摘要:二氧化钒是一种具有绝缘态到金属态可逆相变特性的材料，在光器件及信息技术中有非常广泛的应用。分别采用太赫兹频段的光谱测量技术和阵列成像技术研究分析了硅基二氧化钒材料的相变过程。采用傅里叶变换光谱测量系统，获得了整个样品在2.5~20.0 THz频段透射谱和反射谱随温度的变化，分析得到了硅基二氧化钒材料相变的温度范围为334~341 K，对应温差为7 K；得到了相变前后样品对4.3 THz辐射的透过率变化达40%以上，反射率变化接近30%。随后采用一套4.3 THz的阵列成像系统，测量了整个样品在相变前后的太赫兹图像，获得了该材料由金属态转变为绝缘态时，其对4.3 THz激光信号的透过率由6.7%升至50.7%，透过率变化达44%，与傅里叶变换光谱在4.3 THz处的测量结果相当。上述研究结果为硅基二氧化钒材料用于2.5 THz以上电磁辐射的透射调制和反射调制提供了很好的实验数据支撑。

摘要:介绍了一种近场毫米波三维成像算法。首先对目标进行二维成像，然后提出一种基于局部信息联合BM3D自适应滤波滑窗算法，有效保留了图像信息并抑制杂波，实现三维成像重构。分别从系统平台、信号回波模型、后向投影与全息成像算法及成像结果、图像滤波、三维成像重构展开介绍，所得结果验证了实验的可行性和准确性，在诸多场景中具有广阔的应用价值。

摘要:针对被动式太赫兹安检系统检测图像识别危险物难度较大、精确度不高的问题，提出一种基于U-net的被动式太赫兹安检危险物分割算法。通过构建危险品的局部结构差异性假设和局部亮度差异性假设定位太赫兹安检图像中危险品可能存在的感兴趣区域(ROI)，并选择拥有少量特征通道与神经元的浅层卷积网络针对ROI做图像超分辨处理，最后将图像输入U-net网络,得到质量高、轮廓清晰的危险品分割图像。通过实验证实了本文方法相比传统分割算法准确性有明显提高，有助于提高被动式太赫兹安检系统的危险品识别率。

摘要:随着太赫兹探测技术的发展，精确测量太赫兹探测器的光谱响应变得越来越重要。分析了太赫兹探测器相对光谱响应的测量原理，搭建了一套太赫兹探测器相对光谱响应测量系统,对系统测量不确定度来源进行分析，选用太赫兹探测器对测量系统不确定度进行验证。通过分析实验数据可知，在1~10 THz范围内，系统的扩展不确定度为9.2%，可以满足目前太赫兹探测器相对光谱响应测量的需求。

摘要:对于小样本电磁信号识别，数据增强是一种最为直观的对策。利用生成对抗网络(GAN)产生虚假信号样本，设计粗粒度和细粒度筛选机制对生成信号进行筛选，剔除质量较差的生成信号，实现训练样本集的有效扩充。为验证所提数据增强算法的有效性，在RADIOML 2016.04C数据集上进行测试。实验结果表明，本文所提方法对小样本电磁信号识别准确率有较好的提升效果。

摘要:数据集是众多科学研究得以开展与验证的基础，学术界和工业界已经联合在许多领域打造了丰富的基准数据集，但在一些细分研究领域仍然缺少高质量数据。本文介绍了2个新基准数据集：内部安全威胁基准数据集和室内人群移动轨迹基准数据集。2个数据集经过精心的场景设计、科学的模型构造，嵌入了丰富的数据模式和交错的故事情节，采用程序驱动的合成数据生成方法，数据类型多样，规模适中，有一定的分析难度，曾被用于中国数据可视分析挑战赛。本文旨在进一步宣传和推广这2个数据集，以促进相关领域的科学研究与技术应用的发展。

