On September 14,2008,Drs.Shu Chien,Peter Chen,Geert Schmid-Schonbein,Pin Tong and I had the great pleasure of organizing a beautiful event in San Diego,California to celebration Dr.Fung’s 90thbirthday with his studen...On September 14,2008,Drs.Shu Chien,Peter Chen,Geert Schmid-Schonbein,Pin Tong and I had the great pleasure of organizing a beautiful event in San Diego,California to celebration Dr.Fung’s 90thbirthday with his students,friends and family[1].The team gave me the honor and privilege to be the banquet speaker.I titled my speech as“Dr.Fung:My Respected Mentor and Cherished Friend”-something for those of you who have known Dr.Fung well can“resonate”.Still,I would like to take this opportunity to share with you an excerpt of the story I told about this great gentle man.展开更多
针对目前敌我识别辐射源个体识别(Specific Emitter Identification of Identification Friend or Foe,SEI-IFF)研究不足的问题,提出了一种基于多维特征与Transformer网络的SEI-IFF方法。该方法首先从单个脉冲及信号全局等多维度获取如...针对目前敌我识别辐射源个体识别(Specific Emitter Identification of Identification Friend or Foe,SEI-IFF)研究不足的问题,提出了一种基于多维特征与Transformer网络的SEI-IFF方法。该方法首先从单个脉冲及信号全局等多维度获取如相位、幅度、时间、功率谱密度等信号特征,结合Transformer网络进一步提取不同IFF辐射源个体特征中如前后关联特性的细微特征并最终实现SEI-IFF。试验结果表明,所提方法针对20个目标搭载的IFF辐射源个体的平均识别正确率达95.3%,可较准确地完成SEI-IFF,有助于提升战场SEI-IFF效率。展开更多
针对目标密集场景下,敌我识别(Identification Friend or Foe,IFF)结果和雷达目标关联不准确的问题,提出了一种基于压缩感知理论的雷达目标关联方法。将阵列接收信号协方差矩阵向量化处理形成观测向量,以多个雷达目标方位信息为基础扩...针对目标密集场景下,敌我识别(Identification Friend or Foe,IFF)结果和雷达目标关联不准确的问题,提出了一种基于压缩感知理论的雷达目标关联方法。将阵列接收信号协方差矩阵向量化处理形成观测向量,以多个雷达目标方位信息为基础扩充形成多个目标方位簇,并构建基于方位簇虚拟阵列流形的观测矩阵,通过观测向量在观测矩阵上的投影判断阵列接收信号与多个雷达目标方位相关性大小,形成关联判决结果。典型场景下的仿真结果表明,该方法能够实现敌我识别结果与雷达目标的高正确率关联,在阵元数28、信噪比3 dB、雷达测向误差不超过0.2°的条件下,对方位角相差不低于0.5°的两个目标能够实现准确关联。展开更多
近年来,社会化推荐作为推荐算法之一被广泛应用于各大平台.由于引入了用户的社交信息,社会化推荐可以较好地缓解数据稀疏问题.然而,大部分社会化推荐难以高效地从原始信息中提取用户的有效信息,导致引入社会信息的同时也会引入大量噪声...近年来,社会化推荐作为推荐算法之一被广泛应用于各大平台.由于引入了用户的社交信息,社会化推荐可以较好地缓解数据稀疏问题.然而,大部分社会化推荐难以高效地从原始信息中提取用户的有效信息,导致引入社会信息的同时也会引入大量噪声.为了解决上述问题,本文提出了SRBHL(Social Recommendation Based on Hypergraph embedding and Limited attention)模型,通过超图嵌入模块提取用户的历史行为信息和社交信息,以缓解原始目标用户数据稀疏问题,并结合有限注意力模块来过滤原始信息的噪声,最后将得到的有效好友信息用于推荐.在Yelp-Urbana、Yelp-Phoenix和Epinions3个真实数据集上的实验结果表明SRBHL模型相比其他的推荐算法表现更出色.此外,本文还对SRBHL模型进行了鲁棒性分析,并给出了模型最优参数的取值范围.展开更多
文摘On September 14,2008,Drs.Shu Chien,Peter Chen,Geert Schmid-Schonbein,Pin Tong and I had the great pleasure of organizing a beautiful event in San Diego,California to celebration Dr.Fung’s 90thbirthday with his students,friends and family[1].The team gave me the honor and privilege to be the banquet speaker.I titled my speech as“Dr.Fung:My Respected Mentor and Cherished Friend”-something for those of you who have known Dr.Fung well can“resonate”.Still,I would like to take this opportunity to share with you an excerpt of the story I told about this great gentle man.
文摘针对目前敌我识别辐射源个体识别(Specific Emitter Identification of Identification Friend or Foe,SEI-IFF)研究不足的问题,提出了一种基于多维特征与Transformer网络的SEI-IFF方法。该方法首先从单个脉冲及信号全局等多维度获取如相位、幅度、时间、功率谱密度等信号特征,结合Transformer网络进一步提取不同IFF辐射源个体特征中如前后关联特性的细微特征并最终实现SEI-IFF。试验结果表明,所提方法针对20个目标搭载的IFF辐射源个体的平均识别正确率达95.3%,可较准确地完成SEI-IFF,有助于提升战场SEI-IFF效率。
文摘针对目标密集场景下,敌我识别(Identification Friend or Foe,IFF)结果和雷达目标关联不准确的问题,提出了一种基于压缩感知理论的雷达目标关联方法。将阵列接收信号协方差矩阵向量化处理形成观测向量,以多个雷达目标方位信息为基础扩充形成多个目标方位簇,并构建基于方位簇虚拟阵列流形的观测矩阵,通过观测向量在观测矩阵上的投影判断阵列接收信号与多个雷达目标方位相关性大小,形成关联判决结果。典型场景下的仿真结果表明,该方法能够实现敌我识别结果与雷达目标的高正确率关联,在阵元数28、信噪比3 dB、雷达测向误差不超过0.2°的条件下,对方位角相差不低于0.5°的两个目标能够实现准确关联。
文摘近年来,社会化推荐作为推荐算法之一被广泛应用于各大平台.由于引入了用户的社交信息,社会化推荐可以较好地缓解数据稀疏问题.然而,大部分社会化推荐难以高效地从原始信息中提取用户的有效信息,导致引入社会信息的同时也会引入大量噪声.为了解决上述问题,本文提出了SRBHL(Social Recommendation Based on Hypergraph embedding and Limited attention)模型,通过超图嵌入模块提取用户的历史行为信息和社交信息,以缓解原始目标用户数据稀疏问题,并结合有限注意力模块来过滤原始信息的噪声,最后将得到的有效好友信息用于推荐.在Yelp-Urbana、Yelp-Phoenix和Epinions3个真实数据集上的实验结果表明SRBHL模型相比其他的推荐算法表现更出色.此外,本文还对SRBHL模型进行了鲁棒性分析,并给出了模型最优参数的取值范围.
