一种深度强化学习的雷达辐射源个体识别方法

针对传统依赖于人工经验提取辐射源个体特征的不足,提出一种基于深度强化学习的雷达辐射源个体识别方法。利用发射机非理想信道造成的辐射源信号包络在信号变化时呈现的不同瞬态信息,以信号包络前沿作为深度神经网络的输入状态,以辐射源类别作为当前输入状态的可选动作,通过卷积神经网络自动提取辐射源包络个体特征,并拟合当前状态动作对的Q值,进而以强化学习模型完成雷达辐射源个体识别任务。讨论了深度Q网络模型、深度双Q网络模型以及Dueling Network模型3种深度强化学习模型在辐射源识别任务中的应用。实测数据仿真实验表明：传统机器学习算法的识别率不足80%,而深度强化学习网络的识别率高达98.42%.     

基于特征融合的注意力增强卷积神经网络的航空发动机滚动轴承故障诊断方法

针对现有基于深度卷积神经网络的故障诊断方法只考虑对信息局部特征的提取、忽视全局信息的不足,将可以把握全局信息的注意力机制融入卷积层,使得注意力机制参数和卷积层参数参与网络的训练,提出一种注意力增强卷积神经网络的机械故障诊断方法。通过经验模态分解、变分模态分解和小波包分解的方法提取滚动轴承振动信号的高维特征模量;将特征模量组成多通道样本输入到注意力增强卷积神经网络中进行训练,利用网络对特征模量自适应地融合和选择,从而挖掘特征模量的隐式特征;使用Softmax分类器进行分类识别;通过训练好的网络对高转速下的滚动轴承进行故障诊断;利用不同信噪比的信号对所提方法进行测试,以验证网络的泛化能力和故障诊断效果。实验结果表明：该方法能准确、有效地对航空发动机滚动轴承不同故障的损伤程度进行分类识别。     

基于卷积网络和对抗式学习的雷达信号识别算法

针对雷达信号识别中因新信号数据与训练数据的样本差异,导致卷积网络模型识别率下降的问题,提出一种基于卷积网络和对抗学习的雷达信号识别算法,提升模型对新样本的识别率。首先,依据时频变换理论,变换得到雷达信号时域-频域能量分布图像,以表征信号脉内调制特征;然后,结合深度可分离卷积的结构,构建卷积网络模型,并利用样本数据对模型进行预训练;最后,融合生成对抗网络的思想,网络模型采用对抗学习方式,根据输入新样本数据自适应调整、更新网络各层参数,提升模型对新样本特征提取能力。仿真结果表明,-4dB信噪比样本识别率由79.78%提升到90.67%,-2dB信噪比样本识别率由83.15%提升到91.00%,验证了算法的有效性。     

融合卷积特征与判别字典学习的低截获概率雷达信号识别

针对低截获雷达信号通常采用人工特征选择,且在低信噪比、样本数量少情况下识别率低的问题,提出一种融合雷达信号时频图像的卷积特征与字典学习识别算法。该算法以表征信号调制方式的时频图像为基础,通过时频变换获得信号的二维时频数据,输入到LeNet-5卷积神经网络中。网络通过美国MNIST数据库手写数据集进行预训练,将预训练后网络中的2～6层网络参数迁移到新的LeNet-5中,取出第6卷积层的数据作为提取的卷积特征。使用判别字典学习方法进行识别。仿真结果表明：通过预训练处理能够加快网络的收敛与优化,有效提取到每类信号的卷积特征;与文献［4］、文献［24］、文献［25］、文献［26］中4种算法相比,利用判别字典学习能够在样本少、低信噪比情况下取得较高的识别率。     

DP-DRCnet卷积神经网络信号调制识别算法

卷积神经网络在降低系统网络开销的同时，如何保证较高的信号调制识别准确率是目前面临的重要问题。提出一种轻量级卷积神经网络。该网络分为两路，并行提取信号的自相关和互相关特征，之后两路特征进行合并，实现不同调制方式的分类识别；该网络采用控制模型中卷积层的输入数据维度及卷积核数量的方案，实现对网络模型开销的控制。通过对多种不同的调制方式进行识别验证。实验结果表明：在信噪比为-6～12 dB条件下，其平均识别准确率可达到86.5%;与传统卷积神经网络相比，计算量降低了94.44%;与常规轻量级卷积神经网络相比，计算量降低了67.6%,该网络性能优于现有的基于轻量级卷积神经网络的调制方式识别方法。     

