The backpropagation (BP) algorithm that provides a popular method for the design of a multilayer neural network to include complex coefficients and complex signals so that it can be applied to general radar signal processing and communications problems. It is shown that the network can classify complex signals. The generalization of the BP to deal with complex signals should make it possible to expand the line of applications of this powerful nonlinear signal processing algorithm.< >

In intelligent transportation systems (ITS), transportation infrastructure is complimented with information and communication technologies with the objectives of attaining improved passenger safety, reduced transportation time and fuel consumption and vehicle wear and tear. With the advent of modern communication and computational devices and inexpensive sensors it is possible to collect and process data from a number of sources. Data fusion (DF) is collection of techniques by which information from multiple sources are combined in order to reach a better inference. DF is an inevitable tool for ITS. This paper provides a survey of how DF is used in different areas of ITS.

This paper presents a comprehensive literature review on environment perception for intelligent vehicles. The state-of-the-art algorithms and modeling methods for intelligent vehicles are given, with a summary of their pros and cons. A special attention is paid to methods for lane and road detection, traffic sign recognition, vehicle tracking, behavior analysis, and scene understanding. In addition, we provide information about datasets, common performance analysis, and perspectives on future research directions in this area.

Smart grid technology increases reliability, security, and efficiency of the electrical grids.However, its strong dependencies on digital communication technology bring up new vulnerabilities that need to be considered for efficient and reliable power distribution.In this paper, an unsupervised anomaly detection based on statistical correlation between measurements is proposed.The goal is to design a scalable anomaly detection engine suitable for large-scale smart grids, which can differentiate an actual fault from a disturbance and an intelligent cyber-attack.The proposed method applies feature extraction utilizing symbolic dynamic filtering (SDF) to reduce computational burden while discovering causal interactions between the subsystems.The simulation results on IEEE 39, 118, and 2848 bus systems verify the performance of the proposed method under different operation conditions.The results show an accuracy of 99%, true positive rate of 98%, and false positive rate of less than 2%

Due to the limitation of hardware, the transmission bandwidth of the miniature millimeter-wave (mmW) radar is restricted. This paper considers a signal composed of multiple sub-chirps to synthesize wide-bandwidth chirp signals based on dechirp processing. However, dechirp operation results in undesirably high sidelobe peaks and sidelobe shape distortion due to the discontinuities caused by chirp interference between the simultaneous presence of multiple sub-chirps. In the short-time Fourier transform (STFT) domain, we utilize an autoregressive (AR) model to reconstruct the interference regions between the sub-chirps by linear prediction (LP), to reduce the influence after dechirp processing. The proposed method is robust to low SNR and large gap width, and does not need to know the target number in advance. Further, by adjusting the chirp rate of each sub-chirp of the transmitted waveforms, it can be further applied to mmW multiple-input multiple-output (MIMO) radars. The simulation results verify the effectiveness of the method in this paper.

Pansharpening refers to the fusion between a multispectral (MS) image with abundant spectral information and a panchromatic (PAN) image with high spatial resolution to obtain a high spatial resolution multispectral (HRMS) image. The traditional pansharpening methods often ignore the effect of path-radiation caused by scattering from different atmospheric components, and the few methods that introduce haze correction only calibrate each band of the MS image individually, without exploring the intrinsic correlation among different bands. To address this problem, low rank tensor completion pansharpening based on haze correction (LRTCP) is proposed. The haze-line prior is first introduced into the joint haze correction of MS and PAN images, and obtain the pre-modulated images with the help of the improved high-pass modulation (HPM) injection scheme. We then use tensor completion to simulate the degradation problem by applying low-tubal-rank tensor complementation to the process of reconstructing HRMS images, thus constructing a low rank tensor completion pansharpening model based on haze correction. Finally, the alternating direction multiplier (ADMM) is employed to find the solution of the proposed approach, producing the final fusion result. Comprehensive qualitative and quantitative assessment of reduced- and full-resolution datasets from different satellites shows that the proposed method outperforms the state-of-the-art methods.

The fusion of synthetic aperture radar (SAR) and optical satellite imagery poses significant challenges for ship detection due to the distinct characteristics and noise profiles of each modality. Optical imagery provides high-resolution information but struggles in adverse weather and low-light conditions, reducing its reliability for maritime applications. In contrast, SAR imagery excels in these scenarios but is prone to noise and clutter, complicating vessel detection. Existing research on SAR and optical image fusion often fails to effectively leverage their complementary strengths, resulting in suboptimal detection outcomes. This research presents a novel fusion framework designed to enhance ship detection by integrating SAR and optical imagery. This framework incorporates a detection system for optical images that utilizes Contrast Limited Adaptive Histogram Equalization (CLAHE) in combination with the YOLOv7 model to improve accuracy and processing speed. For SAR images, a customized Detection Transformer model, SAR-EDT, integrates advanced denoising algorithms and optimized pooling configurations. A fusion module evaluates the overlaps of detected bounding boxes based on intersection over union (IoU) metrics. Fused detections are generated by averaging confidence scores and recalculating bounding box dimensions, followed by robust postprocessing to eliminate duplicates. The proposed framework significantly improves ship detection accuracy across various scenarios.