Separation and recognition of radar signals is the key function of modern radar reconnaissance,which is of great sig-nificance for electronic countermeasures and anti-countermea-sures.In order to improve the ability o...Separation and recognition of radar signals is the key function of modern radar reconnaissance,which is of great sig-nificance for electronic countermeasures and anti-countermea-sures.In order to improve the ability of separating mixed signals in complex electromagnetic environment,a blind source separa-tion algorithm based on degree of cyclostationarity(DCS)crite-rion is constructed in this paper.Firstly,the DCS criterion is con-structed by using the cyclic spectrum theory.Then the algo-rithm flow of blind source separation is designed based on DCS criterion.At the same time,Givens matrix is constructed to make the blind source separation algorithm suitable for multiple sig-nals with different cyclostationary frequencies.The feasibility of this method is further proved.The theoretical and simulation results show that the algorithm can effectively separate and re-cognize common multi-radar signals.展开更多
针对户外导盲场景中道路目标检测存在的复杂背景干扰及关键语义信息需求,当前目标检测算法在道路目标检测中表现出较低的准确性以及容易出现漏检的问题,为此提出一种基于YOLOv8n的道路目标检测算法OD-YOLO。基于FasterNet和SPPF构建主...针对户外导盲场景中道路目标检测存在的复杂背景干扰及关键语义信息需求,当前目标检测算法在道路目标检测中表现出较低的准确性以及容易出现漏检的问题,为此提出一种基于YOLOv8n的道路目标检测算法OD-YOLO。基于FasterNet和SPPF构建主干网络;使用FasterNet以增强特征提取能力,在SPPF模块中引入可分离大核注意力机制(large separable kernel attention,LSKA)以提高算法对道路目标整体的感知能力。提出一种新的C2f模块GAC2f,在减小模型计算量的同时提高其特征捕获能力,同时通过使用多样分支模块(diverse branch block,DBB)中结构重参数化思想优化GAC2f,在不损失模型性能的前提下,融合多种特征信息以显著提高模型精度,另一方面使用卷积门控线性单元(convolutional gated linear unit,Convolutional GLU)改进LarK中的大核卷积以优化GAC2f,使模型能够捕获更多上下文信息。提出一种轻量级非对称检测头PADH,在提高模型性能的同时减少参数量,并使用PIoUv2改进原有的损失函数,通过基于层自适应稀疏度的量级剪枝(layer-adaptive sparsity for the magnitude-based pruning,LAMP)操作进一步优化算法模型。实验结果表明,在公共人行道路目标数据集WOTR上,OD-YOLO与YOLOv8n相比,经过剪枝后模型参数量同为3×10^(6),但mAP@0.5、mAP@0.5:0.95分别提升3.4和4.1个百分点,证明算法OD-YOLO在面向户外导盲场景的道路目标检测中可以达到预期的效果。展开更多
混洗差分隐私(SDP)模型能兼顾用户端的隐私保护程度和服务器端发布结果的可用性,更适用于隐私保护的大数据收集和统计发布场景。针对目前SDP频率估计方法的洗牌效率较低和混洗过程安全性不足等问题,进行以下工作:首先,设计基于优化椭圆...混洗差分隐私(SDP)模型能兼顾用户端的隐私保护程度和服务器端发布结果的可用性,更适用于隐私保护的大数据收集和统计发布场景。针对目前SDP频率估计方法的洗牌效率较低和混洗过程安全性不足等问题,进行以下工作:首先,设计基于优化椭圆曲线的混洗差分隐私盲签名算法(SDPBSA),以实现对篡改或伪造信息的鉴别,提高混洗过程的安全性;其次,提出矩阵列重排转置(MCRT)洗牌方法,以利用随机的矩阵列重排和矩阵转置操作实现数据混洗,提高混洗过程的效率;最后,结合上述方法构建完整的SDP频率估计隐私保护框架——SM-SDP(SDP based on blind Signature and Matrix column rearrangement transposition),并通过理论分析讨论它的隐私性和误差级别。在Normal、Zipf和IPUMS(Integrated Public Use Microdata Series)等数据集上的实验结果表明,相较于Fisher-Yates、ORShuffle(Oblivious Recursive Shuffling)和MRS(Message Random Shuffling)等洗牌方法,MCRT洗牌方法的洗牌效率提升了1~2个数量级;相较于mixDUMP、PSDP(Personalized Differential Privacy in Shuffle model)和HP-SDP(Histogram Publication with SDP)等频率估计方法,SM-SDP框架在不同比例恶意数据存在时的均方误差(MSE)降低了2~11个数量级。展开更多
单主用户信号的出现主要引起多天线接收信号取样协方差矩阵中极值特征值的变化,而多主用户信号的出现则会同时扰动取样协方差矩阵极值特征值和其他特征值,此时,经典的极值特征值检测算法则会表现出次佳的检测性能。针对这一问题,本研究...单主用户信号的出现主要引起多天线接收信号取样协方差矩阵中极值特征值的变化,而多主用户信号的出现则会同时扰动取样协方差矩阵极值特征值和其他特征值,此时,经典的极值特征值检测算法则会表现出次佳的检测性能。针对这一问题,本研究设计了一种基于极值特征值差与特征值几何平均(difference of extreme eigenvalues and geometric average of eigenvalues,DEEGAE)的多主用户信号检测判决规则;提出了一种基于Wishart矩阵特征值统计分布理论的感知判决门限的闭式求解方法。该算法在频谱感知过程中直接利用认知用户的多天线接收数据构造判决规则并实施感知判决,具有全盲检测的优点;通过融合2种极限特征值门限分析结果,提高了非渐近感知条件下感知结果的准确性。Monte-Carlo仿真试验表明,新算法具有比经典的最大最小特征值之比算法和协方差绝对值检测算法更优的多主用户信号检测性能,同时能获得比传统基于最大最小特征值之差及其改进算法更为可靠的检测结果;与此同时,新算法的检测性能随着样本数目以及天线数目的增大而显著提升。展开更多
基金supported by the National Natural Science Foundation of China(61502522).
