-
公开(公告)号：CN108344968A
公开(公告)日：2018-07-31
申请号：CN201810015222.9
申请日：2018-01-08
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于多峰量子布谷鸟搜索机制的正交传播算子测向方法，本发明包括通过采样数据获得协方差矩阵和传播算子的估计值；初始化参数和量子鸟蛋，并计算映射后鸟蛋的适应度；初始化记忆池；利用莱维飞行更新量子鸟蛋并计算映射后鸟蛋的适应度；利用记忆算子更新记忆池；利用选择算子进行选择；利用重筑新巢更新量子鸟蛋并计算映射后鸟蛋的适应度；利用记忆算子更新记忆池；利用选择算子进行选择；判断是否达到当前阶段迭代次数：若达到则利用净化算子删除相似记忆元素，进入下一阶段；判断是否达到最大迭代次数：若未达到则继续迭代，否则输出记忆池所有量子鸟蛋，映射后为波达方向。本发明具有运算量低、收敛速度快和测向精度高的优点。
-
公开(公告)号：CN109829237B
公开(公告)日：2022-04-05
申请号：CN201910103520.8
申请日：2019-02-01
Applicant: 哈尔滨工程大学
IPC: G06F30/27 , G06N3/00 , G06N10/20 , H04B17/391
Abstract: 本发明涉及一种基于量子海鞘群的无线信道衰减模型拟合方法，具体为：设置Nakagami‑m分布的参数并获取Nakagami‑m逆累积分布的准确数据集；初始化海鞘群的量子位置及位置；对所有海鞘位置进行适应度评价，并确定食物的量子位置与位置；根据策略一或策略二依次更新选定的海鞘的量子旋转角、量子位置与位置；依次对选定的海鞘按照策略三更新量子旋转角、量子位置与位置；对所有海鞘位置进行适应度评价，并更新食物的量子位置与位置；最终输出的食物位置即为拟合方程的最佳系数，即可得到Nakagami‑m逆累积分布函数的最佳拟合方程。本发明具有更高的拟合精度、更快的拟合速度以及更广的适用范围。
-
公开(公告)号：CN107302140B
公开(公告)日：2020-01-17
申请号：CN201710333471.8
申请日：2017-05-12
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于量子蜘蛛群演化机制的平面天线阵列稀疏方法。1、建立平面天线阵列稀疏模型；2、设置系统参数；3、用适应度函数评价种群中每只蜘蛛编码位置的优劣，适应度函数值最优的位置记为整个种群的全局最优位置；4、划分种群中蜘蛛的性别；5、计算每只蜘蛛的重量；6、更新雌性蜘蛛量子位置，基于更新后的量子矢量旋转角，采用模拟量子矢量旋转门操作更新雌性蜘蛛量子位置；7、更新雄性蜘蛛量子位置，基于更新后的量子矢量旋转角，采用模拟量子矢量旋转门操作更新雄性蜘蛛量子位置；8更新各自历史最优位置；9：判断是否达到最大迭代次数。本发明解决了多约束平面天线阵列稀疏难题，满足了对平面稀疏阵列的各种要求。
-
公开(公告)号：CN107944133A
公开(公告)日：2018-04-20
申请号：CN201711172473.X
申请日：2017-11-22
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于多目标量子蜘蛛群演化机制的环形天线阵列稀疏方法，建立环形天线阵列稀疏模型，设置恰当的系统参数，并初始化种群中每只蜘蛛在解空间中的量子位置和{0,1}编码位置。设计多目标适应度函数。计算种群中每只蜘蛛的重量，根据重量划分蜘蛛的性别。根据初始种群，生成初始精英解集。从精英解集中选取全局最优解和次优解。然后分别更新雌性蜘蛛和雄性蜘蛛的量子位置，并根据量子位置通过测量的方式转化为{0,1}编码位置。更新精英解集，并更新种群中所有蜘蛛的重量。最后判断是否达到最大迭代次数，如果达到最大迭代次数，则输出精英解集；否则返回迭代。本发明解决了多目标环形天线阵列稀疏构建这样的高维度离散多目标问题。
-
公开(公告)号：CN107333317A
公开(公告)日：2017-11-07
申请号：CN201710562235.3
申请日：2017-07-11
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于量子猫群搜索机制的多目标中继选择方法。一，建立中继系统模型。二，初始化三个量子猫群。三，对第1个量子猫群和第2个量子猫进行更新。四：对第3个量子猫群中的每一量子猫进行更新。五：将第3个量子猫群更新出的H个量子猫放入非支配解集中。对非支配解集中的量子猫进行非支配解排序和拥挤度计算，保留前H个量子猫作为非支配解。将第3个量子猫的解群替换为非支配解集中的解。六：对非支配解集和演化单目标的量子猫群进行操作。七：如果进化没有终止，返回步骤三，否则，终止迭代，输出非支配解集中的非支配解。本发明可以同时考虑输出端信噪比和网络能量效率来解决多目标中继选择问题，适用性强，应用范围广泛。
