当干扰信号的空域和极化域特征与目标信号相似时,采用空极化域联合抗干扰技术在消除干扰的同时也会抑制目标信号,导致干扰对消后信干噪比(signal to interference plus noise ratio,SINR)低于雷达系统需求,从而形成干扰对消盲区。针对...当干扰信号的空域和极化域特征与目标信号相似时,采用空极化域联合抗干扰技术在消除干扰的同时也会抑制目标信号,导致干扰对消后信干噪比(signal to interference plus noise ratio,SINR)低于雷达系统需求,从而形成干扰对消盲区。针对这一现象,通过在空域、极化域与空极化域分别建立交替极化阵列对消盲区模型,推导了对消盲区位置和大小的数学表达式,从而给出了交替极化阵列对消盲区的数学表征方法。进而分析了交替极化阵列对消盲区的分布规律与影响因素,研究发现阵元间距能够显著影响交替极化阵列对消盲区的分布,在相同条件下交替极化阵列对消盲区大于共点极化阵列对消盲区,结果表明交替极化阵列虽然通过减少天线数目降低了设备成本,但增大了阵列的对消盲区。然后,对消盲区模型进行了数值仿真,仿真结果验证了理论分析。最后,利用信道模拟器搭建了实验平台,信道模拟实验测得的对消盲区与理论值基本一致,再次证明了分析结论的有效性。展开更多
针对小目标水漂垃圾形态多变、分辨率低且信息有限,导致检测效果不理想的问题,提出一种改进的Faster-RCNN(Faster Regions with Convolutional Neural Network)水漂垃圾检测算法MP-Faster-RCNN(Faster-RCNN with Multi-scale feature an...针对小目标水漂垃圾形态多变、分辨率低且信息有限,导致检测效果不理想的问题,提出一种改进的Faster-RCNN(Faster Regions with Convolutional Neural Network)水漂垃圾检测算法MP-Faster-RCNN(Faster-RCNN with Multi-scale feature and Polarized self-attention)。首先,建立黄河兰州段小目标水漂垃圾数据集,将空洞卷积结合ResNet-50代替原来的VGG-16(Visual Geometry Group 16)作为主干特征提取网络,扩大感受野以提取更多小目标特征;其次,在区域生成网络(RPN)利用多尺度特征,设置3×3和1×1的两层卷积,补偿单一滑动窗口造成的特征丢失;最后,在RPN前加入极化自注意力,进一步利用多尺度和通道特征提取更细粒度的多尺度空间信息和通道间依赖关系,生成具有全局特征的特征图,实现更精确的目标框定位。实验结果表明,MP-Faster-RCNN能有效提高水漂垃圾检测精度,与原始Faster-RCNN相比,平均精度均值(mAP)提高了6.37个百分点,模型大小从521 MB降到了108 MB,且在同一训练批次下收敛更快。展开更多
文摘当干扰信号的空域和极化域特征与目标信号相似时,采用空极化域联合抗干扰技术在消除干扰的同时也会抑制目标信号,导致干扰对消后信干噪比(signal to interference plus noise ratio,SINR)低于雷达系统需求,从而形成干扰对消盲区。针对这一现象,通过在空域、极化域与空极化域分别建立交替极化阵列对消盲区模型,推导了对消盲区位置和大小的数学表达式,从而给出了交替极化阵列对消盲区的数学表征方法。进而分析了交替极化阵列对消盲区的分布规律与影响因素,研究发现阵元间距能够显著影响交替极化阵列对消盲区的分布,在相同条件下交替极化阵列对消盲区大于共点极化阵列对消盲区,结果表明交替极化阵列虽然通过减少天线数目降低了设备成本,但增大了阵列的对消盲区。然后,对消盲区模型进行了数值仿真,仿真结果验证了理论分析。最后,利用信道模拟器搭建了实验平台,信道模拟实验测得的对消盲区与理论值基本一致,再次证明了分析结论的有效性。
文摘针对小目标水漂垃圾形态多变、分辨率低且信息有限,导致检测效果不理想的问题,提出一种改进的Faster-RCNN(Faster Regions with Convolutional Neural Network)水漂垃圾检测算法MP-Faster-RCNN(Faster-RCNN with Multi-scale feature and Polarized self-attention)。首先,建立黄河兰州段小目标水漂垃圾数据集,将空洞卷积结合ResNet-50代替原来的VGG-16(Visual Geometry Group 16)作为主干特征提取网络,扩大感受野以提取更多小目标特征;其次,在区域生成网络(RPN)利用多尺度特征,设置3×3和1×1的两层卷积,补偿单一滑动窗口造成的特征丢失;最后,在RPN前加入极化自注意力,进一步利用多尺度和通道特征提取更细粒度的多尺度空间信息和通道间依赖关系,生成具有全局特征的特征图,实现更精确的目标框定位。实验结果表明,MP-Faster-RCNN能有效提高水漂垃圾检测精度,与原始Faster-RCNN相比,平均精度均值(mAP)提高了6.37个百分点,模型大小从521 MB降到了108 MB,且在同一训练批次下收敛更快。
