受恶劣电磁环境和元器件老化等因素影响,多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达的天线阵元发生故障的概率增加,而阵元故障会严重降低目标波达方向(Direction of Arrival,DOA)估计性能。现有的大多数基于深度学习的DOA...受恶劣电磁环境和元器件老化等因素影响,多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达的天线阵元发生故障的概率增加,而阵元故障会严重降低目标波达方向(Direction of Arrival,DOA)估计性能。现有的大多数基于深度学习的DOA估计方法未能充分利用阵列模型的先验信息,导致其建立的映射关系极为复杂,从而使得网络拟合难度较大。为此,提出一种基于先验驱动残差注意力网络的阵元故障MIMO雷达DOA估计方法。首先,利用MIMO雷达协方差矩阵的双重Toeplitz先验特性,构建了基于先验驱动的残差注意力网络,并引入残差注意力块对协方差矩阵的特征进行加权处理,旨在学习阵元故障下存在数据缺失的协方差矩阵和完整协方差矩阵生成向量之间的映射关系。然后,根据残差注意力网络输出的生成向量估计值得到完整的协方差矩阵。最后,利用RD-ESPRIT(Reduced Dimension ESPRIT)算法估计目标DOA。仿真结果表明,所提算法在阵元故障下的DOA估计性能优于现有算法,在信噪比为15 dB时,其DOA估计精度比效果最好的现有算法提高了43.26%。展开更多
脑电信号(Electroencephalogram,EEG)作为一种客观直接的信息源,被广泛应用于情绪识别任务。为了提取脑电信号的空间连通特征所隐含的信息,提出了一种基于空间连通特征和残差卷积神经网络(Spatial connectivity features and residual c...脑电信号(Electroencephalogram,EEG)作为一种客观直接的信息源,被广泛应用于情绪识别任务。为了提取脑电信号的空间连通特征所隐含的信息,提出了一种基于空间连通特征和残差卷积神经网络(Spatial connectivity features and residual convolutional neural network,SCF-RCNN)模型的情绪识别方法。该方法从经预处理的脑电信号中提取皮尔逊相关系数(Pearson correlation coefficient,PCC)、锁相值(Phase-locked value,PLV)和互信息(Mutual information,MI)作为空间连通特征,使用包含两个残差模块的卷积神经网络模型来提取情感信息。在SEED数据集上的实验结果显示,PLV构造的连接矩阵与脑电情绪关系更为密切,其平均准确率可达93.38%,标准差为3.35%。与传统算法相比,SCF-RCNN在情绪识别领域的分类任务中表现更为优越,表明该方法在情绪识别领域具有重要的应用潜力。展开更多
