地理环境构建及目标保障在安全政策制定、突发事件应急、国土防护和灾害监测等事件中发挥着重要的作用。随着卫星、无人机和地面传感网等空天地传感器的迅猛发展,遥感大数据正成为地理构建、目标保障的重要数据来源。围绕遥感大数据的发展现状,从遥感大数据的获取技术与手段着手,探索卫星遥感全球高精度定位与测图、重点地区空天遥感三维地理环境构建、遥感影像全要素解译和遥感目标检索等关键技术。根据遥感大数据在不同情景下的实践与应用,简要介绍了遥感大数据的典型案例,如突发事件应急响应、遥感自然灾害监测与评估。结合当今社会的发展与战略背景,对遥感大数据的应用前景进行了总结与展望。
随着无线通信和物联网(Internet of Things,IoT) 设备的迅速增长,频谱资源短缺和电磁环境复杂性成为通信系统面临的挑战。频谱感知作为频谱管理的一项关键技术,使频谱资源短缺问题得到了缓解。卷积神经网络(ConvolutionalNeural Network,CNN) 作为深度学习的代表,近年来在频谱感知任务中表现出色。为解决CNN 实现频谱感知任务时感受野受限、多尺度信息融合和空间信息捕获等方面存在局限性的问题,提出了一种注意力多尺度特征融合CNN (Attention-Multi-Scale Feature Extraction-CNN,AMFE-CNN) 模型,包含多尺度特征提取和注意力模块。多尺度特征提取利用膨胀卷积获取更大的时频感受野,注意力模块通过多重卷积和池化操作关注时频图的空间信息。实验结果表明,该模型在频谱感知任务中表现出色,提高了检测性能和泛化能力。
频谱感知技术可以优化频谱资源的利用、提高通信质量、实现智能无线网络,能有效缓解移动通信和物联网对高速、高质量无线连接的需求与有限频谱资源间的矛盾。鉴于此,对传统的频谱感知技术进行了综述;归纳了基于深度学习的频谱感知检测方法,对这些方法的优势和不足进行了深入分析;梳理了智能反射面(Intelligent Reflecting Surface,IRS) 与频谱感知相结合的技术;探讨了频谱感知检测技术现阶段面临的问题和未来发展趋势。
大部分检测方法针对平稳信号设计,使用单一统计模型分析检测性能,面对语音信号及复杂环境噪声时,效果常因模型失配而变差。为探索具有较高鲁棒性的语音信号检测方法,将语音信号与不同环境噪声混合并将其映射为图,设计基于图结构的语音信号检测方法。通过实验比较该方法与传统M2M4 方法的性能。对比受试者工作特征(ReceiverOperating Characteristic,ROC) 曲线和曲线下面积(Area Under Curve,AUC) 值,图检测方法均优于M2M4 方法的检测性能。在不同实验条件下,基于图检测方法的信号检测具有更优的检测性能。
视频描述生成是利用计算机视觉和自然语言处理技术将视频内容转化为文字描述的过程,具有广泛的应用场景,包括信号识别与解码、网络视频会议、视频监控和安防、视频翻译和内容检索等。基于深度学习的视频描述生成模型在性能方面取得了显著突破。这些模型的计算量和复杂度往往较高,难以在计算资源有限的移动通信终端上部署和应用。为了解决这一问题,提出了2 种轻量化模型,分别用于通用视频描述生成和密集视频描述生成任务。以UniVL 模型为基准,通过实验确定了满足视频描述任务的最小模型架构。为进一步减小模型的大小,提出了自适应嵌入的压缩策略,根据不同视频数据集类型进行模型压缩。采用了不同层信息的知识蒸馏技术对所提出的轻量化模型进行优化训练,与教师模型进行充分的信息交互,提高轻量化模型的性能。实验结果表明,与基准模型相比,所提出的轻量化模型的参数量能够降低75% ,性能指标下降不超过10% 。
针对红外图像分辨率差、对比度低、信噪比低、视觉效果模糊等检测难点,提出一种基于YOLOv5 的轻量化红外目标检测(Lightweight Infrared Target Detector-YOLO,LITD-YOLO) 算法。LITD-YOLO 算法重新设计网络结构,针对红外目标成像特征,将特征提取网络与特征融合网络结构重构。提高小感受野权重,重建浅层特征和深层特征之间的多尺度融合关系,提高浅层网络语义信息表征能力权重,增强对红外小目标的检测能力。引入Varifocal loss 以实现交并比感知分类评分(Intersection over Union-Aware Classification Score,IACS) 回归,使模型对密集目标的检测能力进一步加强。使用SIoU 作为边框损失函数,用于提升预测框的准确度,同时加速模型收敛。实验结果表明,在FLIR 和OSU 数据集下模型检测精度分别提高至88.5% 、99.7% ,模型体积仅3.9 MB,参数量和算法复杂度大幅降低;与主流算法相比,LITD-YOLO 在各项指标上均取得了不错的进步,在检测精度、模型体积和推理速度等方面具有先进性,能满足对红外目标的高质量检测。
