教学课程资源库 更多>>

关键词： 随机信号   信号分析与处理   军事应用   案例式教学   教学改革  

摘要： 信号分析与处理技术是电子信息系统中关键技术的理论基石,“随机信号分析与处理”课程是电子信息类本科专业的一门专业必修课程。在分析国防科技大学“随机信号分析与处理”课程教学现状的基础上,提出军事应用案例式教学改革设想,通过介绍课程相关军事应用案例的收集和制作、课堂施教及教学效果,得出军事应用案例式教学改革能够进一步提高教学效果,促进学员对信号处理基本原理的理解,增强学员动手能力,为学员创新能力和综合素质的提高发挥重要作用。

关键词： 幽灵信号   车辆自动防护系统   电磁干扰   无人驾驶  

摘要： 文章就全球唯一个人快速运输系统——希斯罗机场PRT个人捷运交通系统在运行之初产生线圈错误“禁用”的情况进行分析,包括引起该错误信号的原因、理论分析,提出解决方案并进行试验验证。通过大量探索和研究,确定了工程项目中避免“幽灵信号”产生的实施方案。

关键词： 信号失真   故障原因   处理方法  

摘要： 中波是通讯中的一个极为重要的波段,发射机播出的信号直接关系到中波的质量。由于发射机故障和现实环境复杂多变,存在诸多信号干扰因子,容易导致发射机传输信号失真的故障。本文主要介绍了DAM中波发射机播出信号失真的故障原因分析以及具体处理方法。

关键词： 核信号分析与处理   实验教学   科学研究   探索与改革  

摘要： 为了利用地学、核技术等优势学科的前沿性研究成果,充分调动学生的科研热情以及对学科前沿问题的认知能力,以核信号分析与处理课程为例,对传统实验教学进行了探索和改革,将经典实验进行优化,减小验证性实验所占比例,增加设计性实验和科研型的综合实验,难度系数层层递进,形成具有学科特色的核物理实验教学模式。在教学方式上采用三段式教学,包括课前调研、课中验证以及课后撰写科研论文式的实验报告3个环节。科研式的实验教学探索对于培养学生的科研能力、创新能力具有显著作用,在教学实施过程中也取得了良好的实验教学效果。

关键词： 气动力测量   风洞天平   小波变换   希尔伯特-黄变换   时频变换   天平信号处理  

摘要： 在激波风洞中开展测力试验时,测力系统在风洞流场起动瞬间会受到冲击激励,从而对天平的输出信号产生惯性干扰.天平输出信号中叠加有动态气动力信号和惯性振动信号,有可能无法直接分辨出气动力信号的规律性,信号处理结果与真实气动力之间会产生较大的误差,导致处理结果不可靠.由于模型测力天平系统结构的复杂性,在极短的有效试验时间(毫秒级)内,天平信号中部分高频率分量(由结构高阶模态振动、非定常气动载荷或其他流场干扰等因素引起的高频干扰)有可能无法完全衰减,此时对信号直接进行传统的滤波处理和傅里叶变换分析反而有可能增大处理结果的误差.本文采用小波变换和希尔伯特-黄变换,针对尖锥标准模型的激波风洞天平信号,开展降噪和时频变换分析处理,旨在有效辨识出天平信号中的不同干扰成分,输出可靠的气动力结果.本文将时频变换方法应用于风洞天平冲击阶跃载荷的信号处理,对结果进行对比分析,验证了该方法在脉冲风洞测力试验数据处理中的有效性和可靠性,得到了比较理想的结果.

摘要： 人工智能被广泛应用于脑科学等领域，并发挥了重要作用。《“十四五”规划纲要和2035年远景目标纲要》将“类脑计算与脑机融合技术研发”列为国家重点研究攻关项目。脑信号智能分析与处理作为“类脑计算与脑机融合技术研发”的重要方向之一，能够有效地推动心理学、生物学、认知神经科学与临床医学等领域的发展。然而，脑信号具有类型多样、信息复杂等特点与挑战。为了应对这些挑战，有必要探索和发展以机器学习为代表的脑信号智能分析与处理方法。本期专栏选题为脑信号智能分析与处理，将突出目前对脑影像、电生理等数据处理、建模的机器学习方法与应用研究。专栏公开征文，所有稿件按编辑部“三审制”进行评审，分别为编辑部初审、专家评审和编委会终审。经“三审制”评审后，本期专栏发表论文15篇，具体如下：

