在雷达电子战中，快速并准确地识别敌方雷达信号调制技术对于获得战术优势至关重要，而传统依赖于图形处理单元（graphics processing unit,GPU）的识别方法难以满足此应用场景的低延迟要求。为此，该文设计了一种基于数据流架构（dataflow architecture,DF）的雷达信号调制方式识别加速系统。该系统通过对卷积神经网络权值进行二值化来减少模型参数，便于将算法部署到现场可编程门阵列（field-programmablegatearray,FPGA），同时采用数据流架构加快雷达信号调制方式的识别过程。实验结果表明，在确保整体识别准确率的前提下，该加速系统的推理速度相比i7-11800H CPU提升44.43倍，相比RTX 3050Ti GPU提升2.59倍，系统功耗仅为1.724 W。

文章首先论述了支持向量机的基本理论,然后给出了基于支持向量机的多分类算法并将其应用于现代复杂体制雷达信号的分类。文章在Matlab环境下对雷达信号进行了模拟,在不同的分类参数组合下,用模拟数据检验了不同核函数的支持向量机多分类算法的效果。

指出合成孔径雷达(SAR)图像目标识别特征具有多维度特性和图像场景的复杂性,因此融入知识信息就成为解决SAR图像目标识别复杂问题的重要途径。结合实例分析知识信息在SAR中的重要性,阐述知识的描述方法,由此提出一种基于知识的SAR图像目标识别模型。以可信度方法为例,就知识信息的处理过程进行具体说明。最后通过案例分析,证明引入专家知识有助于增强目标识别结果的可靠性。

训练样本的选取是影响监督分类精度的直接原因之一,数据空间分辨率越高,训练样本要求越准确,而人机交互训练样本选取推广力有限。利用机载高光谱(AISA)和激光雷达(LiDAR)主被动遥感数据,探讨基于高分辨率影像的训练样本自动提取技术以及适合树种识别的遥感变量。根据树木的结构和高度差异,开展树高分层掩膜试验,并计算光谱间夹角,在每个高度层中自动化优选树种的高纯度训练样本。计算植被指数、主成分分析等特征变量,基于支持向量机分类器对研究区进行树种精细分类。实验表明:通过对阔叶林、马尾松Pinus massonia

[目的/意义]针对我国社会信用数据治理的管理和应用呈现割裂化、多元化以及效能低等问题，以数据要素的治理经验为基础提出使用标准化的信用数据作为信用治理的新客体，并归纳出信用数据要素与数字技术重塑信用治理的架构与运行逻辑。[方法/过程]指出我国信用治理的现状与困境，结合数据要素的治理经验与流转逻辑，提出数字技术与数据要素重塑信用治理的框架与运行逻辑，并重点论述机制与制度如何推动信用治理的数字化转型。[结果/结论]在数字技术与数据要素的支持下，能够形成以信用数据为流转核心的新型信任治理机制，以此为我国实现数字政府，实现治理现代化提供更多路径选择。

针对小样本条件下由信号调制识别准确率低和信道环境变化导致调制识别网络性能下降的问题，提出了一种基于联合分布适配-反向传播神经网络（JDA-BP）调制识别方法。通过改变信道环境生成概率分布不同的多进制正交振幅调制（MQAM）信号，提取MQAM信号的瞬时统计特征和高阶累积量组成样本，构建3个概率分布不同的数据集，使用联合分布适配（JDA）算法缩小数据集间的特征差异，并将适配后的数据集送入BP神经网络进行训练和测试。对比实验表明，在目标域为小样本的条件下，该文方法针对源域和目标域概率分布不同的情况，能有效地减小概率分布距离，信号调制识别平均准确率可达73.25%；相比于比未使用JDA-BP方法，调制识别准确率平均提高了6.80%。

本文使用Xilinx FPGA作为开发平台，设计了一种基于SD卡的新型单光子激光雷达数据存储平台。针对单光子激光雷达的数据特点，验证了通过DDR3芯片SD卡在2.0版本SPI模式下可以发挥削峰填谷的作用，确保单张SD卡能够稳定以最大5 Mbps的写入速率稳定工作。同时，该文验证了采用多SD卡扩展方案可以进一步提升写速度，并将存储能力提高至0.5 TB以上。如果将SD卡提升至3.0版本，理论上单卡存储能力可以达2 TB。该存储系统已实际应用于单光子激光雷达的成像实验，由于SD卡轻巧、稳定和抗干扰等优点，新的存储方案在数据容量、集成度、能耗和成本等指标方面与目前通用方案相比均有显著的提升。SD卡存储方案的高性价比特点对未来广泛应用于单光子雷达的量产具有较大吸引力。这种新的数据存储方案在无人机载、船载和车载测绘等低载荷、高集成的单光子激光雷达产品的实际应用中具有优势。