针对目前城市背景烟火检测方法存在检测精度不高,易出现误检、漏检和耗时长等问题,提出一种基于YOLOv8s 改进的烟火检测算法。引入加权双向特征金字塔(Bi-directional Feature Pyramid Network,BiFPN) 增强特征融合,在BiFPN 的基础上融合P2 特征层提升小目标检测能力,同时添加基于跨空间学习的高效多尺度注意力(Efficient Multi-scaleAttention,EMA) 模块,突出目标特征同时抑制背景环境的干扰;为了有效利用特征图的语义信息,引入轻量级通用上采样算子——Content-Aware ReAssembly of Features (CARAFE);基于多尺度卷积注意力(Multi-scale Convolutional Attention,MCA)模块设计了一个轻量化的检测头并提升了检测精度;引入分组卷积空间金字塔池化SPPFCSPC_ Group 模块,在扩大感受野的同时具有更好的特征提取能力。实验结果表明,改进的YOLOv8s 算法在基准模型的基础上计算量减少了25% 、参数量减少了37. 6% 、模型权重大小减少了33.2% ,平均精度均值(mean Average Precision,mAP) 提升了3.4% ,基本满足烟火检测的需求。
场景文本识别(Scene Text Recognition,STR)使计算机能够获取自然场景图像中的文本信息。在STR 的研究中识别准确性始终是关注重点。对于计算资源受限的边缘设备,模型的参数量和计算效率也同样重要。针对该问题,提出了基于多头注意力融合的自然场景文本识别(Scene Text Recognition Based on Multi-Head Attention Fusion,MAF) 算法。通过利用多头注意力(Multi-Head Attention,MHA) 机制设计了视觉编码器,实现对规则和不规则场景文本图像的视觉特征深度提取。为了增强模型对字符间间距变化和语义相似性的感知能力,提出了增强位置编码以及结合输入上下文和置换模型的语义编码器。通过MHA 将视觉和语义特征信息融合,提高在复杂环境背景下的文本字符识别准确率。实验结果表明,MAF 的参数量仅为7.6×106 ,FLOPS 为1.0×109,在真实STR 数据集上的平均识别准确率达到95.6% ,有效平衡了识别任务的准确性和计算效率,具有一定的应用潜力。
针对Segformer网络中无法有效聚合和使用多尺度信息并且边界模糊的问题,提出了基于级联注意力和边界预测的语义分割网络。在Segformer的解码器部分,通过使用级联注意力,有效聚合了多尺度特征信息并通过聚合多尺度特征进行边界预测,对语义分割任务进行辅助。在梯度更新部分,加入梯度手术,减少因添加辅助任务导致的任务之间出现的梯度冲突对训练的干扰问题,加快模型收敛速度。在ADE20k 数据集和Cityscapes 数据集上进行实验,通过增加了2.69M参数和24.67G的计算量,提高了网络2.38% 的平均交并比,证明了所提方法的有效性。
近年来,深度学习技术在大数据训练模型上取得了显著成就。但由于领域的特殊性,很难获取到大量标注/无标注样本,人工标注数据会耗费大量的人力,限制了其在该领域的应用和推广。而小样本目标识别分类只需要少量的标注样本数据,即可实现在有限样本条件下对典型目标的识别分类。以目标识别分类为主要应用领域,对基于数据增强、迁移学习和度量学习3 种常用的提升小样本目标识别分类性能算法的研究现状进行了介绍,并阐述了算法的优缺点。对小样本学习仍旧面临的一些挑战和未来研究方向的展望进行了梳理和总结。
随着我国民航航班量持续快速增长,机场及空域系统承载的空中交通运行压力越来越大,空中交通流量与空管保障能力、空域容量之间的矛盾日渐突出。如何在有限的频率资源内有效提高民航频率资源利用率是现阶段国际民航界关注和发展的重点。对机场之间地面频率、塔台频率、进近频率、区域频率的复用间距进行了分析,结合现有民航行业技术规范,建立数学模型,通过具体量化计算给出了实际运行中地空通信频率复用间距的计算与分析方法,解决由于跨区域异地复用频率产生同频干扰的实际运行问题。
