摘要：天波雷达的干扰检测问题可转化为距离-多普勒(Range-Doppler, RD)图像分类。在RD图分类器设计中,使用K近邻(K-Nearest Neighbor, KNN)算法时,k值的选取直接影响到干扰检测准确率。根据过往经验预设k值时,无法确定所设k值下的干扰检测准确率。为此,将互近邻条件引申为k值自动赋值方法,以局部均值为距离计算依据,设计动态自适应近邻(Dynamic Adaptive Nearest Neighbor, DANN)新算法。分别在多个UCI(University of California Irvine)数据集与现有RD图库上测试,与6个常数k值下K近邻算法进行对比分析。多个UCI数据集实验表明,DANN的平均准确率比不同k值下KNN的均值高6.21%,且比最优k值高3.7%;实测RD图库实验表明,DANN的平均准确率比不同k值下KNN的均值高2.9%,且比最优k值高0.56%。因此,该算法可以在干扰检测中减少人工参与,且能够获得较高的检测准确率。

摘要：针对卷积神经网络(Convolutional Neural Network,CNN)过去在语音增强中表现优异但对全局特征捕获不足,以及Transformer近年展现出长序列间依赖优势但又存在局部细节特征丢失、参数量大等问题,该文为了充分利用CNN与Transformer的优势并弥补各自不足,提出了一种在复频谱映射下的新型卷积模块与高效Transformer融合的单通道语音增强网络。该网络由编码层、传输层与双分支解码层组成:在编解码部分设计了一种协作学习模块(Collaborative Learning Block,CLB)来监督交互信息,在减少参数量的同时提高主干网络对复特征的获取能力;传输层中则提出一种时频空间注意Transformer模块分别对语音子频带和全频带信息建模,充分利用声学特性来模拟局部频谱模式并捕获谐波间依赖关系。将该模块进一步与通道注意分支相结合,设计了一种可学习的双分支注意融合(Dual-branch Attention Fusion,DAF)机制,从空间-通道角度提取上下文特征以加强信息的多维度传输;最后,在此基础上搭建一种高斯加权渐进网络作为中间传输层,通过堆叠DAF模块进行加权求和后输出以充分利用深层特征,使得解码过程更具鲁棒性。分别在英文VoiceBank-DEMAND数据集、中文THCHS30语料库与115种环境噪声下进行消融以及综合对比实验,结果表明,该文方法仅以最小0.68×10^(6)的参数量,相比于大部分最新相关网络模型取得了更优的主、客观指标,具有较为突出的增强性能与泛化能力。

摘要：超视距雷达存在射频干扰(Radio Frequency Interference,RFI)问题,尤以遍布全距离-多普勒(Range-Doppler,RD)图的宽带RFI影响最大.本文给出宽带RFI的仿真方法和基于RD图的RFI检测方法.首先,基于自回归滑动平均模型仿真宽带RFI,模拟实测RFI的时频特性和RD图形态.其次,基于图像分类思想,研究RD图宽带RFI检测器,通过提取RD图纹理特征,运用模式识别,实现RD图有无宽带RFI的分类.图库设计以仿真RFI数据的RD图库作训练集,以实测数据的RD图库作测试集,识别算法以K近邻为例.实验仿真3种纹理特征、5种距离度量及有无海杂波等多种组合,检测性能统计表明,适当设计的干扰识别率普遍能达到96%以上,验证了本文所提的干扰仿真与检测方法的有效性.

摘要：为提高瞬态干扰处理的稳健性,超视距雷达可采用先识别后抑制的思路.本文研究基于距离-多普勒(Range⁃Doppler,RD)图的瞬态干扰自动识别方法,将RD图转化为灰度图,提取其纹理特征,再基于机器学习设计分类算法.首先,提出新的瞬态干扰模型,仿真产生干扰数据,避免训练依赖实测数据;其次,建立RD灰度图图库,分强干扰、弱干扰和无干扰三类情况;然后,提取局部二值模式(Local Binary Pattern,LBP)纹理特征,基于支持向量机设计二分类器,结合纠错输出编码设计三分类器.最后,通过实测数据和文献RD图,验证本文所提识别方法的准确性,并比较分析不同图像特征及参数的影响.

摘要：针对Unet频域歌声分离网络模型对语音时序信息的捕获困难以及底层特征利用率不高的问题,设计了一种相比于基线Unet网络参数量更小且歌声分离效果更好的卷积神经网络。首先设计了一种残差分组扩张卷积结合压缩激励模块,并将其引入到编码和解码阶段,该模块在参数量减少和增大网络感受野的同时自适应学习不同通道的重要特征,不但增强了有用特征,而且还抑制了无用特征。其次在传输层将线性门控单元采用密集相加连接来增强网络在特征传递过程中对时序特征的获取,并且使用扩张卷积来代替普通卷积以扩大网络的感受野。最后使用注意力门控机制来代替基线Unet中的跳跃连接以加强网络对底层特征的利用。在Ccmixter和MUSDB18数据集中进行实验,与基线网络相比,歌声分离的性能指标都有提升,并且其参数量大约只有基线网络的1/5。