【目的】采用探地雷达对木质体内部缺陷进行断层扫描探测,研究基于雷达波的树木内部层面反射特征识别算法,为雷达波无损测试技术在树木内部结构和缺陷的解析、定位及分布表征提供理论依据。【方法】采用900 MHz介质耦合树木雷达对柳木试件进行断层扫描,研究实现阈值法、匹配滤波器法和希尔伯特积算法获取缺陷层面的反射位置,基于层剥反演法对树木内部不同介质进行介电常数反演,求得层位的相对深度,结合三维激光扫描仪获取的树木外形轮廓点云数据,根据轮廓追踪法将雷达波B扫描图像与断层轮廓绝对位置进行映射,实现对树木内部缺陷的准确定位和表征。对3种算法分别使用FDTD正演方法进行对比验证,并应用于颐和园古柳木试件试验测试中。【结果】正演对比测试结果表明,希尔伯特积算法相较于阈值法和匹配滤波器法,对木质体内部缺陷识别效果更好。柳木试验测试结果显示,树木内部缺陷深度误差为10%,结合三维激光和外轮廓扫描技术求得的缺陷部分面积误差在5%左右。【结论】本研究提出的算法可以实现雷达波扫描图像对树木内部缺陷的准确定位和分布成像。

【目的】使用深度学习方法实现对根系雷达图像的多目标检测和多参数估计。【方法】构建了一种以YOLOv5s和CNN-LSTM为主要框架的网络模型实现对根系雷达扫描图像的多目标检测和多参数估计。首先，通过仿真模拟和预埋试验获取试验所需的根系雷达剖面图数据，同时为了增加数据的多样性，使用CycleGAN风格迁移网络获取了一批具有真实雷达图像特征的仿真数据；然后，使用YOLOv5s目标检测网络识别并提取根系响应区域；接着引入频域变换，获取频域特征，并将根系雷达图像的时域特征和频域特征融合；最后，利用卷积神经网络、卷积注意力机制以及长短期记忆网络强调和提取与根系参数相关的信息特征，并使用多任务学习的方法实现对根系半径、深度、相对介电常数以及水平倾角的预测。【结果】（1）仿真试验中，根系半径估计的最大误差是4.3 mm,R2为0.980，均方根误差为1.32，深度估计的最大误差是35.1 mm,R~2为0.962，均方根误差为17.68，相对介电常数估计的最大误差是3.1,R~2为0.960，均方根误差为1.10，水平倾角估计的最大误差是10.2°，R~2为0.821，均方根误差是4.96。（2）在实测数据上对根系半径估计的平均相对误差是9.112%，深度估计的平均相对误差是5.772%，水平倾角估计的平均相对误差是11.25%。【结论】本文提出的基于深度学习与探地雷达的多目标检测方法可以为根系检测和根系参数估计提供便利。

为了实现基于雷达传感器的人机交互，设计了一个基于深度学习的毫米波雷达手势识别实验。首先，该实验基于77 GHz的FMCW雷达，采集人体手部动作回波数据，并对回波数据进行帧差预处理，再利用多维FFT算法构建距离-速度-角度联合的多维特征融合数据谱图。然后，调用MATLAB中的深度学习工具箱，基于典型的VGG16网络，搭建了适用于多维特征数据提取和动作识别的3D-VGG16-NET网络。实验结果显示，该网络算法对手势的平均识别准确率达到99.38%。

加强学位点监控是构建并完善学科建设管理机制的重要内容。当前因学位授权点数量多、工作量大、耗时长等原因使得中央和地方政府以及高校对学位授权点缺乏有效的监控。将雷达图法应用于学位授权点监控,对学位授权点师资队伍、科学研究、人才培养、基地建设、学术交流、服务社会等指标细化并量化,选取国家最低标准、同类学科平均水平、同类学科最高水平分别确定雷达图法中的三个同心圆,将静态分析与动态分析相结合,并通过具体案例对这一方法进行了应用研究。

目前校园一卡通身份识别系统普遍存在功能单一、容量小、扩展性差和兼容性差等问题.针对这些问题,运用物联网、虚拟化和分布式技术,结合高校的实际需求,在系统架构设计层面进行整体规划,建设一套集门禁、无线门锁、宿管、考勤和会签等功能于一体的综合性管理系统.实际使用证明,该系统易扩展,兼容性高,能为校园管理带来很多便利,并给学校管理决策提供多方位的参考依据.

