-
公开(公告)号：CN108802667A
公开(公告)日：2018-11-13
申请号：CN201810515115.2
申请日：2018-05-25
Applicant: 哈尔滨工程大学
IPC: G01S3/00
CPC classification number: G01S3/00
Abstract: 本发明提供的是一种基于广义正交匹配追踪的波达方向估计方法。将若干信号入射到均匀阵列接收模型上，得到均匀阵列接收信号，通过等角度空间网格划分方式将阵列流型矩阵转换为稀疏矩阵；生成一个高斯随机测量矩阵，进行SVD矩阵分解，并对得到的奇异值在合适的范围重新赋值，获得测量矩阵；使用测量矩阵对稀疏矩阵进行采样得到观测矩阵，使用测量矩阵对阵列接收信号进行采样，得到采样后的阵列接收信号；将采样后的阵列接收信号及观测矩阵作为输入，采用广义正交匹配追踪算法进行信号的重构，通过多次迭代使估计信号逐渐逼近原信号，至方差到达阈值时停止迭代，估计出来波信号的入射角度。本发明能够缩短信号重构时间，提高DOA估计的成功率。
-
公开(公告)号：CN115035009B
公开(公告)日：2025-04-18
申请号：CN202210574642.7
申请日：2022-05-24
Applicant: 哈尔滨工程大学
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于导向滤波多级分解的两曝光图像融合方法。本发明通过导向滤波将图像分解为一个基础层和多个细节层，然后分别逐级利用曝光权重和全局梯度权重挖掘包含在基础层和细节层中的图像信息以重建图像。本发明解决了现有技术中原始图像序列具有较大曝光时间差异时融合图像质量不佳的问题，可以适应多种曝光比率以及复杂的真实场景，通过曝光权重和全局梯度权重分别保留整体亮度和局部细节。
-
公开(公告)号：CN115114960B
公开(公告)日：2024-12-31
申请号：CN202210767193.8
申请日：2022-06-30
Applicant: 哈尔滨工程大学
IPC: G06F18/2413 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/086 , G06N3/0985 , G06N3/045
Abstract: 本发明属于信号识别技术领域，具体涉及一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法。本发明通过构造类内、类间离差矩阵，设计离差损失，融合四元组和中心聚类损失，使得损失函数的构建更具可靠性；通过设计自适应黑蜘蛛猴算法对损失函数权重寻优，构建改变搜索方向的标志，利用螺旋优化搜索，扩大搜索范围，引入探索和平衡开发因子，使权重随迭代次数改变，减少了权重变化的盲目性，增强了辐射源个体识别方法的泛化性、准确性和适应性。本发明不仅能提高网络收敛速度，增加网络的泛化性和可靠性，还能准确实现辐射源个体识别，具备较好的适用性。
-
公开(公告)号：CN117518081B
公开(公告)日：2024-11-29
申请号：CN202311472200.2
申请日：2023-11-07
Applicant: 哈尔滨工程大学
IPC: G01S5/08 , G01S5/02 , G01S3/14 , G06F18/23213 , G06F18/28
Abstract: 一种基于K‑Means聚类的最小化交叉熵DOA估计方法，涉及波达方向估计技术领域。本发明是为了解决现有DOA估计准确率低的问题。本发明包括：设定重复次数i，并获得第i次重复最小化交叉熵原子选择范围位置集合#imgabs0#构建第i次重复时正交最小二乘支撑集位置集合#imgabs1#根据#imgabs2#和#imgabs3#构建候选支撑集位置集合，并利用候选支撑集位置集合获取优秀支撑集位置集合#imgabs4#从而获得最优支撑集位置集合#imgabs5#根据当前重复次数i判断是否停止重复，若停止重复则执行利用最优支撑集位置集合#imgabs6#重构来波信号，获得重构后的来波信号#imgabs7#并估计来波信号角度#imgabs8#否则令i＝i+1。本发明用于估计来波信号和来波信号角度。
-
公开(公告)号：CN118552744A
公开(公告)日：2024-08-27
申请号：CN202410549323.X
申请日：2024-05-06
Applicant: 哈尔滨工程大学
IPC: G06V10/44 , G01S7/02 , G06V10/764 , G06V10/774
Abstract: 本发明属于辐射源信息识别技术领域，具体涉及一种辐射源工作模式识别方法、程序、设备及存储介质。本发明利用余弦度量距离，改进高斯核函数，提升模型对局部特性的提取能力，并结合多项式核函数的全局性能力，构造新的组合核函数，改进SVM模型，提高模型的鲁棒性。本发明设计了倭河马算法，自适应优化SVM模型参数组合，为倭河马赋予警惕属性，引入预警因子，改进倭河马防御时的位置更新方式，增强算法的泛化能力，使得改进SVM模型参数组合随迭代次数不断优化，进而提升改进SVM模型的识别能力，实现了小样本条件下辐射源工作模式识别方法泛化性和准确性的提高。
-
Patent Agency Ranking
公开(公告)号：CN116527169A
公开(公告)日：2023-08-01
申请号：CN202310486546.1
申请日：2023-04-28
Applicant: 哈尔滨工程大学
Abstract: 本申请公开了一种低人口密度区域无线信号强度检测系统及方法，其中系统包括：标准无线模块、数据处理模块、数据存储模块和数据上行模块；所述标准无线模块用于进行数据测量，得到第一数据；所述数据处理模块用于对所述第一数据进行处理，得到第二数据；所述数据存储模块用于将所述第二数据进行本地化储存；所述数据上行模块用于将所述第二数据上行至服务器。本申请通过对采集数据进行算法滤波和插值拟合，提高了测量数据的精度；通过合理设计PCB和天线尺寸使此发明与无人机适配，较市面上的测量设备更小巧；通过MQTT协议对数据进行了有效的转发和存储，为后期数据分析提供了可靠保障。
-
公开(公告)号：CN109254274B
公开(公告)日：2022-12-13
申请号：CN201811409321.1
申请日：2018-11-23
Applicant: 哈尔滨工程大学
IPC: G01S7/41
Abstract: 本发明涉及一种基于特征融合的雷达辐射源辨识方法，产生雷达辐射源无意调制信号集；提取AR模型系数、Renyi熵特征、谱峭度特征；计算平滑伪维格纳分布，生成时频图像，进行灰度化和自适应二值化处理，得到自适应二值化图像；提取图像的伪Zernike矩和Hu矩特征；应用AlexNet卷积神经网络提取信号时频图像无意调制特征并分别归一化，进行特征融合，得到融合后特征向量；将融合后特征向量输入支持向量机，训练由粒子群算法优化的支持向量机，将雷达辐射源信号集输入系统完成雷达辐射源辨识。本发明从时域、频域和时频域分析信号，实现多种无意调制特征全面提取，解决提取的无意调制特征适用性低、可靠性差和辐射源辨识困难。
-
公开(公告)号：CN110297218B
公开(公告)日：2022-07-15
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。
-
公开(公告)号：CN113268074B
公开(公告)日：2022-05-13
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：CN113406579A
公开(公告)日：2021-09-17
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。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.029 seconds)
