-
公开(公告)号：CN113406579B
公开(公告)日：2022-09-27
申请号：CN202110632548.8
申请日：2021-06-07
Applicant: 哈尔滨工程大学
IPC: G01S7/38
Abstract: 本发明属于电子干扰技术领域，具体涉及一种基于深度强化学习的伪装干扰波形生成方法。本发明通过构建深度强化学习探索模型，设计状态空间、动作空间、奖励函数，实现了基于深度强化学习的干扰波形生成，该模型中模拟了较为复杂的动态对抗过程，只需当前雷达状态就可以输出对应的干扰波形，在复杂或未知对抗场景下依然能够做出较为有效的干扰波形决策；通过构建伪装生成网络输出伪装信号，并与深度强化学习的生成的干扰信号叠加，得到带有伪装的干扰波形，使得已经训练完成的雷达智能识别网络误判，避免了干扰波形易被雷达方识别的问题，具有较好的干扰和伪装效果。
-
公开(公告)号：CN111865452A
公开(公告)日：2020-10-30
申请号：CN202010606879.X
申请日：2020-06-29
Applicant: 哈尔滨工程大学
IPC: H04B17/309 , H04L27/26
Abstract: 本发明属于辐射源信号分离技术领域，具体涉及一种基于自适应细菌觅食的单通道盲源分离方法。本发明针对现有的SCBSS方法存在准确性低和无法在未知源数目情况下进行准确分离的问题，将单通道观测信号进行虚实分解得到两路待分解信号，在源信号数目未知的条件下，利用基于信息论准则的MDL-AIC组合数目估计方法和基于GDE的数目估计方法对单通道观测信号进行源数目估计，同时采用自适应细菌觅食算法对VMD的参数进行优化，将VMD所需分解层数、惩罚因子依靠人为确定和重建多路信号所需源数目未知的问题转变为复杂目标函数的求解问题。本发明相较于利用VMD的SCBSS方法可以得到更优的参数，解决了现有SCBSS方法准确性低和需要已知源数目的问题，提升此方法准确性。
-
Patent Agency Ranking
公开(公告)号：CN117315311A
公开(公告)日：2023-12-29
申请号：CN202311339211.3
申请日：2023-10-17
Applicant: 哈尔滨工程大学
IPC: G06V10/762 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/09 , G06N3/006
Abstract: 本发明公开了一种新的基于卷尾蜜熊算法的未知辐射源信号辨识方法，包括：对原始辐射源调制信号的数据集中的信息进行崔‑威廉斯分布处理，获取时频图；通过时频图对预设初始辨识模型进行训练，获取初始判别结果；根据初始判别结果设计卷尾蜜熊算法，优化训练后的模型，获取最佳辨识模型；利用最佳辨识模型，获取未知辐射源信号辨识结果。本发明搭建衍生卷积自编码器，设计衍生损失，构造判别模型融合方式，融合各模型判别结果，增加未知辐射源判别的鲁棒性，设计卷尾蜜熊算法，构造香气因子，为卷尾蜜熊添加跳跃属性，优化卷尾蜜熊位置，使判别模型阈值随迭代次数不断改进，提升模型的判别能力，增强了未知辐射源信号辨识方法的泛化性和准确性。
-
公开(公告)号：CN111767848A
公开(公告)日：2020-10-13
申请号：CN202010606863.9
申请日：2020-06-29
Applicant: 哈尔滨工程大学
Abstract: 本发明属于信息侦测识别技术领域，具体涉及一种基于多域特征融合的辐射源个体识别方法。本发明针对现有辐射源个体识别方法中存在的特征信息不全面，分类器泛化能力弱，专家分析主观性强，辐射源个体识别率低等问题，通过融合时域、时频域和高阶域等多域特征，并设计多层神经网络模型作为分类器进而实现辐射源个体识别。融合多域特征解决了特征信息不全面的问题，采用神经网络模型进行识别分类，避免了识别时依赖辐射源信号调制方式等先验信息和专家系统的主观性较强等问题。同时，神经网络模型提升了系统的泛化能力，得到较好的辐射源个体识别效果。
-
公开(公告)号：CN111767848B
公开(公告)日：2022-04-12
申请号：CN202010606863.9
申请日：2020-06-29
Applicant: 哈尔滨工程大学
Abstract: 本发明属于信息侦测识别技术领域，具体涉及一种基于多域特征融合的辐射源个体识别方法。本发明针对现有辐射源个体识别方法中存在的特征信息不全面，分类器泛化能力弱，专家分析主观性强，辐射源个体识别率低等问题，通过融合时域、时频域和高阶域等多域特征，并设计多层神经网络模型作为分类器进而实现辐射源个体识别。融合多域特征解决了特征信息不全面的问题，采用神经网络模型进行识别分类，避免了识别时依赖辐射源信号调制方式等先验信息和专家系统的主观性较强等问题。同时，神经网络模型提升了系统的泛化能力，得到较好的辐射源个体识别效果。
-
公开(公告)号：CN113268074A
公开(公告)日：2021-08-17
申请号：CN202110632549.2
申请日：2021-06-07
Applicant: 哈尔滨工程大学
Abstract: 本发明属于无人机飞行控制技术领域，具体涉及一种基于联合优化的无人机航迹规划方法。本发明通过前端飞行状态优化模型获取无人机自身飞行状态的最优估计，大幅度降低了自然干扰因素对传感器数据的误差；通过后端飞行动作优化模型，将实际偏差大的飞行角度调整至预期飞行角度，解决了强化学习决策飞行动作不佳的问题，提高了飞行航迹的可靠性。在实际应用中，对于传感器实时采集飞行状态数据，利用前端飞行状态优化模型实时获得最优飞行状态估计，将其作为已训练TD3模型的输入，得到飞行动作，并利用后端飞行动作优化模型，得到对应的飞行动作偏置，对其进行判决，控制输出优化后的飞行动作，从而实现无人机面对自然干扰影响的实时航迹规划。
-
公开(公告)号：CN110297218A
公开(公告)日：2019-10-01
申请号：CN201910613651.0
申请日：2019-07-09
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于生成对抗网络的雷达信号未知调制方式检测方法，属于电子识别领域。包括从雷达信号数据库中顺序采集所有雷达信号；利用时频变换，通过崔-威廉斯分布和短时傅里叶变换获得雷达信号时频图像；结合深度学习，用时频图像对生成对抗网络进行参数训练，保存判别器参数；利用判别器参数构成判别器，组合各判别器对雷达信号进行判别；结合群智能优化算法的思想，利用改进乌鸦搜索算法优化各判别器的权重参数，得到最佳的判别结果；最后保留判别器的参数以及各权重参数，对接收到的雷达信号进行检测。本发明结合时频变换、深度学习、改进乌鸦搜索算法，实现了稳定、快速、高精度的未知调制方式的雷达辐射源信号检测，应用前景广阔。
-
-
-
-
-
-
Search Results
17
records
(took 0.022 seconds)