摘要:日益拥挤、复杂的空域环境，使得确定真实目标航迹的起始尤为主要。现有关于雷达目标航迹起始的研究大多只考虑了实时性或起始率中的一种，难以在强杂波环境下完成快速而准确的航迹起始。本文提出一种适用于强杂波环境的基于深度学习和雷达量测时空(DLTS)特征的航迹起始算法。该算法首先从雷达量测组合中筛选出候选集，并从中提取出量测组合的时序变化和空间分布向量，作为一维卷积神经网络(1DCNN)和门控循环单元(GRU)混合模型的输入，获得量测组合的时间和空间维度特征，再将二者合并得到时空特征。最后对经过自注意力处理的时空特征进行真假航迹分类，完成航迹起始。在仿真实验中，DLTS算法在强杂波环境下能够在时间损耗与逻辑法相近的情况下有效提高真假航迹起始率性能。

摘要:近些年，基于大数据分析模型的风险度量和控制方法研究变得越来越重要，而风险度量模型的后验分析研究能够保障和检验所用分析技术在实际数据分析中的有效性。边际期望损失(MES)作为度量个体对系统性风险的边际贡献的重要工具，其后验分析也是一个值得关注的问题。本文将C. Acerbi等提出的关于ES的后验分析方法进行二维变量下的延伸，提出2个新的对于MES的统计量。模拟实验的结果表明，在原假设分布和备择假设分布相差相对较小的情况下，2个统计量的统计功效均大于D. Banulescu等采用的统计量。实证分析的结果也表明，对于同样的预测结果，文中新提出的统计量在原假设的接受程度上相对更为谨慎。该方法对于大数据模型算法的后验分析具有一定的理论借鉴意义。

摘要:为实现对城市用频设备的精确管控，针对特定辐射源开集识别问题，构建了一套基于深度学习的辐射源个体开集识别处理流程，核心在于指纹特征有效区间筛选与基于深度自编码器的开集识别模型。一方面，通过使用Grad-CAM实现对深度网络激活可视化，筛选出信号对网络激活贡献较高的部分，在不损失过多指纹信息的情况下进行信号区间筛选；另一方面，建立基于半监督对抗自编码器的辐射源个体开集识别模型，实现对电磁环境中出现的未知辐射源个体的有效识别。实验表明此开集识别模型能够在不损失闭集识别率的条件下实现高精确度的开集识别。

摘要:日益复杂的电磁环境对战场目标探测提出了很高的要求。由于多雷达融合系统的不断发展，如何准确快速地完成多雷达的航迹关联成为一个亟待解决的问题。现有的关于航迹关联算法的研究大多只考虑雷达上报的最新目标航迹点，而没有考虑先前的航迹信息。除此之外，大多数航迹关联算法对于航迹异步问题的解决方法是进行时间配准，这不仅增加了算法本身的计算开销，还放大了航迹信息中包含的误差，因此难以应用于目前复杂的电磁环境中。本文提出一种适用于对异步航迹进行关联的、且无需进行时间配准工作的基于孪生神经网络的航迹关联算法(TTCSN)。该算法首先将待关联航迹两两组成一对，将其成对地送入特征提取网络中，再利用共享权重的双向LSTM网络提取输入航迹的隐含特征，之后对两条航迹的特征向量进行相似度计算，得到相似度向量，最终送入分类器完成关联航迹与非关联航迹的判别。实验表明，TTCSN算法能够有效地解决异步航迹关联问题。

摘要:针对目前个体识别中特征工程存在信号序列长、特征鲁棒性差等问题，研究了基于深度神经网络的个体识别技术。借鉴语音识别中的卷积长短时全连接神经网络(CLDNN)，通过卷积神经网络提取信号的局部幅度特征，通过长短期记忆网络提取信号的全局时域特征，使用全连接网络实现特征图到设备标签的映射。在视距(LOS)信道下，采集8台LoRa调制的无线数传电台数据，加入高斯白噪声进行仿真测试。仿真表明，本文所提方法在信号序列长度为2 048点和低信噪比(0 dB)时，模型准确率达到95%；此外相较VGG16模型，本模型参数更少，在物联网设备部署方面具有一定的应用前景。

