-
公开(公告)号：CN108663654B
公开(公告)日：2022-03-18
申请号：CN201810668563.6
申请日：2018-06-26
Applicant: 哈尔滨工程大学
IPC: G01S3/14
Abstract: 本发明公开了一种基于连续量子鸽群的360度全方位动态测向方法，属于阵列信号处理技术领域。实现步骤如下：获取阵列接收的快拍数据，计算阵列信号经模式空间变换后的协方差矩阵；计算适应度值，更新全局最优量子位置；判断是否达到要求迭代次数：若未达到继续迭代；进入地标算子操作，选择适应度值较优的前一半作为当前鸽群并计算当前鸽群的量子位置中心；更新每只鸽子的量子位置及其相应映射态，计算适应度值，更新全局最优量子位置；判断是否达到要求的迭代次数，若未达到继续迭代；否则输出鸽群全局最优位置；更新搜索区间；判断是否达到最大快拍数，输出动态测向结果。本方法搜索速度快，跟踪精度高，可360度全方位动态测向，应用前景广泛。
-
公开(公告)号：CN108614235B
公开(公告)日：2021-12-24
申请号：CN201810510981.2
申请日：2018-05-25
Applicant: 哈尔滨工程大学
IPC: G01S3/14
Abstract: 本发明提供一种多鸽群信息交互的单快拍测向方法，建立均匀线阵单快拍采样信号模型；获得单快拍极大似然方程；初始化鸽群，并将其划分为三个子鸽群；计算鸽群中鸽子位置的适应度值，确定每个子种群的局部最优位置和整个鸽群的全局最优位置；更新基本鸽群的速度和位置，产生混沌权重；反向鸽群中的鸽子根据跳转操作更新位置；更新鸽子位置；确定子鸽群中鸽子的局部最优位置和整个鸽群的全局最优位置；更新信仰空间；最终输出的鸽群全局最优位置即为来波方向估计值。本发明实现了仅对单个快拍的数据进行处理从而得到对阵列接收信号的波达方向估计，降低了DOA估计的运算量，同时提高了系统的实时性，实现了对目标来波的高精度测向。
-
公开(公告)号：CN108880734B
公开(公告)日：2020-05-15
申请号：CN201810531057.2
申请日：2018-05-29
Applicant: 哈尔滨工程大学
IPC: H04W72/04 , H04K1/00 , H04K3/00 , H04B7/0456 , H04B7/08
Abstract: 本发明提供一种量子回溯搜索优化的CCFD‑Massive MIMO系统功率分配方法，包括：建立系统模型；初始化量子种群及系统参数，经映射规则，得到量子个体的映射态；计算量子个体的适应值，将量子种群中适应值最大的量子个体记为全局最优解；通过进化和交叉策略生成新的量子个体；根据映射规则得到新生成的量子个体的映射态，计算适应值，经贪婪选择，更新量子种群及全局最优解；如果迭代次数小于预先设定的最大迭代次数，返回第四步；否则，终止迭代，输出全局最优解，得到最佳功率分配方案。本发明有效提高了频谱利用率，充分考虑了基站和用户的自干扰、互干扰，很大程度上提高了系统的保密容量，为复杂系统的功率分配问题提供了一种新的解决方法。
-
公开(公告)号：CN109376329A
公开(公告)日：2019-02-22
申请号：CN201811033518.X
申请日：2018-09-05
Applicant: 哈尔滨工程大学
Abstract: 本发明属于阵列信号处理领域，具体涉及一种基于量子鸟群演化机制的阵列幅相误差的校正方法。包括进行相位误差校正，进行幅度误差校正；利用已知独立信源建立接收数据模型后每次校正的步骤为：初始化量子鸟群；计算每只量子鸟量子位置的适应度，得到每只量子鸟的局部最优量子位置和量子鸟群全局最优量子位置；通过更新每只量子鸟的量子旋转角更新量子位置；计算每只量子鸟量子位置更新后的适应度，更新每只量子鸟局部最优量子位置和量子鸟群全局最优量子位置；判断是否达到最大迭代次数；输出全局最优量子位置并映射为相位或幅相误差矩阵。本发明只需一个已知的辅助信源，算法模型简单，运算量较少，具有收敛速度快，收敛精度高的优点。
-
公开(公告)号：CN109212465A
公开(公告)日：2019-01-15
申请号：CN201811017378.7
申请日：2018-09-01
Applicant: 哈尔滨工程大学
IPC: G01S3/00
Abstract: 一种基于文化蚁狮机制的特殊阵列动态测向方法，属于阵列信号处理领域。本发明包括如下步骤：设置非等距双均匀阵列，初始化搜索区间和最大迭代次数，更新协方差矩阵，初始化蚁群和蚁狮群空间，计算适应度值，标记精英蚁狮，初始化信仰空间；判断迭代次数是否为文化算子参与度的整数倍，若不是，则轮盘赌选择优秀的蚁狮，蚂蚁围绕其和精英蚁狮随机游走，计算蚂蚁适应值，更新蚁狮位置和精英蚁狮位置，否则对蚁狮变异，计算变异后蚁狮适应值，选取适应值较优的一半蚁狮作为下一代蚁狮，更新信仰空间和精英蚁狮位置。本发明不仅跟踪速度快，搜索精度高，而且可扩展阵列孔径，突破信源数不能超过天线数的限制，回避传统方法对天线摆放的苛刻要求。
-
Patent Agency Ranking
公开(公告)号：CN108663654A
