邮件订阅
当期目录
2024年 第46卷 第10期
2024, 46(10): 3827-3848.
doi: 10.11999/JEIT240155
摘要:
随着人工智能技术的发展，基于深度神经网络的合成孔径雷达(SAR)目标识别得到了广泛关注。然而，SAR系统的成像机制导致了图像特性与成像参数之间的强相关性，因此深度学习框架下的目标识别算法精度极易受成像参数敏感性的干扰，这成为了制约先进智能算法部署到实际工程中的一大障碍。该文首先回顾了SAR图像目标识别技术的发展与相关数据集，从雷达工作的成像几何、载荷参数和噪声干扰3个角度，深入分析了成像参数变化对图像特性的影响；然后，从模型、数据、特征3个维度，总结归纳了现有文献关于深度学习技术对成像参数敏感性的鲁棒性与泛化性这一问题的研究进展；接下来，汇总并分析了典型方法的实验结果；最后讨论了在未来有望突破成像参数敏感性这一问题的深度学习技术研究方向。
随着人工智能技术的发展，基于深度神经网络的合成孔径雷达(SAR)目标识别得到了广泛关注。然而，SAR系统的成像机制导致了图像特性与成像参数之间的强相关性，因此深度学习框架下的目标识别算法精度极易受成像参数敏感性的干扰，这成为了制约先进智能算法部署到实际工程中的一大障碍。该文首先回顾了SAR图像目标识别技术的发展与相关数据集，从雷达工作的成像几何、载荷参数和噪声干扰3个角度，深入分析了成像参数变化对图像特性的影响；然后，从模型、数据、特征3个维度，总结归纳了现有文献关于深度学习技术对成像参数敏感性的鲁棒性与泛化性这一问题的研究进展；接下来，汇总并分析了典型方法的实验结果；最后讨论了在未来有望突破成像参数敏感性这一问题的深度学习技术研究方向。
2024, 46(10): 3849-3878.
doi: 10.11999/JEIT240095
摘要:
自然界中的生物需要在其一生中不断地学习并适应环境，这种持续学习的能力是生物学习系统的基础。尽管深度学习方法在计算机视觉和自然语言处理领域取得了重要进展，但它们在连续学习任务时面临严重的灾难性遗忘问题，即模型在学习新知识时会遗忘旧知识，这在很大程度上限制了深度学习方法的应用。持续学习研究对人工智能系统的改进和应用具有重要意义。该文对深度模型的持续学习进行了全面回顾。首先介绍了持续学习的定义和典型设定，阐述了问题的关键。其次，将现有持续学习方法划分为基于正则化、基于回放、基于梯度和基于网络结构4类，分析了各类方法的优点和局限性。同时，该文强调并总结了持续学习领域的理论分析进展，建立了理论与方法之间的联系。此外，提供了常用的数据集和评价指标，以公正评判不同方法。最后，从多个领域的应用价值出发，讨论了深度持续方法面临的问题、挑战和未来研究方向。
自然界中的生物需要在其一生中不断地学习并适应环境，这种持续学习的能力是生物学习系统的基础。尽管深度学习方法在计算机视觉和自然语言处理领域取得了重要进展，但它们在连续学习任务时面临严重的灾难性遗忘问题，即模型在学习新知识时会遗忘旧知识，这在很大程度上限制了深度学习方法的应用。持续学习研究对人工智能系统的改进和应用具有重要意义。该文对深度模型的持续学习进行了全面回顾。首先介绍了持续学习的定义和典型设定，阐述了问题的关键。其次，将现有持续学习方法划分为基于正则化、基于回放、基于梯度和基于网络结构4类，分析了各类方法的优点和局限性。同时，该文强调并总结了持续学习领域的理论分析进展，建立了理论与方法之间的联系。此外，提供了常用的数据集和评价指标，以公正评判不同方法。最后，从多个领域的应用价值出发，讨论了深度持续方法面临的问题、挑战和未来研究方向。
2024, 46(10): 3879-3889.
doi: 10.11999/JEIT231064
摘要:
针对类增量学习(CIL)中的灾难性遗忘问题，该文提出一种不同类的数据流和特征空间双分离的类增量学习算法。双分离(S2)算法在1次增量任务中包含2个阶段。第1个阶段通过分类损失、蒸馏损失和对比损失的综合约束训练网络。根据模块功能对各类的数据流进行分离，以增强新网络对新类别的识别能力。通过对比损失的约束，增大各类数据在特征空间中的距离，避免由于旧类样本的不完备性造成特征空间被新类侵蚀。第2个阶段对不均衡的数据集进行动态均衡采样，利用得到的均衡数据集对新网络进行动态微调。利用实测和仿真数据构建了一个飞机目标高分辨率距离像增量学习数据集，实验结果表明该算法相比其它几种对比算法在保持高可塑性的同时，具有更高的稳定性，综合性能更优。
针对类增量学习(CIL)中的灾难性遗忘问题，该文提出一种不同类的数据流和特征空间双分离的类增量学习算法。双分离(S2)算法在1次增量任务中包含2个阶段。第1个阶段通过分类损失、蒸馏损失和对比损失的综合约束训练网络。根据模块功能对各类的数据流进行分离，以增强新网络对新类别的识别能力。通过对比损失的约束，增大各类数据在特征空间中的距离，避免由于旧类样本的不完备性造成特征空间被新类侵蚀。第2个阶段对不均衡的数据集进行动态均衡采样，利用得到的均衡数据集对新网络进行动态微调。利用实测和仿真数据构建了一个飞机目标高分辨率距离像增量学习数据集，实验结果表明该算法相比其它几种对比算法在保持高可塑性的同时，具有更高的稳定性，综合性能更优。
2024, 46(10): 3890-3907.
