |
| 2.4.2 摆动诱饵目标模型及其微多普勒特征 |
| 2.4.3 翻滚母舱目标模型及其微多普勒特征 |
| 2.5 本章小结 |
| 第三章 中段弹道目标平动补偿算法研究 |
| 3.1 引言 |
| 3.2 平动对微多普勒的影响及其补偿算法 |
| 3.2.1 加速度对微多普勒的影响及其补偿算法 |
| 3.2.2 速度对微多普勒的影响及其补偿算法 |
| 3.2.3 仿真实验与分析 |
| 3.3 单目标复合微动平动补偿算法 |
| 3.3.1 基于对称共轭相乘的弹道目标平动补偿算法 |
| 3.3.2 基于延迟共轭相乘的弹道目标平动补偿算法 |
| 3.3.3 基于数字图像处理的改进峰值算法 |
| 3.3.4 仿真实验与分析 |
| 3.4 群目标平动补偿算法 |
| 3.4.1 信号模型及时频图分析 |
| 3.4.2 基于Radon变换中心法的群目标平动补偿算法 |
| 3.4.3 仿真实验与分析 |
| 3.5 本章小结 |
| 第四章 基于微多普勒时频图像特征的弹道目标识别算法 |
| 4.1 引言 |
| 4.2 基于Hu不变矩的弹道目标识别算法 |
| 4.3 基于四元数矩阵奇异值特征的弹道目标识别算法 |
| 4.4 基于支持向量机和神经网络的弹道目标识别算法 |
| 4.5 仿真实验与分析 |
| 4.6 本章小结 |
| 第五章 基于微多普勒时频谱特征的弹道目标识别算法 |
| 5.1 引言 |
| 5.2 基于微多普勒谱线特征的弹道目标识别算法 |
| 5.3 基于提取后的时频分布特征的弹道目标识别算法 |
| 5.4 仿真实验与分析 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
四、基于VC++复数模板实现一般复矩阵的奇异值分解运算（论文参考文献）
- [1]面向癫痫预警任务的脑电信号分析算法研究[D]. 蒋鋆. 吉林大学, 2021(01)
- [2]基于ASIFT和图像哈希的数字漫画版权识别技术研究[D]. 李东兴. 延边大学, 2021
- [3]基于媒体特征分析的自适应音视频水印关键技术研究[D]. 罗一帆. 四川大学, 2021(01)
- [4]双边不变子空间与双边Krylov子空间的最优向后扰动误差界[D]. 王云杰. 中国矿业大学, 2021
- [5]基于迭代滤波的伪逆压缩关联成像[D]. 张颖. 辽宁大学, 2021(12)
- [6]基于模型驱动的快速磁共振成像[D]. 黄文麒. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(08)
- [7]认知雷达多维联合抗主瓣干扰研究[D]. 葛萌萌. 电子科技大学, 2021(01)
- [8]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)
- [9]基于微多普勒谱图的多旋翼无人机识别[D]. 李粮余. 电子科技大学, 2021(01)
- [10]基于微多普勒效应的弹道目标识别算法研究[D]. 潘艳. 电子科技大学, 2021(01)