文摘Separation and recognition of radar signals is the key function of modern radar reconnaissance,which is of great sig-nificance for electronic countermeasures and anti-countermea-sures.In order to improve the ability of separating mixed signals in complex electromagnetic environment,a blind source separa-tion algorithm based on degree of cyclostationarity(DCS)crite-rion is constructed in this paper.Firstly,the DCS criterion is con-structed by using the cyclic spectrum theory.Then the algo-rithm flow of blind source separation is designed based on DCS criterion.At the same time,Givens matrix is constructed to make the blind source separation algorithm suitable for multiple sig-nals with different cyclostationary frequencies.The feasibility of this method is further proved.The theoretical and simulation results show that the algorithm can effectively separate and re-cognize common multi-radar signals.
文摘针对户外导盲场景中道路目标检测存在的复杂背景干扰及关键语义信息需求,当前目标检测算法在道路目标检测中表现出较低的准确性以及容易出现漏检的问题,为此提出一种基于YOLOv8n的道路目标检测算法OD-YOLO。基于FasterNet和SPPF构建主干网络;使用FasterNet以增强特征提取能力,在SPPF模块中引入可分离大核注意力机制(large separable kernel attention,LSKA)以提高算法对道路目标整体的感知能力。提出一种新的C2f模块GAC2f,在减小模型计算量的同时提高其特征捕获能力,同时通过使用多样分支模块(diverse branch block,DBB)中结构重参数化思想优化GAC2f,在不损失模型性能的前提下,融合多种特征信息以显著提高模型精度,另一方面使用卷积门控线性单元(convolutional gated linear unit,Convolutional GLU)改进LarK中的大核卷积以优化GAC2f,使模型能够捕获更多上下文信息。提出一种轻量级非对称检测头PADH,在提高模型性能的同时减少参数量,并使用PIoUv2改进原有的损失函数,通过基于层自适应稀疏度的量级剪枝(layer-adaptive sparsity for the magnitude-based pruning,LAMP)操作进一步优化算法模型。实验结果表明,在公共人行道路目标数据集WOTR上,OD-YOLO与YOLOv8n相比,经过剪枝后模型参数量同为3×10^(6),但mAP@0.5、mAP@0.5:0.95分别提升3.4和4.1个百分点,证明算法OD-YOLO在面向户外导盲场景的道路目标检测中可以达到预期的效果。
文摘混洗差分隐私(SDP)模型能兼顾用户端的隐私保护程度和服务器端发布结果的可用性,更适用于隐私保护的大数据收集和统计发布场景。针对目前SDP频率估计方法的洗牌效率较低和混洗过程安全性不足等问题,进行以下工作:首先,设计基于优化椭圆曲线的混洗差分隐私盲签名算法(SDPBSA),以实现对篡改或伪造信息的鉴别,提高混洗过程的安全性;其次,提出矩阵列重排转置(MCRT)洗牌方法,以利用随机的矩阵列重排和矩阵转置操作实现数据混洗,提高混洗过程的效率;最后,结合上述方法构建完整的SDP频率估计隐私保护框架——SM-SDP(SDP based on blind Signature and Matrix column rearrangement transposition),并通过理论分析讨论它的隐私性和误差级别。在Normal、Zipf和IPUMS(Integrated Public Use Microdata Series)等数据集上的实验结果表明,相较于Fisher-Yates、ORShuffle(Oblivious Recursive Shuffling)和MRS(Message Random Shuffling)等洗牌方法,MCRT洗牌方法的洗牌效率提升了1~2个数量级;相较于mixDUMP、PSDP(Personalized Differential Privacy in Shuffle model)和HP-SDP(Histogram Publication with SDP)等频率估计方法,SM-SDP框架在不同比例恶意数据存在时的均方误差(MSE)降低了2~11个数量级。
文摘单主用户信号的出现主要引起多天线接收信号取样协方差矩阵中极值特征值的变化,而多主用户信号的出现则会同时扰动取样协方差矩阵极值特征值和其他特征值,此时,经典的极值特征值检测算法则会表现出次佳的检测性能。针对这一问题,本研究设计了一种基于极值特征值差与特征值几何平均(difference of extreme eigenvalues and geometric average of eigenvalues,DEEGAE)的多主用户信号检测判决规则;提出了一种基于Wishart矩阵特征值统计分布理论的感知判决门限的闭式求解方法。该算法在频谱感知过程中直接利用认知用户的多天线接收数据构造判决规则并实施感知判决,具有全盲检测的优点;通过融合2种极限特征值门限分析结果,提高了非渐近感知条件下感知结果的准确性。Monte-Carlo仿真试验表明,新算法具有比经典的最大最小特征值之比算法和协方差绝对值检测算法更优的多主用户信号检测性能,同时能获得比传统基于最大最小特征值之差及其改进算法更为可靠的检测结果;与此同时,新算法的检测性能随着样本数目以及天线数目的增大而显著提升。