摘要： 基于MATLAB软件开发《信号分析与处理》的虚拟实验教学平台。利用MATLABGUI创建图形用户界面，层次清晰，操作简单，交互性好。通过可视化的图形演示，将抽象概念形象化，提高了学生的课堂参与度，激发了学生的学习兴趣，提升了课程教学效果。《信号分析与处理》课程是电气工程及其自动化专业承上启下的核心基础课程，由于该课程的理论性较强，概念抽象，讲授课程过程中有大量的数学公式推导，具有一定的教学难度。

关键词： 脑器交互   癫痫   情绪识别   运动想象  

摘要： 伴随经济和社会的持续发展,人工智能等新的课题引发了很多学者的重视,但关于大脑的研究还存在许多问题需求处理。大脑是人体的重要器官,极大影响到各类感官、心理与肢体活动。为合理探寻大脑的工作形式,论文基于脑器交互,针对癫痫预测、情感识别、运动想象脑电信号识别、专注力训练等方面展开深入的研究。论文主要工作和创新点如下: (1)针对癫痫脑电监测问题,设计了基于Open BCI开发板为核心的脑器交互式癫痫脑电监测系统,对发作间期EEG进行研究。通过分形维数、近似熵等动态特征的提取和基于概率神经网络分类器的实现,并依据留一交叉法对分类器进行检验,达到了98%以上的分类准确度。 (2)针对情绪识别率不理想的缺陷,应用DTCWT的特征提取以及改进的网格搜索法,基于支持向量机(SVM)对平静,高兴,悲伤三种情绪进行分类,提高了搜索最优参数组合的效率,减少了训练时间,保证了高的识别率,最后获得分类正确率大于90%。 (3)针对由运动想象脑电信号转化为指令来控制外部系统的问题,给出了基于AR模型的运动想象脑电信号模型,以及基于小波包能量熵差法和比值法的特征提取方法,并结合了线性判别分析和支持向量法的算法,实测实验结果比较表明所给出的方法具有更高的运动方向识别率。 (4)针对专注度不高或无法长时间维持高度专注状态会导致脑器交互系统效率低下的问题,讨论了Keep Focus专注力训练实验,提出了功率谱幅值和样本熵特征提取方法来表明专注力训练前后的专注度变化。进一步给出了一种基于单通道脑机接口技术的嵌入式轮椅系统解决方案,将训练后的脑电数据运用在脑控轮椅上,可有效提高轮椅前进、停止等控制工作的效率。