公开(公告)日：2018-10-16
申请号：CN201810668563.6
申请日：2018-06-26
Applicant: 哈尔滨工程大学
IPC: G01S3/14
Abstract: 本发明公开了一种基于连续量子鸽群的360度全方位动态测向方法，属于阵列信号处理技术领域。实现步骤如下：获取阵列接收的快拍数据，计算阵列信号经模式空间变换后的协方差矩阵；计算适应度值，更新全局最优量子位置；判断是否达到要求迭代次数：若未达到继续迭代；进入地标算子操作，选择适应度值较优的前一半作为当前鸽群并计算当前鸽群的量子位置中心；更新每只鸽子的量子位置及其相应映射态，计算适应度值，更新全局最优量子位置；判断是否达到要求的迭代次数，若未达到继续迭代；否则输出鸽群全局最优位置；更新搜索区间；判断是否达到最大快拍数，输出动态测向结果。本方法搜索速度快，跟踪精度高，可360度全方位动态测向，应用前景广泛。
-
公开(公告)号：CN110120926B
公开(公告)日：2022-01-07
申请号：CN201910388349.X
申请日：2019-05-10
Applicant: 哈尔滨工程大学
IPC: H04L27/00
Abstract: 本发明提供一种基于演化BP神经网络的通信信号调制方式识别方法，对获取的到已知不同调制方式的通信信号进行预处理和特征提取，提取结果作为神经网络的输入特征参量。利用复合搜寻模式的猫群演化机制以识别率为目标函数对BP神经网络初始的权值和阈值进行优化，获得最优参数作为之后进行识别的神经网络初始参数，之后利用输入特征参量和最优初始参数对BP神经网络进行训练，得到具有最优系统参数的BP神经网络。获取未知调制方式的通信信号，利用具有最优系统参数的BP神经网络对未知调制方式的通信信号进行识别得到识别结果。该方法与传统BP神经网络进行调制识别相比在相同信噪比下具有更高的识别率，尽可能的避免了训练过程中陷入局部最优解的情况。
-
公开(公告)号：CN110120926A
公开(公告)日：2019-08-13
申请号：CN201910388349.X
申请日：2019-05-10
Applicant: 哈尔滨工程大学
IPC: H04L27/00
Abstract: 本发明提供一种基于演化BP神经网络的通信信号调制方式识别方法，对获取的到已知不同调制方式的通信信号进行预处理和特征提取，提取结果作为神经网络的输入特征参量。利用复合搜寻模式的猫群演化机制以识别率为目标函数对BP神经网络初始的权值和阈值进行优化，获得最优参数作为之后进行识别的神经网络初始参数，之后利用输入特征参量和最优初始参数对BP神经网络进行训练，得到具有最优系统参数的BP神经网络。获取未知调制方式的通信信号，利用具有最优系统参数的BP神经网络对未知调制方式的通信信号进行识别得到识别结果。该方法与传统BP神经网络进行调制识别相比在相同信噪比下具有更高的识别率，尽可能的避免了训练过程中陷入局部最优解的情况。
-
公开(公告)号：CN109270485A
公开(公告)日：2019-01-25
申请号：CN201811017339.7
申请日：2018-09-01
Applicant: 哈尔滨工程大学
IPC: G01S3/16
Abstract: 本发明属于阵列信号处理领域，具体涉及一种基于量子细胞膜优化机理的空时测向方法，包括以下步骤：获取信号时域数据、信号快拍采样和对采样数据进行时域延迟；构造极大似然估计的极大似然估计方程，进行量子物质群的初始化，并且构造适应度函数；选取精英量子个体，对精英量子个体进行局部搜索；划分量子个体类型；高浓度脂溶性量子个体自由扩散；高浓度非脂溶性量子个体运动；低浓度量子个体运动；生成新一代的量子物质群；判断是否达到最大迭代次数。本发明设计的基于量子细胞膜优化机理的空时测向方法，解决了极大似然类估计方法计算量大的难题，可快速得到较为精确的信号角度和频率的联合估计结果，易于在工程应用中实时处理。
-
公开(公告)号：CN109041073A
公开(公告)日：2018-12-18
申请号：CN201811017286.9
申请日：2018-09-01
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及无线传感器网络领域，具体涉及一种自供能无线传感器网络最优节点放置方法。首先建立网络模型，将监测区域建立于二维的栅格之中，构建NP问题模型，最小化集合覆盖问题，然后初始化量子猴群，对于量子猴子，从三种量子演化机制依概率选择一种进行演化更新位置，确定每次迭代中，量子猴子的量子位的量子演进方式，之后更新量子猴群中猴子位置，并判断对应的传感器节点所放位置是否能将所有目标节点覆盖，更新每只量子猴子至今为止的局部最优位置，找到全局最优位置作为下一迭代量子位的共同演进方向，最终当前迭代次数达到预先设定的最大值。本发明能够保证网络的能量中立及目标的覆盖与连接性，同时使得传感器节点放置的数量最小化。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.019 seconds)