摘要：针对超视距(OTH)雷达接收信号成分复杂的问题,该文提出基于多域组图的信号分析方法,讨论海杂波、瞬态干扰和射频干扰的多域特征。运用时域、频域、距离域、重复周期和多普勒5域,组合为6种2维矩阵图,提出雷达接收数据的“五域六图”(5D6M)方法。通过五域六图,各种接收信号成分在多个域得以分离,海杂波和干扰在不同域的特征得以体现,清晰展示海杂波的频谱和多普勒谱特性、瞬态干扰的大功率和短时性以及射频干扰的窄带与多普勒特性。基于五域六图的信号特性分析,能够为雷达信号分析与处理提供很好的帮助。该文以海杂波为例,设计了基于频域-多普勒域的海杂波多普勒单元检测的新方法。

摘要：针对当前大多数基于特征工程和机器学习的专利分类方法存在准确性低以及泛化能力差的问题,提出一种基于注意力感知深度学习模型的多标签专利分类方法。该文将输入数据表示为文本图的形式,并利用图注意力卷积网络学习构建的文本图,并通过引入BiLSTM层作为新的聚合函数来表征文本图各节点的差异性和代表的语义信息设计了一个非局部二阶注意层用于捕捉专利文档中的远程和细粒度的语义信息,消除因国际专利分类标签跨域引起的语义模糊;使用Softmax分类器来完成多标签专利的分类任务。所提方法在多标签专利分类任务具有良好的分类精度,相对于其他分类方法,性能有所提高。

摘要：针对目前有监督语音增强忽略了纯净语音、噪声与带噪语音之间的幅度谱相似性对增强效果影响等问题,提出了一种联合精确比值掩蔽(ARM)与深度神经网络(DNN)的语音增强方法。该方法利用纯净语音与带噪语音、噪声与带噪语音的幅度谱归一化互相关系数,设计了一种基于时频域理想比值掩蔽的精确比值掩蔽作为目标掩蔽;然后以纯净语音和噪声幅度谱为训练目标的DNN为基线,通过该DNN的输出来估计目标掩蔽,并对基线DNN和目标掩蔽进行联合优化,增强语音由目标掩蔽从带噪语音中估计得到;此外,考虑到纯净语音与噪声的区分性信息,采用一种区分性训练函数代替均方误差(MSE)函数作为基线DNN的目标函数,以使网络输出更加准确。实验表明,区分性训练函数提升了基线DNN以及整个联合优化网络的增强效果;在匹配噪声和不匹配噪声下,相比于其它常见DNN方法,本文方法取得了更高的平均客观语音质量评估(PESQ)和短时客观可懂度(STOI),增强后的语音保留了更多语音成分,同时对噪声的抑制效果更加明显。

摘要：针对传统数字水印算法的透明性随嵌入强度的增加而下降的问题,已有许多零水印算法提出。然而大多数算法或是鲁棒性和稳定性较差,或是基于灰度图像设计的。本文提出一种基于彩色图像Tetrolet变换的频数质心零水印算法。该算法先提取彩色载体图像YCbCr空间的亮度分量,再对亮度分量进行Tetrolet变换获得其低频系数,再通过分块非负矩阵分解,采用计算频数质心的方法构造特征矩阵。对水印信息依次进行Polar码编码,二维交织构造出交织矩阵;最后将含有水印信息的交织方阵和特征矩阵进行异或操作生成零水印。仿真结果证明,该零水印算法可以有效抵抗非几何攻击、几何攻击以及组合攻击,水印提取归一化相关系数值在0.9以上,具有较强的鲁棒性和稳定性,且具有良好的实用性。

摘要：针对语音增强的深层神经网络中对丰富的全局语音相关信息提取困难、未充分利用中间层次特征的问题,本文以尽可能小的参数为前提,基于注意力U型网络,设计了一种基于信息提炼和残差特征聚合的新型卷积编解码网络来进行语音增强。本文在编解码部分提出一种2维的层次细化残差(HRR,Hierarchical Refinement Residual)模块,该模块能显著降低训练参数并扩大感受野,对多尺度上下文信息进行不同层次的提取;传输层提出一种轻量级的1维通道自适应注意力(1D-CAA,One-Dimensional Channel Dimension Adaptive Attention)模块,结合门控机制和范数归一化,选择性地传递特征并提高网络表达能力,并联合门控残差线性单元搭建了一种门控残差特征聚合(GRFA,Gating Residual Feature Aggregation)网络,增强了层间信息流动并充分利用中间层次特征细节,获取更多时序相关信息。实验部分,本文在21种噪声环境下训练和测试,最终以1.23×106的参数相比于其他方法取得更优的客观与主观指标,具备较强的增强效果与泛化能力,并在模型复杂度与精度上取得良好平衡。