doi: 10.11999/JEIT240138
摘要:
现有合成孔径雷达(SAR)目标识别方法大多局限于闭集假定，即认为训练模板库内训练目标类别包含全部待测目标类别，不适用于库内已知类和库外未知新类目标共存的真实开放识别环境。针对训练模板库目标类别非完备情况下的SAR目标识别问题，该文提出一种结合未知类特征生成与分类得分修正的SAR目标开集识别方法。该方法在利用已知类学习原型网络保证已知类识别精度的基础上结合对潜在未知类特征分布的先验认知，生成未知类特征更新网络，进一步保证特征空间中已知类、未知类特征的鉴别性。原型网络更新完成后，所提方法挑选各已知类边界特征，并计算边界特征到各自类原型的距离(极大距离)，通过极值理论对各已知类极大距离进行概率拟合确定了各已知类最大分布区域。测试阶段在度量待测样本特征与各已知类原型距离预测闭集分类得分的基础上，计算了各距离在对应已知类极大距离分布上的概率，并修正闭集分类得分，实现了拒判概率的自动确定。基于MSTAR实测数据集的实验结果表明，所提方法能够有效表征真实未知类特征分布并提升网络特征空间已知类与未知类特征的鉴别性，可同时实现对库内已知类目标的准确识别和对库外未知类新目标的准确拒判。
现有合成孔径雷达(SAR)目标识别方法大多局限于闭集假定，即认为训练模板库内训练目标类别包含全部待测目标类别，不适用于库内已知类和库外未知新类目标共存的真实开放识别环境。针对训练模板库目标类别非完备情况下的SAR目标识别问题，该文提出一种结合未知类特征生成与分类得分修正的SAR目标开集识别方法。该方法在利用已知类学习原型网络保证已知类识别精度的基础上结合对潜在未知类特征分布的先验认知，生成未知类特征更新网络，进一步保证特征空间中已知类、未知类特征的鉴别性。原型网络更新完成后，所提方法挑选各已知类边界特征，并计算边界特征到各自类原型的距离(极大距离)，通过极值理论对各已知类极大距离进行概率拟合确定了各已知类最大分布区域。测试阶段在度量待测样本特征与各已知类原型距离预测闭集分类得分的基础上，计算了各距离在对应已知类极大距离分布上的概率，并修正闭集分类得分，实现了拒判概率的自动确定。基于MSTAR实测数据集的实验结果表明，所提方法能够有效表征真实未知类特征分布并提升网络特征空间已知类与未知类特征的鉴别性，可同时实现对库内已知类目标的准确识别和对库外未知类新目标的准确拒判。
2024, 46(10): 3908-3917.
doi: 10.11999/JEIT231426
摘要:
开放动态环境下目标类别不断丰富，遥感目标检测问题不能局限于已知类目标的鉴别，还需要对未知类目标做出有效判决。该文设计一种基于自适应预筛选的遥感开集目标检测网络，首先，提出面向目标候选框的自适应预筛选模块，依据筛选出的候选框坐标得到具有丰富语义信息和空间特征的查询传递至解码器。然后，结合原始图像中目标边缘信息提出一种伪标签选取方法，并以开集判决为目的构造损失函数，提高网络对未知新类特征的学习能力。最后，采用MAR20飞机目标识别数据集模拟不同的开放动态遥感目标检测环境，通过广泛的对比实验和消融实验，验证了该文方法能够实现对已知类目标的可靠检测和未知类目标的有效检出。
开放动态环境下目标类别不断丰富，遥感目标检测问题不能局限于已知类目标的鉴别，还需要对未知类目标做出有效判决。该文设计一种基于自适应预筛选的遥感开集目标检测网络，首先，提出面向目标候选框的自适应预筛选模块，依据筛选出的候选框坐标得到具有丰富语义信息和空间特征的查询传递至解码器。然后，结合原始图像中目标边缘信息提出一种伪标签选取方法，并以开集判决为目的构造损失函数，提高网络对未知新类特征的学习能力。最后，采用MAR20飞机目标识别数据集模拟不同的开放动态遥感目标检测环境，通过广泛的对比实验和消融实验，验证了该文方法能够实现对已知类目标的可靠检测和未知类目标的有效检出。
2024, 46(10): 3918-3927.