深度学习相比传统预测无线电环境地图(Radio Environment Map,REM) 方法有着预测时间快、精度高的优点。然而模型为了保证预测的精度往往需要设计复杂的网络进行训练,导致耗费大量的训练时间。为降低模型的训练时长,实现REM 快速构建,提出了一种改进深度学习模型结合环境编码的REM 构建方法。该方法在深度学习网络结构中,通过利用轻量级视觉转换器(Mobile Vision Transformer,MobileViT) 模块替换传统模型的卷积模块,增加了模型的全局视野;在输入数据预处理中,引入电波传播机理,提高了模型的可解释性与图像的一维熵,通过结合经验公式计算的路径损耗与天线位置图进行环境编码,进而与城市环境地图作为共同输入。仿真结果表明,改进模型在训练阶段具有更快的收敛速度;所提出的数据预处理方法能够对模型训练起到加速的作用。
为了满足日益丰富的通信需求,提出了一款具有陷波特性的高隔离度超宽带(Ultra Wide Band,UWB)多输入多输出(Multiple Input Multiple Output,MIMO) 天线。采用微带天线作为基础模型,基于对称切半法实现了天线单元的小型化,利用在辐射单元上电流较为集中处开槽的方法实现滤波特性,通过在地板上加载T 型枝节与方向图分集技术相结合有效减小了MIMO 天线单元间的耦合能量。基于仿真模型进行实物加工,测试结果表明,天线工作带宽可完全覆盖3.1 ~10.6GHz,所设计天线阻抗带宽覆盖陷波频段为5.0 ~ 5. 9 GHz,在该频段内增益下降明显,在通带频段内天线单元间的隔离度大于20dBi,包络相关系数(Envelope Correlation Coefficient,ECC) 小于0. 05,方向图仿真结果与测试结果吻合度良好,结果表明所提出的天线结构紧凑且电性能良好,为UWB 滤波通信系统提供了切实可行的设计方案。
为了拓展新型中间层-平流层-对流层(Mesosphere-Stratosphere-Troposphere,MST) 雷达测风工作模式,提高测风数据的时间分辨力,基于全相关分析(Full Correlation Analysis,FCA) 方法与大气散射模型,设计了一种应用于MST雷达的空分天线(Spaced-Antenna,SA) 测风模式。通过大气散射模型结合雷达实际阵面分布与工作参数产生仿真时域信号,讨论了不同相关函数、相关函数拟合方法以及MST 雷达不同天线尺度对雷达测风结果的影响。为验证测风模式的有效性,将信噪比(Signal to Noise Ratio,SNR) 不同的测风结果与模型中风场真值进行比较。研究结果表明,新的测风模式仿真计算得到的风速、风向结果精度较高,符合雷达实际探测要求。
针对群组机器人系统在应急场景下移动频繁、能量有限的特点,提出了一种基于能量与速度的分簇自组织按需距离矢量协议(Clustered Ad hoc On-Demand Distance Vector Protocol Based on Energy and Speed,ESC-AODV),以延长群组机器人网络运行时间,提高通信可靠性。用路由性能代替跳数作为路由判据,目的节点在重复接收到路由请求(RouteRequest,RREQ) 数据包时,若路由性能更小,则回复路由应答(Routing Reply,RREP) 数据包,以此选择更好的路由,引入分簇结构,通过簇头和网关组成的骨干网络减少广播洪泛次数。实验结果证明,节点数量多时,改进的ESC-AODV 协议在延长网络生存时间的同时,平均端到端时延、数据包投递率、吞吐量和路由开销均优于AODV 以及基于能量、负载和速度的AODV 路由协议(AODV Routing Protocol Based on Energy,Load and Speed,ELS-AODV)。ESC-AODV 协议能够节约网络能量,提高可靠性,获得更优的网络性能。
随着研究的不断深入,太赫兹器件在多个基础研究及工程应用领域的重要地位日益凸显,但是这些器件一般只能工作在单一频点且对圆极化较敏感。为了克服这一限制,从中国古代铜币中汲取灵感,设计了一种多频点的太赫兹编码超表面,该结构由单元“0” 和单元“1” 构成。通过相位编码构造的1-bit太赫兹超表面可以在x线极化波和圆极化波的入射下分别在3个频点实现不同的反射波束分裂功能,进一步通过改变1-bit编码超表面的半径,可以构建2-bit太赫兹编码超表面,实现波束偏转功能。利用幅度差异可以构造幅度编码超表面在x 线极化波和圆极化波的入射下实现空间成像功能。所设计的超表面解决了仅利用相位或幅度编码进行太赫兹波前操纵的问题,克服了传统器件只能在单一频点工作和对圆极化波敏感的缺陷,为太赫兹通信领域的应用提供巨大潜力。
