This paper presents a joint high order statistics （HOS） and signal-to-noise ratio （SNR） algorithm for the recognition of multiple-input multiple-output （MIMO） radar signal without a priori knowledge of the signa...This paper presents a joint high order statistics （HOS） and signal-to-noise ratio （SNR） algorithm for the recognition of multiple-input multiple-output （MIMO） radar signal without a priori knowledge of the signal parameters. This method is capable of recognizing the MIMO radar signal as well as discriminating it from single-carrier signal adopted by conventional radar. Meanwhile, the sub-carrier number of the none-coding MIMO radar signal is estimated. Extensive simulations are carried out in different operating conditions. Simulation results prove the feasibility and indicate that the recognition probability could reach over 90% when the value of SNR is above 0 dB.展开更多
针对现有信道估计方案导致正交时频空间(Orthogonal Time Frequency Space,OTFS)调制系统峰均功率比(Peak-to-Average Power Ratio,PAPR)高或频谱效率(Spectral Efficiency,SE)低的问题,提出一种多叠加导频的低PAPR、高SE信道估计方法...针对现有信道估计方案导致正交时频空间(Orthogonal Time Frequency Space,OTFS)调制系统峰均功率比(Peak-to-Average Power Ratio,PAPR)高或频谱效率(Spectral Efficiency,SE)低的问题,提出一种多叠加导频的低PAPR、高SE信道估计方法。发送端利用时域正交性和离散傅里叶域相位的随机性,在时延多普勒域中嵌入与数据相叠加的5导频符号的导频图案实现低PAPR,提高SE。接收端以数据符号与噪声之和的能量均值为基准,实现导频信号检测,同时根据每个导频的不同位置信息恢复出存在相位旋转的数据信号。基于能量准则,利用多个独立的接收信号进行联合信道估计,以降低数据符号的干扰,并采用消息传递算法进行数据恢复。仿真结果表明,该方法比单叠加导频信道估计的PAPR低,同时较嵌入式导频信道估计的SE提高约14.4%。展开更多
基于重建的工业图像异常检测通常假设模型能很好重建正常区域,而不能很好重建异常区域。但由于深度神经网络存在过度泛化问题,使得异常区域也能被较好重建,导致异常区域漏检。为解决上述问题,提出一种基于多记忆增强模块及图像轮廓重建...基于重建的工业图像异常检测通常假设模型能很好重建正常区域,而不能很好重建异常区域。但由于深度神经网络存在过度泛化问题,使得异常区域也能被较好重建,导致异常区域漏检。为解决上述问题,提出一种基于多记忆增强模块及图像轮廓重建的工业表面异常检测网络(industrial surface anomaly detection based on recon-struction with multiple memory enhancement modules and image edge,MMAERec)。具体来说,在带有跳跃连接的U-Net类型去噪自编码器上引入多记忆增强模块和图像轮廓提取模块。多记忆增强模块得到的记忆特征有利于很好地重建正常区域;而提取到的图像轮廓特征则有利于很好重建图像轮廓。将这两种不同特征的融合经注意力机制处理并用于重建能很好地提高重建图像质量。所提方法可以强制网络学习正常的低频和高频信息,防止模型直接复制异常区域,有效缓解过度泛化问题。在MVTec AD和BTAD两个工业数据集上的实验结果也展现了所提方法良好的检测和定位性能。展开更多
基金supported by the Foundation of Chinese People’s Liberation Army General Equipment Department(41101020303)
文摘This paper presents a joint high order statistics （HOS） and signal-to-noise ratio （SNR） algorithm for the recognition of multiple-input multiple-output （MIMO） radar signal without a priori knowledge of the signal parameters. This method is capable of recognizing the MIMO radar signal as well as discriminating it from single-carrier signal adopted by conventional radar. Meanwhile, the sub-carrier number of the none-coding MIMO radar signal is estimated. Extensive simulations are carried out in different operating conditions. Simulation results prove the feasibility and indicate that the recognition probability could reach over 90% when the value of SNR is above 0 dB.
文摘针对现有信道估计方案导致正交时频空间(Orthogonal Time Frequency Space,OTFS)调制系统峰均功率比(Peak-to-Average Power Ratio,PAPR)高或频谱效率(Spectral Efficiency,SE)低的问题,提出一种多叠加导频的低PAPR、高SE信道估计方法。发送端利用时域正交性和离散傅里叶域相位的随机性,在时延多普勒域中嵌入与数据相叠加的5导频符号的导频图案实现低PAPR,提高SE。接收端以数据符号与噪声之和的能量均值为基准,实现导频信号检测,同时根据每个导频的不同位置信息恢复出存在相位旋转的数据信号。基于能量准则,利用多个独立的接收信号进行联合信道估计,以降低数据符号的干扰,并采用消息传递算法进行数据恢复。仿真结果表明,该方法比单叠加导频信道估计的PAPR低,同时较嵌入式导频信道估计的SE提高约14.4%。
文摘基于重建的工业图像异常检测通常假设模型能很好重建正常区域,而不能很好重建异常区域。但由于深度神经网络存在过度泛化问题,使得异常区域也能被较好重建,导致异常区域漏检。为解决上述问题,提出一种基于多记忆增强模块及图像轮廓重建的工业表面异常检测网络(industrial surface anomaly detection based on recon-struction with multiple memory enhancement modules and image edge,MMAERec)。具体来说,在带有跳跃连接的U-Net类型去噪自编码器上引入多记忆增强模块和图像轮廓提取模块。多记忆增强模块得到的记忆特征有利于很好地重建正常区域;而提取到的图像轮廓特征则有利于很好重建图像轮廓。将这两种不同特征的融合经注意力机制处理并用于重建能很好地提高重建图像质量。所提方法可以强制网络学习正常的低频和高频信息,防止模型直接复制异常区域,有效缓解过度泛化问题。在MVTec AD和BTAD两个工业数据集上的实验结果也展现了所提方法良好的检测和定位性能。