doi: 10.11999/JEIT240217
摘要:
为了确保合成孔径雷达(SAR)自动目标识别(ATR)系统能够迅速适应新的应用环境，其必须具备快速学习新类的能力。目前的SAR ATR系统在学习新类时需要不断重复训练所有旧类样本，这会造成大量存储资源的浪费，同时识别模型无法快速更新。保留少量的旧类样例进行后续的增量训练是模型增量识别的关键。为了解决这个问题，该文提出基于最大化非重合体积的样例挑选方法(ESMNV)，一种侧重于分布非重合体积的样例选择算法。ESMNV将每个已知类的样例选择问题转化为分布非重合体积的渐近增长问题，旨在最大化所选样例的分布的非重合体积。ESMNV利用分布之间的相似性来表示体积之间的差异。首先，ESMNV使用核函数将目标类别的分布映射到重建核希尔伯特空间(RKHS)，并使用高阶矩来表示分布。然后，它使用最大均值差异(MMD)来计算目标类别与所选样例分布之间的差异。最后，结合贪心算法，ESMNV逐步选择使样例分布与目标类别分布差异最小的样例，确保在有限数量的样例情况下最大化所选样例的非重合体积。
为了确保合成孔径雷达(SAR)自动目标识别(ATR)系统能够迅速适应新的应用环境，其必须具备快速学习新类的能力。目前的SAR ATR系统在学习新类时需要不断重复训练所有旧类样本，这会造成大量存储资源的浪费，同时识别模型无法快速更新。保留少量的旧类样例进行后续的增量训练是模型增量识别的关键。为了解决这个问题，该文提出基于最大化非重合体积的样例挑选方法(ESMNV)，一种侧重于分布非重合体积的样例选择算法。ESMNV将每个已知类的样例选择问题转化为分布非重合体积的渐近增长问题，旨在最大化所选样例的分布的非重合体积。ESMNV利用分布之间的相似性来表示体积之间的差异。首先，ESMNV使用核函数将目标类别的分布映射到重建核希尔伯特空间(RKHS)，并使用高阶矩来表示分布。然后，它使用最大均值差异(MMD)来计算目标类别与所选样例分布之间的差异。最后，结合贪心算法，ESMNV逐步选择使样例分布与目标类别分布差异最小的样例，确保在有限数量的样例情况下最大化所选样例的非重合体积。
2024, 46(10): 3928-3935.
doi: 10.11999/JEIT240140
摘要:
在小样本条件下提升方法的泛化性能，是合成孔径雷达自动目标识别(SAR ATR)的重要研究方向。针对该方向中的基础理论问题，该文建立了一个SAR ATR因果模型，证明了SAR图像中背景、相干斑等干扰在充足样本条件下可以被忽略；但在小样本条件下，这些因素将成为识别中的混杂因子，在提取的SAR图像特征中引入虚假相关性，影响SAR ATR性能。为了甄别和消除这些特征中的虚假效应，该文提出一个基于双重一致性的小样本SAR ATR方法，其中双重一致性包括类内一致性掩码和效应一致性损失。首先，基于鉴别特征应具有类内一致和类间差异的原则，利用类内一致性掩码，捕获目标的类内一致鉴别特征，甄别出目标特征中的混淆部分，准确估计出干扰引入的虚假效应。其次，基于不变风险最小化的思想，利用效应一致性损失，将经验风险最小化数据量需求转变为对效应相似度的度量需求，降低虚假效应消除对数据量的需求，消除特征中的虚假效应。因而，所提基于双重一致性的小样本SAR ATR方法可实现特征提取中的真实因果，实现准确的识别性能。两个基准数据集上的识别实验，验证了该方法的合理性和有效性，可提升小样本条件下SAR目标识别的性能。
在小样本条件下提升方法的泛化性能，是合成孔径雷达自动目标识别(SAR ATR)的重要研究方向。针对该方向中的基础理论问题，该文建立了一个SAR ATR因果模型，证明了SAR图像中背景、相干斑等干扰在充足样本条件下可以被忽略；但在小样本条件下，这些因素将成为识别中的混杂因子，在提取的SAR图像特征中引入虚假相关性，影响SAR ATR性能。为了甄别和消除这些特征中的虚假效应，该文提出一个基于双重一致性的小样本SAR ATR方法，其中双重一致性包括类内一致性掩码和效应一致性损失。首先，基于鉴别特征应具有类内一致和类间差异的原则，利用类内一致性掩码，捕获目标的类内一致鉴别特征，甄别出目标特征中的混淆部分，准确估计出干扰引入的虚假效应。其次，基于不变风险最小化的思想，利用效应一致性损失，将经验风险最小化数据量需求转变为对效应相似度的度量需求，降低虚假效应消除对数据量的需求，消除特征中的虚假效应。因而，所提基于双重一致性的小样本SAR ATR方法可实现特征提取中的真实因果，实现准确的识别性能。两个基准数据集上的识别实验，验证了该方法的合理性和有效性，可提升小样本条件下SAR目标识别的性能。
2024, 46(10): 3936-3948.