为探索地基激光雷达数据在植物真实三维建模上的应用,研究基于MeshLab软件的三维Alpha-Shape算法和移动立方体算法进行玉米植株三维真实模型的重建。三维Alpha-Shape算法基于离散激光雷达点云构建Delaunay三角网,通过Alpha值的设置判断各单纯形是否保留,完成玉米植株三维重建。移动立方体算法则通过查找每个体素与等值面相交的交面,所有交面连在一起即为所求的等值面。Alpha值分别设置为0.006 290、0.012 638、0.018 635,采用Alpha-Shape算法进行单株玉米三维重建,试验结果表明:当Alpha值设置较小时,对玉米叶片、茎秆等细节信息表达的比较精细...

【目的】探索不同树种在样地和单木尺度上无人机激光雷达点云数据的单木分割效果,选取哈尔滨城市林业示范基地阔叶林(水曲柳)和针叶林(樟子松)两块样地为研究对象,对样地内树木点云进行单木分割并评价其分割效果,为后续单木结构参数的提取提供数据支持,同时丰富森林资源信息的调查手段。【方法】通过无人机激光雷达获得样地树木点云数据,然后分别采用改进的K均值聚类算法和基于相对间距的阈值分割算法对水曲柳和樟子松样地进行单木点云数据分割。其中,水曲柳样地点云数据处理采用改进的K均值聚类算法,通过树干点云位置推算初始聚类中心,减少因树冠重叠导致的错误分割;樟子松样地点云数据处理则采用基于相对间距的阈值分割算法,通过设定多条阈值规则并利用动态最大值滤波器对树顶进行精确探测,提高算法的分割精度。最后,基于样地和单木点云完整度两个方面对点云数据分割效果进行评价。【结果】1)从样地尺度来看,水曲柳和樟子松样地单木识别率分别为0.91和0.87,相应的调和值(F)分别为0.91和0.88,结果显示单木分割的整体效果较好。水曲柳样地召回率(r)为0.87,精确率(p)为0.95,算法分割过程中产生的错误分割较少。樟子松样地算法分割的单木也多为正确分割(r=0.82、p=0.94),其分割误差主要来自于单木欠分割,过分割现象相对较少。2)从单木点云分割的完整程度来看,水曲柳样地的单木平均正确分割率为75.6%,点云平均欠分割率为24.3%,平均过分割率为18.5%,单木点云的最大错误分割率为31.8%,不同单木之间分割精度有较大差异;樟子松样地的单木分割精度较稳定,平均正确分割率达84.1%,平均欠分割和过分割率分别为16.3%和9.0%,表明单木点云不存在大量错误分割的情况。【结论】基于树木形态结构特征改进了两种优化单木点云数据分割算法,两种算法下分割的森林样地单木精度在不同评价尺度中表现均较好,对林中树木出现的树冠重叠、遮挡、偏移等现象均有一定的辨别能力,实现了森林样地树木点云数据的单木精确分割。

土壤盐渍化是当今土地退化和荒漠化的主要形式之一,不仅严重制约农业和经济的发展,并且对生态环境和人类生存造成威胁。本研究以新疆于田绿洲为研究区,利用四极化PALSAR(Phased Array type L-band Synthetic Aperture Radar)数据后向散射系数,土壤含水量,土壤pH值以及土壤盐分实测值,采用多元线性回归模型、地理加权回归模型和BP神经网络模型,以土壤含盐量作为因变量建立了定量反演模型。从土壤盐分反演结果图可以看出,反演结果与地面实地考察结果基本一致。经过模型验证得知,3层BPANN模型的均方根误差RMSE=0.99,平均相对误差MRE=0.31,模型性能指数RPD=5.34,其模型预测能力优于前2种传统模型。本文建立的神经网络模型无需考虑复杂的介电常数,在一定程度上能够满足土壤盐渍化监测的需要,促进PALSAR数据在土壤盐渍化监测中的应用。