奇异信号消噪中小波消失矩的选取

信号小波变换模的局部极大值和信号奇异性之间存在对应关系，利用信号和噪声小波变换模极大值在不同尺度上表现出的截然不同的性质，可以对奇异信号进行消噪。本文讨论了小波消失矩的阶数与信号Lipschitz指数间的关系，分析了消失矩对奇异信号检测的影响。实验结果表明，为了有效地检测奇异信号的各种奇异性特征，需要根据信号奇异性选择具有不同消失矩的小波。     

一种基于小波变换的信号恒虚警率检测方法

基于噪声和信号在不同尺度下的特性,引入小波域中噪声置信度概念,利用删除技术CM(Censored Method)估计小波域中的噪声功率水平,采用软阈值处理,提出一种信号恒虚警检测方法。理论分析表明该方法在高斯噪声背景下具有恒虚警率特性,对不同杂波背景下的信号处理结果表明了该方法的鲁棒性。     

稀疏距离扩展目标自适应检测及性能分析

在球不变随机向量杂波背景下,研究了稀疏距离扩展目标的自适应检测问题.基于有序检测理论, 利用协方差矩阵估计方法,分析了自适应检测器(Adaptive detector, AD).其中,基于采样协方差矩阵(Sample covariance matrix, SCM)和归一化采样协方差矩阵(Normalized sample covariance matrix, NSCM),分别建立了AD-SCM和AD-NSCM检测器.从恒虚警率特性和检测性能综合来看, AD-NSCM的性能优于AD-SCM和已有的修正广义似然比检测器.最后,通过仿真实验验证了所提方法的有效性.     

双向特征融合的数据自适应SAR图像舰船目标检测模型

目的 利用合成孔径雷达（synthetic aperture radar,SAR）图像进行舰船目标检测是实施海洋监视的重要手段。基于深度学习的目标检测模型在自然图像目标检测任务中取得了巨大成功,但由于自然图像与SAR图像的差异,不能将其直接迁移到SAR图像目标检测中。针对SAR图像目标检测实际应用中对速度和精度的需求,借鉴经典的单阶段目标检测模型（single shot detector,SSD）框架,提出一种基于特征优化的轻量化SAR图像舰船目标检测网络。方法 改进模型并精简网络结构,提出一种数据驱动的目标分布聚类算法,学习SAR数据集的目标尺度、长宽比分布特性,用于网络参数设定;对卷积神经网络（convolutional neural network,CNN）提取的特征进行优化,提出一种双向高低层特征融合机制,将高层特征的语义信息通过语义聚合模块加成到低层特征中,在低层特征中提取特征平均图,处理后作为高层特征的注意力权重图对高层特征进行逐像素加权,将低层特征丰富的空间信息融入到高层特征中。结果 利用公开的SAR舰船目标检测数据集（SAR ship detection dataset,SSDD）进行实验,与原始的SSD模型相比,轻量化结构设计在不损失检测精度的前提下,样本测试时间仅为SSD的65%;双向特征融合机制将平均精确度（average precision,AP）值由77.93%提升至80.13%,训练和测试时间分别为SSD的64.1%和72.6%;与公开的基于深度学习的SAR舰船目标检测方法相比,本文方法在速度和精度上都取得了最佳性能,AP值较精度次优模型提升了1.23%,训练和测试时间较精度次优模型分别提升了559.34 ms和175.35 ms。结论 实验充分验证了本文所提模型的有效性,本文模型兼具检测速度与精度优势,具有很强的实用性。     

基于DnCNN的海面目标一维距离像识别方法

针对低信噪比条件下海面目标分类识别精度差的问题,该文提出了一种基于去噪卷积神经网络(Denoising convolutional neural network,DnCNN)的海面目标高分辨一维距离像(High Resolution Range Profile,HRRP)识别方法。所提方法设计了一个海面目标分类识别模型,该模型通过其中的降噪模块提高信噪比。首先,分析了HRRP和二维图像的相似特性,将HRRP降噪转变为二维图像降噪。其次,利用深层次卷积层与批归一化层相结合的结构,提取图像深层次的噪声特征,最后采用残差学习技术,减轻深层次网络的学习负担的同时重构图像进行分类识别。实验结果表明,该模型可以有效提升低信噪比条件下的海面目标分类识别正确率,在不同信噪比条件下其识别性能均优于对比模型,具有良好的识别性能和鲁棒性。      

企业成本控制存在的问题及对策

成本控制是现代企业财务的管理的主要方面,也是企业进一步发展最关键的因素.本文对企业中成本控制存在的问题进行了研究,进而提出了相关的对策,以此达到加强成本控制,降低产品价格,提高产品的市场竞争力的目的.     

局部均匀背景中距离扩展目标的GLRT检测器及性能分析

在复合高斯杂波满足局部均匀的背景下,对均匀杂波分组模型进行推广,建立了广义杂波分组模型.进一步,利用广义似然比检验（GLRT）原理,提出了距离扩展目标的基于广义杂波分组的GLRT检测器（GCC-GLRT）,并推导了检测器虚警概率与检测门限关系的表达式.GCC-GLRT有效地解决了基于均匀杂波分组的GLRT检测器（CC-GLRT）在非均匀杂波分组背景下不具备CFAR特性的问题.仿真结果还表明,对于稀疏散射点目标,在合适的杂波分组情况下,GCC-GLRT能有效克服采用NSDD-GLRT检测器出现的“坍塌损失”,改善检测器的检测性能.     

杂波协方差矩阵结构的融合估计方法

针对特定杂波背景下的最优或次优杂波协方差矩阵估计方法难以适应过渡杂波环境的问题,提出协方差矩阵结构的融合估计方法,通过调整参数涵盖现有的3种杂波协方差矩阵估计方法,并分析所提出方法对应的自适应归一化匹配滤波器的自适应特性.其次,确定了控制参数的经验公式,经验公式符合数值结果.最后,从估计精度、恒虚警率特性和检测性能3个方面对所提出方法和已有方法进行对比分析.仿真结果表明,在过渡杂波环境中,所提出方法的精度更高、检测效果更好,对实际杂波非高斯程度时空渐变性具有较强的适应能力.     

基于质量中心算法的两种点迹凝聚算法

为了提高雷达提取目标点迹方位的精度,针对传统的点迹凝聚算法存在的不使用点迹的幅度信息或过分的相信每个点迹幅度信息的问题,提出了幅度加权凝聚算法和幅度排序凝聚算法,使点迹群中有少量强杂渡或大量弱杂波参入的情况下,也可以有很好的凝聚效果．仿真表明了这两种方法的有效性．     

基于多频连续波雷达的最优加权跟踪算法

针对采用二次差频测距方式的连续波雷达初始测距误差大而且循环变化,跟踪精度不高的情况,提出一种对当前雷达量测值和目标预测值进行加权的跟踪算法.仿真结果表明该算法能够适应该体制雷达的测量特点,有效地跟踪目标.