doi: 10.11999/JEIT231470
摘要:
为提升基于深度学习(DL)的合成孔径雷达自动目标识别(SAR ATR)系统在开放动态的非合作场景中对新类别目标的持续敏捷识别能力，该文研究了SAR ATR的小样本类增量学习(FSCIL)问题，并提出了自监督解耦动态分类器(SDDC)。针对FSCIL 中“灾难性遗忘”和“过拟合”本质难点和SAR ATR领域挑战，根据SAR图像目标信息的部件化与方位角敏感性特点，于图像域构建了基于散射部件混淆与旋转模块(SCMR)的自监督学习任务，以提升目标表征的泛化性与稳健性。同时，设计了类印记交叉熵(CI-CE)损失并以参数解耦学习(PDL)策略对模型动态微调，以对新旧知识平衡判别。实验在由MSTAR和SAR-AIRcraft-1.0数据集分别构建的覆盖多种目标类别、观测条件和成像平台的FSCIL场景上验证了该算法开放动态环境的适应能力。
为提升基于深度学习(DL)的合成孔径雷达自动目标识别(SAR ATR)系统在开放动态的非合作场景中对新类别目标的持续敏捷识别能力，该文研究了SAR ATR的小样本类增量学习(FSCIL)问题，并提出了自监督解耦动态分类器(SDDC)。针对FSCIL 中“灾难性遗忘”和“过拟合”本质难点和SAR ATR领域挑战，根据SAR图像目标信息的部件化与方位角敏感性特点，于图像域构建了基于散射部件混淆与旋转模块(SCMR)的自监督学习任务，以提升目标表征的泛化性与稳健性。同时，设计了类印记交叉熵(CI-CE)损失并以参数解耦学习(PDL)策略对模型动态微调，以对新旧知识平衡判别。实验在由MSTAR和SAR-AIRcraft-1.0数据集分别构建的覆盖多种目标类别、观测条件和成像平台的FSCIL场景上验证了该算法开放动态环境的适应能力。
2024, 46(10): 3949-3956.
doi: 10.11999/JEIT240050
摘要:
无线环境地图(REM)是呈现电磁态势的一种有效形式，考虑实际观测的不完整频谱地图受到干扰和噪声污染的问题，该文对频谱地图进行重构，并在此基础上完成辐射源识别。首先，将复杂电磁环境下的频谱地图建模为高维张量，在预处理中通过线性插值对其初始化补全。然后，使用视觉Transformer模型解决语义分割问题以识别频谱语义区域，区域中仅单一辐射源功率占主导，每个语义张量的低秩性得以保留。提出了一种压缩式张量分解算法，并采用交替方向乘子法(ADMM)在语义区域中重构期望信号频谱和干扰；最后，在重构的频谱地图上检测未知辐射源的位置。该方法能够充分利用频谱数据的低秩性，适用于广域多辐射源个体的电磁场景。实验结果表明，所提方法比现有方法具有更优的重构性能，降低了达到相同频谱地图恢复精度时对观测样本比例的要求，并能够准确检测辐射源。
无线环境地图(REM)是呈现电磁态势的一种有效形式，考虑实际观测的不完整频谱地图受到干扰和噪声污染的问题，该文对频谱地图进行重构，并在此基础上完成辐射源识别。首先，将复杂电磁环境下的频谱地图建模为高维张量，在预处理中通过线性插值对其初始化补全。然后，使用视觉Transformer模型解决语义分割问题以识别频谱语义区域，区域中仅单一辐射源功率占主导，每个语义张量的低秩性得以保留。提出了一种压缩式张量分解算法，并采用交替方向乘子法(ADMM)在语义区域中重构期望信号频谱和干扰；最后，在重构的频谱地图上检测未知辐射源的位置。该方法能够充分利用频谱数据的低秩性，适用于广域多辐射源个体的电磁场景。实验结果表明，所提方法比现有方法具有更优的重构性能，降低了达到相同频谱地图恢复精度时对观测样本比例的要求，并能够准确检测辐射源。
2024, 46(10): 3957-3965.
doi: 10.11999/JEIT240100
摘要:
智能干扰是一种利用环境反馈自主学习干扰策略，对敌方通信链路进行有效干扰的技术。然而，现有的智能干扰研究大多假设干扰机能够直接获取通信质量反馈(如误码率或丢包率)，这在实际对抗环境中难以实现，限制了智能干扰的应用范围。为了解决这一问题，该文将通信干扰问题建模为马尔科夫决策过程(MDP)，综合考虑干扰基本原则和通信目标行为变化制定干扰效能衡量指标，提出了一种改进的策略爬山算法(IPHC)。该算法按照“观察(Observe)-调整(Orient)-决策(Decide)-行动(Act)”的OODA闭环，实时观察通信目标变化，灵活调整干扰策略，运用混合策略决策，实施通信干扰。仿真结果表明，在通信目标采用确定性规避策略时，所提算法能够较快收敛到最优干扰策略，并且其收敛耗时较Q-learning算法至少缩短2/3；当通信目标变换策略时，能够自适应学习，重新调整到最优干扰策略。在通信目标采用混合性规避策略时，所提算法也能够快速收敛，取得较优的干扰效果。
智能干扰是一种利用环境反馈自主学习干扰策略，对敌方通信链路进行有效干扰的技术。然而，现有的智能干扰研究大多假设干扰机能够直接获取通信质量反馈(如误码率或丢包率)，这在实际对抗环境中难以实现，限制了智能干扰的应用范围。为了解决这一问题，该文将通信干扰问题建模为马尔科夫决策过程(MDP)，综合考虑干扰基本原则和通信目标行为变化制定干扰效能衡量指标，提出了一种改进的策略爬山算法(IPHC)。该算法按照“观察(Observe)-调整(Orient)-决策(Decide)-行动(Act)”的OODA闭环，实时观察通信目标变化，灵活调整干扰策略，运用混合策略决策，实施通信干扰。仿真结果表明，在通信目标采用确定性规避策略时，所提算法能够较快收敛到最优干扰策略，并且其收敛耗时较Q-learning算法至少缩短2/3；当通信目标变换策略时，能够自适应学习，重新调整到最优干扰策略。在通信目标采用混合性规避策略时，所提算法也能够快速收敛，取得较优的干扰效果。
2024, 46(10): 3966-3978.