摘要:射频指纹是设备硬件的固有特征，与发射信号本身无关，因此常用于通信抗欺骗中。本文基于射频指纹的原理，采用神经网络对接收机所获得的原始信号样本进行处理，包括I/Q序列、幅度/相位、星座图的二值图和星座图的颜色密度图4种信号表现形式，达到抗欺骗效果。在信干噪比为-30~30 dB 的情况下，信号的识别准确率最高可达99.93%。相较于现有文献，本文所提的基于深度学习的方法可适应不同信干噪比的通信场景，在欺骗信号与合法信号同时存在的复杂通信环境下实现抗欺骗。

摘要:提出一种基于Transformer模型的通信信号调制识别方法：在数据准备阶段，构建一个不同符号速率调制识别(DSRMR)数据集；在数据预处理阶段，提出I/Q数据增强方法，用于满足模型训练在数量上和多样性的要求，增强了模型泛化能力；在模型构建阶段，将切片序列化的方法引入调制识别Transformer模型中，用于优化Transformer神经网络模型的输入问题。实验结果证明，基于Transformer模型的通信信号调制识别方法能够获得较高的信号自动调制识别准确率。

摘要:针对无人机群通信对抗中敌方通信信号生成干扰波形的自适应问题，提出了一种基于频谱调制频谱编码(SMSE)模型进行认知干扰波形设计的方法。通过对SMSE框架中6种不同的波形设计参数进行部署，将具有特定频谱结构的波形在频域生成相应功能的认知干扰波形，来应对通信对抗中不同参数下的通信信号。仿真实验表明，该理论模型能够产生单音干扰、多音干扰、宽带干扰、瞄准式窄带干扰等多种压制式干扰波形，并能够对BPSK,QPSK,8PSK,16QAM等调制信号实现调制欺骗式干扰。通过与理论曲线对比，实验结果验证了SMSE模型产生认知干扰波形的理论可行性，这意味着SMSE模型可以实现对通信信号的压制性干扰和欺骗式干扰的一体化应用。

摘要:信号调制识别技术在民用和军事领域都有重要应用。当前信息化战场中，由于各类雷达、通信、导航、电子战武器等信息辐射源的数量愈来愈多，调制形式也日益多样化，信号密度愈来愈大，战争电磁环境日趋复杂化，传统的信号调制识别技术已无法适应。因此，提出基于深度学习的AlexNet网络和复数神经网络，同时采用多模态特征融合和模型融合技术，融合信号统计图域和信号I/Q波形域的多模态信息，实现信号调制识别。仿真结果表明，所提方法的识别精确度在不同信噪比下均优于单模态识别方法和未采用多模态协同融合框架的方法。

摘要:无线电监测频谱数据中包含有大量的信号，准确提取这些信号有利于掌握全频段的频谱使用情况。实际信号的频谱由于受噪声干扰，会出现信号频带内个别频点能量值低于检测门限的情况，此时传统的门限检测算法会将该信号错估为多个信号，产生多个虚假的相邻信号间隔，导致频谱信号提取的准确率下降。对此，根据虚假相邻信号间隔特点，提出一种自适应估计信号个数的频谱信号提取算法，该算法可自动、准确估计频谱监测数据中电磁信号的个数，并将对应的信号及频谱信息提取出来。实验结果表明，该方法具有自适应性、强鲁棒性和高准确性，有效提高了频谱信号提取的准确率，为军、民电磁环境的识别与掌握提供基础的电磁信号数据支撑。

摘要:在认知无线电(CR)背景下，动态频谱接入已成为提高无线网络频谱利用率的重要途径。基于全球移动通信系统-铁路(GSM-R)系统中采集的细粒度频谱监测数据，提出一种数据驱动的深度学习方法，建模频谱模式，并建立一套动态频谱接入访问框架。采用一种深度频谱生成模型指导频谱分配；设计一种综合递归序列表征与场景特征嵌入的深度网络，建模和预测短时频谱占用情况，并由此提出一种动态信道接入策略。进一步，利用软件无线电(SDR)平台实现一套跳频系统，并将其与动态频谱接入策略进行集成。使用真实的历史频谱数据评估该系统的数据吞吐能力，测试结果表明，所提方法及构建的跳频系统能有效提高机会通信能力，高效利用频谱资源。该频谱接入框架及SDR系统实现具有较强的通用性，易于集成到不同场景和频段的系统中。