在高速移动短波信道下信号多径干扰严重且机动平台能量十分受限,针对多载波技术的高峰均功率比以及高复杂度所引起的高功耗等缺陷,提出了一种基于迭代块判决反馈均衡(Iterative Block Decision Feedback Equalization,IBDFE) 的新型单载波频域均衡(Single Carrier Frequency-Domain Equalization,SC-FDE) 技术。与传统的迭代块判决反馈频域均衡结构不同,其特点是采用双重IBDFE 结构,其中一路信号的输出作为反馈滤波器的输入,并引入残余码间干扰消除(Residual Inter-Symbol Interference Cancellation,RISIC) 技术。仿真结果表明,在相同的移动短波信道场景下,与传统结构算法相比,复杂度相近,但误码性能更好,通信系统可靠性更强。SC-FDE 技术相比于多载波技术,功耗较低,更加适用于对能量有一定要求的机动平台短波地空通信。
在智能超表面(Reconfigurable Intelligent Surface,RIS) 辅助的无线通信系统中,信道状态信息(ChannelSituation Information,CSI) 是RIS 反射相位矩阵优化的前提和基础。为了获得精准的CSI,针对多RIS 辅助的多输入单输出(Multiple Input Single Output,MISO) 通信系统,提出了一种训练序列优化和线性最小均方误差(Linear Minimum MeanSquared Error,LMMSE) 方法相结合的信道估计方法。该方法使用LMMSE 方法估计级联信道的CSI;在所得CSI 的基础上,对RIS 的反射矩阵和基站(Base Station,BS) 发射的训练序列进行了联合优化,最小化原本信道估计的均方误差(MeanSquared Error,MSE),进一步提高了信道估计的精度。仿真结果验证了所提信道估计方法和双RIS 联合训练反射矩阵与训练序列优化设计的有效性。与各种基准方法进行比较,具有更高的CSI 估计精度。
目前,各种智能算法在机器人路径规划中的应用已经取得了一定的成果,主要表现在路径规划、避障导航和协同控制等方面,以提高机器人在复杂环境中的工作能力、协作能力和工作效率。原始的单个算法如粒子群优化(ParticleSwarm Optimization,PSO) 算法、蚁群(Ant Colony Optimization,ACO) 算法和动态窗口算法(Dynamic Window Approach,DWA) 等在机器人路径规划中存在一些问题,如收敛速度较慢、易陷入局部最优解等。因此,许多学者对各种算法做出改进,主要可以归纳为4类:基于搜索的路径规划算法、基于采样的路径规划算法、基于学习的路径规划算法和基于智能仿生的路径规划算法。这些算法不仅可以单独使用,也可以互相结合,以提高算法的适应性、收敛速度和全局搜索等能力。通过对机器人路径规划中的算法进行综述,为相关研究人员了解算法在移动机器人路径规划中的研究及算法应用提供一定的参考。
近年来,无人机在各个领域得到广泛应用,但越来越多的无人机也带来了一系列隐私和安全问题。因此,对无人机的检测和管理变得至关重要,目前通过射频指纹识别无人机的方法取得了较大进展。在结合国内外大量研究成果的基础上,对无人机射频指纹系统的各个步骤进行深入探讨。分析了各种无人机识别技术的优缺点,并详细阐述了无人机通信方式和射频指纹的形成机理与特性。根据信号收集、预处理、特征提取和分类识别4 个阶段,对无人机射频指纹系统的相关技术进行了系统梳理,讨论了无人机射频指纹系统性能评估方法。对当前无人机射频指纹研究现状进行了问题分析与展望,包括射频指纹数据集缺乏、射频指纹稳定性、射频指纹的唯一性以及深度学习在射频指纹应用领域的探索,并进行了全文总结。