doi: 10.11999/JEIT240171
摘要:
受辐射源硬件失真和接收机硬件失真的耦合作用，实际接收信号中带有当前辐射源系统和接收系统共同的“个体信息”，导致辐射源指纹识别技术(RFF)在跨接收系统场景下无法通用。为消除接收机染色效应，该文将接收机影响作为单独作用域，提出一种基于接收域分离的跨接收系统通用性辐射源指纹识别方法。该方法通过双标签多通道特征联合和域分离对抗重构方式实现信号中辐射源指纹作用域与接收机染色作用域分离，利用多部接收机数据预先训练网络对两种作用域的分离能力，聚焦辐射源指纹信息提取，从而提升辐射源指纹识别技术在跨平台跨接收系统、更新接收设备等场景下的适应能力。相比于直接特征提取和多接收机打包训练方式，所提方法能够真正适应实际无监督场景，且参与训练的源域接收机数目越多，域适应效果越好，不需要重复训练即可直接推广应用于新接收系统，具有较高的实际应用价值。
受辐射源硬件失真和接收机硬件失真的耦合作用，实际接收信号中带有当前辐射源系统和接收系统共同的“个体信息”，导致辐射源指纹识别技术(RFF)在跨接收系统场景下无法通用。为消除接收机染色效应，该文将接收机影响作为单独作用域，提出一种基于接收域分离的跨接收系统通用性辐射源指纹识别方法。该方法通过双标签多通道特征联合和域分离对抗重构方式实现信号中辐射源指纹作用域与接收机染色作用域分离，利用多部接收机数据预先训练网络对两种作用域的分离能力，聚焦辐射源指纹信息提取，从而提升辐射源指纹识别技术在跨平台跨接收系统、更新接收设备等场景下的适应能力。相比于直接特征提取和多接收机打包训练方式，所提方法能够真正适应实际无监督场景，且参与训练的源域接收机数目越多，域适应效果越好，不需要重复训练即可直接推广应用于新接收系统，具有较高的实际应用价值。
2024, 46(10): 3979-4001.
doi: 10.11999/JEIT240172
摘要:
深度学习的发展推动了高精度遥感图像智能解译模型的涌现。然而，目前遥感智能解译模型大多基于预先定义的静态数据集独立训练，难以适应环境开放和需求动态的实际应用，严重阻碍了遥感智能解译模型的广域和长期运用。增量学习能使模型持续学习新知识，并保持对旧知识的记忆，近年来，被广泛应用于推动遥感智能解译模型演化、提升模型智能解译性能。该文面向多模态遥感数据、不同类型解译任务，全面调研了遥感图像智能解译增量学习方法，从遗忘问题解决思路、解译模型进化应用两个层面梳理了现有研究工作。在此基础上，从促进遥感图像解译模型进化研究的角度，展望和讨论了遥感领域增量学习的未来研究方向。
深度学习的发展推动了高精度遥感图像智能解译模型的涌现。然而，目前遥感智能解译模型大多基于预先定义的静态数据集独立训练，难以适应环境开放和需求动态的实际应用，严重阻碍了遥感智能解译模型的广域和长期运用。增量学习能使模型持续学习新知识，并保持对旧知识的记忆，近年来，被广泛应用于推动遥感智能解译模型演化、提升模型智能解译性能。该文面向多模态遥感数据、不同类型解译任务，全面调研了遥感图像智能解译增量学习方法，从遗忘问题解决思路、解译模型进化应用两个层面梳理了现有研究工作。在此基础上，从促进遥感图像解译模型进化研究的角度，展望和讨论了遥感领域增量学习的未来研究方向。
2024, 46(10): 4002-4008.
doi: 10.11999/JEIT240584
摘要:
大规模机器类通信 (mMTC) 是第5代移动通信系统的重要应用场景之一，可实现每平方公里近百万级设备的连接。考虑到mMTC传播环境的复杂性，该文引入可重构智能超表面 (RIS) 进行上行免授权的传输，由此级联形成用户与RIS、RIS与基站 (BS) 之间的信道链路，从而有效控制无线信号传输的质量。在此基础上，建立Turbo译码消息传递思想下的降噪学习系统，通过大量的训练数据，以学习RIS辅助的级联信道状态信息，并对其进行估计。此外，该文对RIS辅助的mMTC信道估计结果进行了统计分析，以验证所提方案的准确性。数值仿真结果和理论分析结果表明，该文方法优于其他压缩感知类的方法。
大规模机器类通信 (mMTC) 是第5代移动通信系统的重要应用场景之一，可实现每平方公里近百万级设备的连接。考虑到mMTC传播环境的复杂性，该文引入可重构智能超表面 (RIS) 进行上行免授权的传输，由此级联形成用户与RIS、RIS与基站 (BS) 之间的信道链路，从而有效控制无线信号传输的质量。在此基础上，建立Turbo译码消息传递思想下的降噪学习系统，通过大量的训练数据，以学习RIS辅助的级联信道状态信息，并对其进行估计。此外，该文对RIS辅助的mMTC信道估计结果进行了统计分析，以验证所提方案的准确性。数值仿真结果和理论分析结果表明，该文方法优于其他压缩感知类的方法。
2024, 46(10): 4009-4016.