-
Patent Agency Ranking
公开(公告)号：CN107238812A
公开(公告)日：2017-10-10
申请号：CN201710342910.1
申请日：2017-05-16
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于最小间隙阵列的鲁棒动态测向方法。一，设置最小间隙阵列；二，初始化搜索空间；三，所有成员在演化前被定义为发现者和游荡者，分别根据发现者演化规则和游荡者演化规则演进搜索步长和量子位置；四，计算第i个成员的适应度，成员使用贪婪策略选取量子位置；将适应度函数最大值对应的量子位置记为全局最优量子位置；五，判断是否达到最大迭代次数；六，进行第k+1次快拍采样；七，是否达到最大快拍采样数；八，将每个快拍采样获得的全局最优量子位置都映射为全局最优位置即需要跟踪的动态目标方向值。本发明基于最小间隙阵列和加权范数协方差更新规则，设计了量子群搜索机制的动态测向方法，获得一种鲁棒动态测向方法。
-
公开(公告)号：CN106452625A
公开(公告)日：2017-02-22
申请号：CN201610880914.0
申请日：2016-10-09
Applicant: 哈尔滨工程大学
IPC: H04B17/382
CPC classification number: H04B17/382
Abstract: 本发明提供的是一种多目标绿色认知无线电系统参数生成方法。建立多目标绿色认知无线电参数设计模型，确定需要优化的多目标问题所对应的适应度函数形式。设计量子多目标多种群共生进化方法，通过量子多目标多种群共生进化方法，对种群中所有量子粒子的量子速度和位置进行更新，并使用非支配位置排序和位置拥挤度计算。使用多目标多种群共生进化方法实现确保可靠性的多目标绿色认知无线电参数设计。根据所得到的最终的非支配位置集，确保可靠性的多目标绿色认知无线电系统根据用户的实际需要选取相应的参数设计方案。本发明的使用范围广泛，能应用在现有绿色认知无线电参数设计方法所不能很好解决的确保可靠性的绿色认知无线电系统。
-
公开(公告)号：CN109212465B
公开(公告)日：2024-01-30
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。
-
公开(公告)号：CN109190978B
公开(公告)日：2021-11-23
申请号：CN201811017379.1
申请日：2018-09-01
Applicant: 哈尔滨工程大学
Abstract: 一种基于量子鸟群演化机制的无人机资源分配方法，属于无人机自主控制领域。本发明方法的步骤为：建立无人机资源分配模型；确定无人机执行任务的种类，初始化量子鸟群；根据适应度函数进行适应度计算，并确定群体的全局最佳位置；通过量子旋转门和量子非门更新量子位置并测量；根据适应度函数进行适应度计算；更新每只量子鸟的局部最佳位置和整个群体的全局最佳位置；判断是否达到最大迭代次数，若达到则输出群体全局最佳位置，并映射为任务资源矩阵。本发明充分考虑到无人机执行不同任务时对资源的需要不同，以较少的时间代价获取资源配置比最优的无人机资源分配方案，同时满足无人机性能要求，得到更加合理的无人机资源分配方案。
-
公开(公告)号：CN107944133B
公开(公告)日：2021-01-12
申请号：CN201711172473.X
申请日：2017-11-22
Applicant: 哈尔滨工程大学
IPC: G06N3/00 , G06F30/20 , G06F111/06
Abstract: 本发明提供一种基于多目标量子蜘蛛群演化机制的环形天线阵列稀疏方法，建立环形天线阵列稀疏模型，设置恰当的系统参数，并初始化种群中每只蜘蛛在解空间中的量子位置和{0,1}编码位置。设计多目标适应度函数。计算种群中每只蜘蛛的重量，根据重量划分蜘蛛的性别。根据初始种群，生成初始精英解集。从精英解集中选取全局最优解和次优解。然后分别更新雌性蜘蛛和雄性蜘蛛的量子位置，并根据量子位置通过测量的方式转化为{0,1}编码位置。更新精英解集，并更新种群中所有蜘蛛的重量。最后判断是否达到最大迭代次数，如果达到最大迭代次数，则输出精英解集；否则返回迭代。本发明解决了多目标环形天线阵列稀疏构建这样的高维度离散多目标问题。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.028 seconds)