基于卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征耗时长、特征不明显等问题,提出一种基于深度学习卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别方法。该方法通过快速离散分数傅里叶变换提取信号的模糊函数主脊,并将模糊函数主脊极坐标域的二维时频图作为卷积神经网络的输入,实现对不同雷达信号的分选识别。仿真实验结果表明：新方法不仅在信噪比为0 dB以上保持100%的识别率,在-6 dB时识别准确率也稳定在90%以上;相对于传统的雷达信号识别方法和其他深度学习模型识别方法,在识别率和鲁棒性上均有较大提升,具有一定的工程应用价值。     

基于凸轮自动机的试验装置设计和动力学分析

基于某武器凸轮自动机的机构运动原理,设计了一套自动机机构运动状态试验装置,用于测试并检测供输弹过程中自动机机构的运动规律防止其在供输弹过程出现卡滞现象,利用UG软件建立了三维模型,并基于多体动力学和刚柔耦合理论对该试验机构进行了运动学仿真分析,通过对比分析不同转速下试验机构关重件的运动规律,可以看出该种新型试验机构运转稳定,证明该机构的设计方法可行.     

行星变速箱振动信号的线性量子信息熵特征

针对行星变速箱在运行时产生的非线性非平稳振动且故障特征信号微弱等问题,将量子理论引入信息熵的计算中,提出一种全新的特征提取方法——线性量子信息熵。介绍了量子理论的基本概念及振动信号的线性量子表达,建立了振动信号的多量子位系统;基于振动信号多量子位表达提出了线性量子信息熵算法;对行星变速箱故障模拟试验台采集到的齿轮正常、K1小行星轮裂纹、K1大行星轮裂纹、K2行星轮裂纹和K3太阳轮裂纹5种状态振动信号的线性量子信息熵进行求解,并与时频熵、排列熵、样本熵计算结果对比。结果表明,线性量子信息熵能够有效提取行星变速箱的运行状态特征。     

基于阵列模型的窄带信号盲解卷积方法

在水声技术中,鱼雷对多目标进行被动检测时,需要对多目标源信号进行分离、定位,而雷体传感器阵列接收的信号通常为纯时延卷积混合信号.本文针对这种卷积混合只考虑窄带信号情况,把盲分离与阵列信号处理结合起来,将实数的卷积混合转化为复数的瞬时混合,从而在盲分离阵列模型的基础上,通过复数盲分离的手段完成盲解卷积.解卷积恢复的多目标源信号十分有利于多目标特征识别与定位.文中所构建的正弦信号盲解卷积仿真试验取得了令人满意的结果,表明方法是正确有效的.     

复杂结构装配质量检测与缺陷识别的频响特性方法研究

复杂结构由于其连接子结构种类繁多、连接关系复杂,特别是经过一段时间的工作,连接件出现松动和变位,导致其装配质量劣化。对此,提出一种基于频响特性分析方法,探索其在复杂结构装配质量检测和缺陷识别中的应用。通过对主要机构转换环节布置冲击激励和振动响应传感器,采用便携式采集分析系统同步采集冲击激励、振动响应信号,信号经相干修正预处理后,建立激励和各响应信号的频响函数关系模型。通过差异比较法,分析正常工况和待检复杂结构的频响函数特征参数,研究结构的装配质量问题。经对某综合传动装置及某供输弹机构实验结果分析表明,该方法能有效对复杂结构装配缺陷进行检测。     

基于概率密度演化方法的火炮输弹过程不确定性分析

为分析火炮输弹过程不确定性参数对输弹一致性的影响，提出基于概率密度演化理论的输弹过程不确定性分析方法。建立某火炮输弹机的ADAMS动力学模型，根据概率密度守恒原理推导输弹过程的广义概率密度演化方程，以弹丸状态变量和输弹过程随机参数的联合概率密度函数建立状态空间与概率空间之间的联系。根据物理状态的演变引出概率密度的演化，并基于Lax-Wendroff格式的有限差分法求解输弹响应的概率密度函数。与文献［20］试验结果对比，输弹ADAMS 动力学模型的仿真位移曲线与试验数据基本吻合，验证了模型的准确性；分析了不同工况下参数不确定性对弹丸响应的影响，得到了响应均方差。结果表明：与蒙特卡洛（MC）方法的结果对比，该方法计算的响应概率密度函数在形式与精度上都比较准确，验证了该方法的适用性；随着输弹角的增大，响应的波动范围扩大。     