doi: 10.11999/JEIT240048
摘要:
该文研究了无人机(UAV)辅助无线传感器网络的数据收集问题。首先提出基于均值漂移算法的传感器节点(SN)初始分簇策略，进而以簇间负载均衡为目标，设计SN切换算法。基于所得成簇策略，将UAV数据收集及轨迹规划问题建模为系统能耗最小化问题。由于该问题是一个非凸问题，难以直接求解，将其分为两个子问题，即数据调度子问题及UAV轨迹规划子问题。针对数据调度子问题，提出一种基于多时隙库恩-蒙克雷斯算法的时频资源调度策略。针对UAV轨迹规划子问题，将其建模为马尔可夫决策过程，并提出一种基于深度Q网络的UAV轨迹规划算法。仿真结果验证了所提算法的有效性。
该文研究了无人机(UAV)辅助无线传感器网络的数据收集问题。首先提出基于均值漂移算法的传感器节点(SN)初始分簇策略，进而以簇间负载均衡为目标，设计SN切换算法。基于所得成簇策略，将UAV数据收集及轨迹规划问题建模为系统能耗最小化问题。由于该问题是一个非凸问题，难以直接求解，将其分为两个子问题，即数据调度子问题及UAV轨迹规划子问题。针对数据调度子问题，提出一种基于多时隙库恩-蒙克雷斯算法的时频资源调度策略。针对UAV轨迹规划子问题，将其建模为马尔可夫决策过程，并提出一种基于深度Q网络的UAV轨迹规划算法。仿真结果验证了所提算法的有效性。
2024, 46(10): 4017-4023.
doi: 10.11999/JEIT230879
摘要:
面向强干扰通信环境，区别于传统的无速率Luby变换(LT)码，该文提出一种基于伯努利随机构造的无速率编码方案，并在接收端采用高效的局部约束顺序统计量译码(LC-OSD)算法进行译码，从而有效对抗强干扰噪声，实现自适应超高可靠传输。为降低收发端通信资源消耗，提出了3个有效译码准则：(1) 基于随机码并集(RCU)界提出的启动准则，当接收符号数大于由RCU得到的阈值时才启动译码；(2) 基于软重量提出的早停准则，在译码过程中软重量超过一个预设的阈值则提前终止译码；(3) 基于码字与硬判决序列比较提出的跳过准则，当新接收序列的硬判决满足重编码校验时跳过当前译码。仿真结果显示，在块删除与加性噪声混合信道下，无速率随机码的性能显著优于LT码，且因无速率码具备自适应信道质量的能力，其性能同样显著优于固定速率码。仿真结果还显示了提出的启动、早停和跳过准则能够有效降低收发端的传输资源消耗和计算复杂度。
面向强干扰通信环境，区别于传统的无速率Luby变换(LT)码，该文提出一种基于伯努利随机构造的无速率编码方案，并在接收端采用高效的局部约束顺序统计量译码(LC-OSD)算法进行译码，从而有效对抗强干扰噪声，实现自适应超高可靠传输。为降低收发端通信资源消耗，提出了3个有效译码准则：(1) 基于随机码并集(RCU)界提出的启动准则，当接收符号数大于由RCU得到的阈值时才启动译码；(2) 基于软重量提出的早停准则，在译码过程中软重量超过一个预设的阈值则提前终止译码；(3) 基于码字与硬判决序列比较提出的跳过准则，当新接收序列的硬判决满足重编码校验时跳过当前译码。仿真结果显示，在块删除与加性噪声混合信道下，无速率随机码的性能显著优于LT码，且因无速率码具备自适应信道质量的能力，其性能同样显著优于固定速率码。仿真结果还显示了提出的启动、早停和跳过准则能够有效降低收发端的传输资源消耗和计算复杂度。
2024, 46(10): 4024-4034.
doi: 10.11999/JEIT240075
摘要:
信息年龄(AoI)是评价无线传感器网络(WSN)数据时效性的重要指标，无人机辅助WSN数据采集过程中采用优化飞行轨迹、提升速度等运动策略保障卸载至基站的数据满足各节点AoI限制。然而，不合理的运动策略易导致无人机因飞行距离过长、速度过快产生非必要能耗，造成数据采集任务失败。针对该问题，该文首先提出信息年龄约束的无人机数据采集能耗优化路径规划问题并进行数学建模；其次，设计一种协同混合近端策略优化(CH-PPO)强化学习算法，同时规划无人机对传感器节点或基站的访问次序、悬停位置和飞行速度，在满足各传感器节点信息年龄约束的同时，最大限度地减少无人机能量消耗。再次，设计一种融合离散和连续策略的损失函数，增强CH-PPO算法动作的合理性，提升其训练效果。仿真实验结果显示，CH-PPO算法在无人机能量消耗以及影响该指标因素的比较中均优于对比的3种强化学习算法，并具有良好的收敛性、稳定性和鲁棒性。
信息年龄(AoI)是评价无线传感器网络(WSN)数据时效性的重要指标，无人机辅助WSN数据采集过程中采用优化飞行轨迹、提升速度等运动策略保障卸载至基站的数据满足各节点AoI限制。然而，不合理的运动策略易导致无人机因飞行距离过长、速度过快产生非必要能耗，造成数据采集任务失败。针对该问题，该文首先提出信息年龄约束的无人机数据采集能耗优化路径规划问题并进行数学建模；其次，设计一种协同混合近端策略优化(CH-PPO)强化学习算法，同时规划无人机对传感器节点或基站的访问次序、悬停位置和飞行速度，在满足各传感器节点信息年龄约束的同时，最大限度地减少无人机能量消耗。再次，设计一种融合离散和连续策略的损失函数，增强CH-PPO算法动作的合理性，提升其训练效果。仿真实验结果显示，CH-PPO算法在无人机能量消耗以及影响该指标因素的比较中均优于对比的3种强化学习算法，并具有良好的收敛性、稳定性和鲁棒性。
2024, 46(10): 4035-4043.
