面向分布式小型化磁感前端阵列接收长波信号场景,针对长波频段噪声复杂的特性,提出了一种宽带多信号智能联合检测方法。该方法基于已知参考信号样本预训练神经网络,通过神经网络在预训练阶段学习分布式接收样本矢量在各维度上的潜在复杂关联性规律,进而部署网络后可输出基于输入样本矢量联合概率的置信度量,用于判断当前样本是否存在目标信号从而得到检测结果。基于宽带信号仿真数据集进行实验,结果表明算法可直接对宽带数据进行处理,并能有效完成频谱感知,能够在低信噪比和相关噪声条件下获得接近理论处理增益的检测性能,达到80%以上的检测率。在此基础上,采用中科院空天信息创新研究院布设于内蒙古的超短基线电磁探测阵列(Mini-array by Chinese Academy of Sciences,CASMA)采集的实际长波信号数据进行性能验证,算法性能测试结果同样验证了其有效性。该方法不限于长波信号,也适用于其他具备参考信号条件下的信号盲检测的场景,实现在信道参数未知、信号微弱等盲环境条件下获得更优的目标信号检测性能。
基于检索增强生成(RAG)的军事领域知识问答系统已经逐渐成为现代情报人员收集和分析情报的重要工具。针对目前RAG方法的应用策略中的混合检索存在可移植性不强以及非必要使用查询改写容易诱发语义漂移的问题,提出一种多策略检索增强生成(MSRAG)方法。首先,根据用户输入的查询特点自适应地匹配检索模型来召回相关文本;其次,利用文本过滤器提取出能够回答问题的关键文本片段;再次,使用文本过滤器进行内容有效性判断以启动基于同义词拓展的查询改写,并将初始查询与改写后的信息合并输入检索控制器以进行更有针对性的再次检索;最后,合并能够回答问题的关键文本片段和问题,并使用提示工程输入生成答案模型来生成响应返回给用户。实验结果表明,MSRAG方法在军事领域数据集(Military)和Medical数据集的ROUGE-L(Recall-Oriented Understudy for Gisting Evaluation Longest common subsequence)指标上相较于凸线性组合RAG方法分别提高了14.35和5.83个百分点。可见,MSRAG方法具备较强的通用性和可移植性,能够缓解非必要查询改写导致的语义漂移现象,有效帮助大模型生成更准确的答案。
暂无评论