为了实现无人机在各领域的广泛应用,对高速率、低时延的无线通信连接的需求日益增长。蜂窝网络凭借其覆盖范围广和信号带宽高等特点,成为满足这一需求的有力候选。研究旨在探讨无人机连接蜂窝网络的可行性、主要应用场景和挑战。通过综合分析无人机使用蜂窝网络连接的技术路线和实际案例,详细探讨了各个场景连接过程中地面蜂窝基站和空中无人机面临的挑战。进一步,通过对现有文献和案例归纳总结,识别了当前技术的局限性和潜在的改进方向。研究发现,虽然蜂窝网络为无人机提供了可靠的连接支持,确保了通信的高速率和低时延,但在确保连接稳定性、扩展网络覆盖范围以及优化信号传输效率方面,仍存在诸多挑战。特别是在高密度无人机应用场景中,如何有效管理和调配蜂窝网络资源成为研究的重点。尽管面临挑战,但通过技术创新和策略调整,蜂窝网络连接无人机的应用前景非常广阔。未来研究需进一步探索高效的资源管理方案和更灵活可扩展的网络架构,以支持无人机在更多领域中的应用。
针对无线传感网络(Wireless Sensor Network,WSN) 固定周期数据传输导致的数据冗余和节点能耗高等问题,提出了一种基于同步预测的WSN 自适应采样节能策略。通过在终端节点和协调器之间建立指数平滑同步预测模型,根据实际值和预测值的误差实现自适应通信;在同步预测模型基础上引入了传输控制协议(Transmission Control Protocol,TCP)拥塞控制思想,自适应地调整节点的采样间隔和睡眠时间,通过动态调整采样间隔,避免频繁的数据采集及传输,减少数据冗余。为验证节能性,基于ZigBee 的室内甲醛监测系统平台进行仿真与实验。实验结果表明,在均方根误差(Root MeanSquare Error,RMSE) 为4.2×10-4 的情况下,相较于固定周期采样策略,所提出的策略能够节省能耗89.7% 。对于提高WSN 的能源效率具有参考价值。
共享停车是应对汽车保有量增长导致的城市停车难题、充分利用现有停车位资源的重要举措。提出了一种基于HarmonyOS 与窄带物联网(Narrow Band Internet of Things,NB-IoT) 的城市共享停车体系,以HarmonyOS 与NB-IoT设计共享停车融合终端、云IoT 平台作为共享停车的边缘服务平台。给出了基于云IoT平台的城市共享停车服务体系的架构设计,提出了基于HarmonyOS 与NB-IoT的终端标准化设计以及端云一体化开发方法。对地面拉远和地下场景下的NB-IoT 的穿透覆盖性能,以及不同运行环境下的HarmonyOS系统的线程响应时间分别进行了实测与性能评估,验证了所提系统的有效性与服务性能。为不同停车设备的智能化、互联与协同提供了统一的集成管理与开放方案,为提高现有停车设施的使用效率,推动我国智慧城市交通发展和提升新型城镇化建设质量提供可行的实施路径。
针对用户不能及时、实时获得用电数据导致无法及时处理异常用电行为的问题,设计了一种基于物联网(Internet of Things,IoT) 的实时异常用电行为的监测系统。该系统既可以采集单相电的电气参数也可以采集三相电的电气参数,以电能监测芯片ATT7022E 和主控芯片STM32F103C8T6 为核心的终端设备采集用电数据,无线传感模块窄带物联网(Narrow Band Internet of Things,NB-IoT) 定时将采集的电流、电压和功率数据传送至云平台,云平台对数据流转和存储;使用eXtreme Gradient Boosting (XGBoost) 算法对用电行为进行学习与预测,并在Web 端进行数据管理、可视化和用电行为预测。经实验调试,该系统数据传输稳定、检测精度高。
针对变电站安全监控场景下的行人识别,纯视觉传感器目标检测极易受到光照条件和物体遮挡的影响,存在误检和精度不高等问题,主流雷达视觉融合目标检测网络存在实时性差、精度低的问题,提出了一种以YOLOv5 作为主干网络的多尺度雷视融合目标检测算法,实验结果显示该算法在平均精度均值(mean Average Precision,mAP)0.5:0.95 和帧率(Frames Per Second,FPS) 上均显著优于其他主流目标检测算法。在YOLOv5 结构上,额外增添了一条毫米波雷达点云多尺度特征融合分支。雷达点云RGB 图像首先通过通道压缩(Channel Block Squeeze,CBS)、跨阶局部网络(Cross StagePartial Network,CSP) 模块提取特征之后,继续通过卷积注意力模块(Convolutional Block Attention Module,CBAM) 和最大池化层对雷达点云信息进行不同层次的特征提取,使用空间注意力融合模块的改进对雷达点云特征和视觉特征进行3 次多尺度特征融合。实验分析表明,所提算法mAP0.5:0.95比原始YOLOv5网络有显著提升,FPS也远优于目前主流雷视融合算法。