doi: 10.11999/JEIT240013
摘要:
传统的组网雷达多目标误差配准方法通常假设数据关联关系已知，但在平台机动的情况下，系统同时存在雷达测量偏差和平台姿态角偏差，且雷达观测过程中会受到杂波干扰，导致数据关联尤为困难。针对这一问题，该文提出一种基于伯努利滤波的多目标机动雷达误差配准方法。首先建立系统偏差的量测与状态方程，然后将系统偏差建模成伯努利随机有限集，利用公共坐标系下的原始量测可实现系统偏差在伯努利滤波框架下的递推估计，有效避免了数据关联问题。同时，为了充分利用多目标量测信息，提出一种修正的贪婪量测划分方法，在每个滤波时刻挑选出系统偏差对应的最优量测子集，利用量测子集中的多量测信息实现系统偏差的集中式融合估计，提高了系统偏差的估计精度和收敛速度。仿真实验表明，所提方法能够在数据关联未知的多目标多杂波场景下对雷达测量偏差和平台姿态角偏差进行有效估计，在平台姿态角变化率较低时，所提方法具有较强的适应性。
传统的组网雷达多目标误差配准方法通常假设数据关联关系已知，但在平台机动的情况下，系统同时存在雷达测量偏差和平台姿态角偏差，且雷达观测过程中会受到杂波干扰，导致数据关联尤为困难。针对这一问题，该文提出一种基于伯努利滤波的多目标机动雷达误差配准方法。首先建立系统偏差的量测与状态方程，然后将系统偏差建模成伯努利随机有限集，利用公共坐标系下的原始量测可实现系统偏差在伯努利滤波框架下的递推估计，有效避免了数据关联问题。同时，为了充分利用多目标量测信息，提出一种修正的贪婪量测划分方法，在每个滤波时刻挑选出系统偏差对应的最优量测子集，利用量测子集中的多量测信息实现系统偏差的集中式融合估计，提高了系统偏差的估计精度和收敛速度。仿真实验表明，所提方法能够在数据关联未知的多目标多杂波场景下对雷达测量偏差和平台姿态角偏差进行有效估计，在平台姿态角变化率较低时，所提方法具有较强的适应性。
2024, 46(10): 4044-4052.
doi: 10.11999/JEIT231348
摘要:
针对通信辐射源指纹特征难以提取和单一特征识别率不高的问题，并考虑到通信辐射源细微特征的非线性、非平稳特点，该文提出了一种基于改进变分模态分解和多特征的通信辐射源个体识别方法。首先，为了获得变分模态分解的分解层数和惩罚因子的最优组合，采用鲸鱼优化算法对通信辐射源符号波形信号的变分模态分解方法进行了改进，该方法以序列复杂度为停止准则，使每个符号波形信号能够自适应地分解出包含非线性指纹特征的高频信号分量和数据信息的低频分量；然后，根据相关阈值选取能够最佳表征辐射源非线性特征的高频信号分量层数，分别对其提取模糊熵、排列熵、Higuchi维数以及Katz维数并组成多域联合特征向量；最后，通过卷积神经网络实现通信辐射源个体识别分类，利用ORACLE公开数据集进行实验。实验结果表明：该方法有较高的识别精度且具有良好的抗噪声性能。
针对通信辐射源指纹特征难以提取和单一特征识别率不高的问题，并考虑到通信辐射源细微特征的非线性、非平稳特点，该文提出了一种基于改进变分模态分解和多特征的通信辐射源个体识别方法。首先，为了获得变分模态分解的分解层数和惩罚因子的最优组合，采用鲸鱼优化算法对通信辐射源符号波形信号的变分模态分解方法进行了改进，该方法以序列复杂度为停止准则，使每个符号波形信号能够自适应地分解出包含非线性指纹特征的高频信号分量和数据信息的低频分量；然后，根据相关阈值选取能够最佳表征辐射源非线性特征的高频信号分量层数，分别对其提取模糊熵、排列熵、Higuchi维数以及Katz维数并组成多域联合特征向量；最后，通过卷积神经网络实现通信辐射源个体识别分类，利用ORACLE公开数据集进行实验。实验结果表明：该方法有较高的识别精度且具有良好的抗噪声性能。
2024, 46(10): 4053-4061.