基于SPCE-HDMR的某输弹协调机构稳健设计研究

针对某输弹协调机构不确定性输入参数众多、稳健优化设计计算量大的问题,提出一种基于稀疏混沌多项式展开的高维模型表达技术,即SPCE-HDMR,用于提高输弹协调机构的到位精度,其显著优势是能够明确输入参数的线性程度和耦合特性,将构造复杂高维代理模型由指数级增长降阶为多项式级增长。首先,明确输弹协调机构的不确定性输入参数,并对其进行分类; 然后,基于Cut-HDMR思想搭建输弹协调机构高维模型的函数扩展结构,利用优化拉丁超立方采样技术,结合稀疏混沌多项式展开方法,构建输弹协调机构高维模型的分量函数; 最后,进行了输弹协调机构的稳健优化设计研究。计算结果验证了该方法的实用性和有效性,且能够高效准确地提高输弹协调机构的到位精度。该方法为输弹协调机构以及其他工程机构的设计提供了理论参考。     

某大口径火炮输弹一致性研究

基于区间参数的不确定性分析方法对某大口径火炮输弹一致性进行研究,分析输弹参数不确定性带来输弹动力学响应的变化。利用ADAMS软件建立输弹机动力学模型,根据输弹过程和输弹实验确定不确定参数及参数区间,采用基于统计信息的多体系统区间不确定分析方法计算得到输弹过程弹丸状态参数,并确定弹丸状态参数区间。数值算例结果表明,输弹机强制输弹阶段参数的不确定性对弹丸状态参数基本无影响,惯性输弹阶段参数的不确定性对火炮输弹一致性有很大影响。     

基于注意力机制与深度学习算法的机床主轴系统故障辨识

针对具有复杂非线性特点的数控机床主轴系统整体动态退化故障较难辨识及故障研究难度大的问题,从数据分析入手,提出一种基于注意力机制与深度学习算法的智能化故障辨识方法,研究机床主轴系统的整体故障辨识问题。该方法设计了注意力机制的研究框架,将研究问题分为全局纵向大分类区间和局部横向细粒度区间两个维度：采用训练并调优后推理平均绝对误差达到0.028 7的门控循环单元模型,辨识出大分类区间的全局性退化故障;采用鲁棒性强且辨识准确率达99.7%的残差网络模型,在sym8小波基自适应软阈值降噪的基础上对局部细粒度区间故障进行准确细节辨识。结果表明：该方法可量化地辨识出主轴系统的整体故障;所提注意力机制可使大分类区间无法准确辨识的故障在细粒度区间得到有效区分,类内数据增长梯度由6.6%增加到43.8%;通过对机床主轴系统实际使用中在空载状态下遇到的不对中和局部共振等典型故障,以及在负载加工状态下故障的辨识研究,验证了所提方法的有效性与准确性。     

基于转换脉冲神经网络的雷达辐射源识别方法

为提高雷达辐射源识别智能水平,提出一种新的基于转换脉冲神经网络进行雷达辐射源调制模式识别的 方法。将仿真产生的雷达信号转换为2 维时频图,将传统的卷积神经网络(convolutional neural networks, CNN)转化 为脉冲神经网络(spiking neuron network, SNN),使用SNN 进行雷达辐射源识别。仿真实验结果表明：该方法具有 优良的检测精度,当信噪比高于-9 dB 时,识别概率可达96%以上。     

S变换相对谱熵及其在液压泵退化状态识别中的应用

为更好地表征液压泵的退化状态,对液压泵退化特征提取方法和退化状态识别方法进行研究。基于S变换分析非平稳信号的优异能力以及相对熵较好表征振动信号概率分布差异的特性,提出S变换相对谱熵的液压泵退化特征提取方法,对液压泵仿真信号分析结果验证了所提出的S变换相对能谱熵和S变换相对奇异谱熵作为退化特征的有效性和可行性。将两个特征指标组成退化特征向量,对滑靴磨损和松靴故障模式下不同故障程度的液压泵振动信号进行分析,进一步验证所提出的特征指标作为液压泵退化特征的有效性。将加权灰关联法用于液压泵退化状态识别,建立了液压泵的标准退化模式矩阵,对两种故障模式下液压泵待检测样本的退化特征向量和标准模式矩阵做加权灰关联分析,根据灰关联度的大小判定液压泵的退化状态,结果验证了所提出方法的良好性能。     

火箭炮多参数的综合测量

提出一种采用激光准直技术、CCD图像判别技术与液压施力技术相结合的方案,用于综合检测火箭炮的晃动量、多管平行性和零线3个参数,并简述了设备的工作原理与不确定度分析,测量的不确定度为σ≤±15”．     

改进的YOLOv3算法及其在军事目标检测中的应用

复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的R...