关键词： 智能信号分析   弱监督深度学习   调制识别   宽带信号自适应处理、攻防对抗、轻量化神经网络  

摘要： 近年来,基于人工智能的信号处理技术得到了日益广泛的关注,在信息侦察、电子对抗和精确打击等领域中发挥重要作用。由于深度学习技术具有自动学习抽象任务相关性特征的能力,对信号检测和调制识别等任务有着极高的应用价值。然而,实际电磁环境复杂多变,存在数据不充分、标签不准确和标注不确切等问题,与深度学习的大规模、精确和完备监督数据需求之间形成突出的矛盾。弱监督深度学习技术旨在使用非完全监督信息训练深度学习模型,其学习条件与实际复杂电磁环境的数据特点相契合,将有望解决人工智能在电磁领域应用的难题。因此,本文研究了基于弱监督深度学习的智能信号分析与处理技术。针对信号分析任务中数据不充分、标签不准确和标注不确切的问题,以调制识别和宽带信号检测任务为研究对象,提出了基于弱监督学习的智能信号分析算法;针对智能模型在博弈环境中的应用问题,提出了用于模型攻防的对抗信号生成算法;针对实际部署中的计算资源受限的问题,提出了基于渐进式模仿学习的卷积神经网络轻量化算法。期望通过上述研究,解决深度学习技术在实际复杂电磁环境落地应用的一些难点问题。论文主要工作概括如下:1.针对信号调制识别任务中监督数据不充分的问题,提出了基于自监督深度编码网络的小样本多模调制识别算法。首先深入分析了复杂信道对调制信号的影响,通过修改信号频域、时域和幅度域的影响参数,提出并验证了9种调制信号扩增方法,以在实际应用中扩增信号。其次,构建了基于自监督学习的降噪深度自编码器,通过软件无线电的动态效应模块生成自监督降噪数据,训练自编码器实现调制信号降噪,降低信道效应对提取调制域特征的影响,减少模型训练对监督数据的需求。最后,构建了基于多模态输入的小样本调制识别模型,构造了降噪信号和调制信号的多模输入,设计了特征融合层,以提升模型的识别性能。在RML2016.10a和RML2016.10b数据集上进行了实验,结果显示:所提出算法在每类训练样本数为1000时达到了44.48%的总体识别正确率,相比于SSRCNN(Semi-supervised Signal Recognition Convolutional Neural Network)和VAT(Virtual Adversarial Training)等半监督学习算法,所提出算法在总体识别正确率上有1.09%～28.24%的提高。2.针对信号调制识别任务中数据标签不准确的问题,提出了基于行列式信息熵损失的噪声标签调制识别算法。首先,设计了行列式信息熵损失,该损失通过衡量信号标签与模型输出间的互信息,忽略互信息较少的噪声标签,使模型实现对噪声标签的鲁棒性。其次,将潜在类条件噪声估计引入到行列式信息熵损失中,通过吉布斯采样近似估计噪声转移矩阵,校正噪声标签,以利用带噪声标签的样本训练识别模型。在RML2016.10a和RML2016.10b数据集上进行了实验,结果显示:在噪声标签占比80%的数据条件下,相比于FL(Forward Loss)、GCE(Generalized Cross Entropy)和LCCN(Latent Class-Conditional Noise)等噪声标签学习算法,所提出算法在总体识别正确率上有3.50%～54.46%的提高。3.针对宽带信号检测任务中数据标注不确切的问题,提出了基于标签传播的弱监督宽带信号智能检测算法。首先,针对低信噪比宽带信号时频图缺少颜色、纹理等信息导致生成的目标候选框不精确的问题,利用类标签激活的前景目标的显著性,计算窄带信号目标中心坐标,粗略预测信号目标位置。其次,采用基于像素语义亲和度的标签传播算法,估计信号目标边界,并在目标边界内迭代传播目标中心的标签,对时频图生成像素级的类别预测。最后,利用最小外接矩形算法生成像素级类别预测结果的最小外接矩形作为信号目标的检测框。在宽带信号数据集SWSD上进行了实验,结果表明:所提出算法能预测更精准的检测框,相比于弱监督目标检测算法WSDDN(Weakly Supervised Deep Detection Network),所提出算法的、和分别提高了24.32%、12.94%和7.15%;相比目标检测算法YOLO(You Only Look Once)v4,提高了4.14%。4.针对智能模型在博弈环境中的应用问题,提出了用于模型攻防对抗的基于视觉与信息约束的对抗信号生成算法。首先,针对现有算法生成的对抗信号视觉变形大,传输信息变化大的问题,设置了视觉与信息差异的限制条件,提出了对抗信号的邻域内局部扰动约束。其次,引入了基于种群进化机制的差分进化算法,优化搜索全局最优的对抗信号。在RML2016.10a和RML2016.10b数据集上进行了实验,结果显示:相比于FGSM(Fast Gradient Sign Method)、BIM(Basic Iter

关键词： 输油管道缺陷识别   信号分析与处理   长短期记忆网络   卷积神经网络  

摘要： 管道作为油气运输的重要部件,其安全性对整个油气工艺流程及接卸传输任务具有极为重要的意义。针对处理输油管道检测信号过程中遇到的噪声复杂、缺陷信号数据集不足、缺陷类型不明确等问题,本文基于现场采集的磁应力信号数据、脉冲磁涡流信号数据以及五类实验室检测的缺陷信号数据,详细分析并对比了不同管道缺陷信号以及信号异常点的特征,基于连续小波变换、LSTM、CNN等方法实现了对输油管道缺陷类型的识别,主要研究内容如下:(1)基于粒子群优化算法对小波阈值降噪方法进行了优化,该方法具有自适应选择阈值并能避免结果落入局部最优的优点。针对检测设备多通道的特点,对采集的输油管道信号数据进行了相关性分析,结果显示不同通道的检测信号之间均呈现强相关性。(2)基于变点检测算法建立了4种针对输油管道异常信号的检测模型,实现了对输油管道异常信号的自动捕捉。实验结果揭示多数缺陷信号段采样点集中在500～800之间,异常点的处的电压与缺陷深度成正比,与缺陷尺寸成反比。(3)为扩充输油管道缺陷信号数据集,建立了基于LSTM神经网络的信号动态预测模型。利用现场管道信号数据集对模型性能进行测试,两个信号数据集合格样本的平均预测准确率分别为93.8%和94.6%。结果证明该模型可以捕捉到输油管道信号的变化趋势和数据的前后关联性,为后续数据增强工作提供了理论支撑。(4)基于连续小波变换法将输油管道信号转换为时频图,增强了在原始信号中不可见的模式,强化了缺陷信号特征。针对带标签的输油管道缺陷信号数据,建立了基于卷积神经网络的缺陷信号分类模型。同时,利用LSTM预测模型扩充了输油管道缺陷样本集,将缺陷信号分类准确率从74.8%提高到了81.0%。