doi: 10.11999/JEIT240067
摘要:
导航信号认证服务处于初步部署阶段，认证信号对地覆盖重数无法满足独立定位授时需求，现有研究对这一阶段利用部分通过认证的信号，即可信信号，实现欺骗检测的方法关注度较低。针对这一现状，该文根据欺骗攻击原理，提出以可信信号为基准，基于可信信号伪距残差的欺骗检测方法，建立该场景下的欺骗检测模型，并分析影响所提方法检测性能的因素。经过仿真，在可信卫星数目为3颗、用户定位精度约10 m条件下，当欺骗导致的定位偏差为100 m时，该方法的平均欺骗检测概率可达0.96。此外，该文对算法欺骗检测盲区进行了分析，证明所提算法对于绝大部分欺骗导致的定位结果均有效。
导航信号认证服务处于初步部署阶段，认证信号对地覆盖重数无法满足独立定位授时需求，现有研究对这一阶段利用部分通过认证的信号，即可信信号，实现欺骗检测的方法关注度较低。针对这一现状，该文根据欺骗攻击原理，提出以可信信号为基准，基于可信信号伪距残差的欺骗检测方法，建立该场景下的欺骗检测模型，并分析影响所提方法检测性能的因素。经过仿真，在可信卫星数目为3颗、用户定位精度约10 m条件下，当欺骗导致的定位偏差为100 m时，该方法的平均欺骗检测概率可达0.96。此外，该文对算法欺骗检测盲区进行了分析，证明所提算法对于绝大部分欺骗导致的定位结果均有效。
2024, 46(10): 4062-4071.
doi: 10.11999/JEIT231025
摘要:
步态识别易受相机视角、服装和携带物等外界因素影响而性能下降。为此，该文将非刚性点集配准引入步态识别，利用相邻步态帧之间的形变场表征行走过程中人体轮廓发生的位移量，从而提升对人体形态变化的动态感知能力。在此基础上，该文提出一种基于人体轮廓形变场的双流卷积神经网络GaitDef，该网络模型由形变场和步态剪影两路特征提取分支构成。针对形变场数据的稀疏性设计多尺度特征提取模块，以获取形变场的多层次空间结构信息。针对步态剪影提出动态差异捕捉模块和上下文信息增强模块，以捕捉动态区域的变化特性和利用上下文信息增强步态表征能力。双分支网络的输出特征经过特征融合得到最终的步态表示。大量实验结果表明了该文方法的有效性，在CASIA-B和CCPG数据集上，该文方法的平均Rank-1准确率分别能达到93.5%和68.3%。
步态识别易受相机视角、服装和携带物等外界因素影响而性能下降。为此，该文将非刚性点集配准引入步态识别，利用相邻步态帧之间的形变场表征行走过程中人体轮廓发生的位移量，从而提升对人体形态变化的动态感知能力。在此基础上，该文提出一种基于人体轮廓形变场的双流卷积神经网络GaitDef，该网络模型由形变场和步态剪影两路特征提取分支构成。针对形变场数据的稀疏性设计多尺度特征提取模块，以获取形变场的多层次空间结构信息。针对步态剪影提出动态差异捕捉模块和上下文信息增强模块，以捕捉动态区域的变化特性和利用上下文信息增强步态表征能力。双分支网络的输出特征经过特征融合得到最终的步态表示。大量实验结果表明了该文方法的有效性，在CASIA-B和CCPG数据集上，该文方法的平均Rank-1准确率分别能达到93.5%和68.3%。
2024, 46(10): 4072-4080.
doi: 10.11999/JEIT240082
摘要:
CMOS尺寸的大幅缩小引发电路可靠性问题。该文介绍了两种高可靠的基于设计的抗辐射加固(RHBD)10T和12T抗辐射加固技术(SRAM)单元，它们可以防护单节点翻转(SNU)和双节点翻转(DNU)。10T单元主要由两个交叉耦合的输入分离反相器组成，该单元可以通过其内部节点之间的反馈机制稳定地保持存储的值。由于仅使用少量晶体管，因此其在面积和功耗方面开销也较低。基于10T单元，提出了使用4个并行存取访问管的12T单元。与10T单元相比，12T单元的读/写访问时间更短，且具有相同的容错能力。仿真结果表明，所提单元可以从任意SNU和部分DNU中恢复。此外，与先进的加固SRAM单元相比，所提RHBD 12T单元平均可以节省16.8%的写访问时间、56.4%的读访问时间和10.2%的功耗，而平均牺牲了5.32%的硅面积。
CMOS尺寸的大幅缩小引发电路可靠性问题。该文介绍了两种高可靠的基于设计的抗辐射加固(RHBD)10T和12T抗辐射加固技术(SRAM)单元，它们可以防护单节点翻转(SNU)和双节点翻转(DNU)。10T单元主要由两个交叉耦合的输入分离反相器组成，该单元可以通过其内部节点之间的反馈机制稳定地保持存储的值。由于仅使用少量晶体管，因此其在面积和功耗方面开销也较低。基于10T单元，提出了使用4个并行存取访问管的12T单元。与10T单元相比，12T单元的读/写访问时间更短，且具有相同的容错能力。仿真结果表明，所提单元可以从任意SNU和部分DNU中恢复。此外，与先进的加固SRAM单元相比，所提RHBD 12T单元平均可以节省16.8%的写访问时间、56.4%的读访问时间和10.2%的功耗，而平均牺牲了5.32%的硅面积。
