-
公开(公告)号：CN113784365A
公开(公告)日：2021-12-10
申请号：CN202111049475.6
申请日：2021-09-08
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种物联网通信资源管理方法，建立基于智能反射面协作机制的物联网通信模型；初始化量子海洋捕食者种群及参数，经映射得到量子海洋捕食者量子位置；计算量子海洋捕食者适应度，得到历史最优量子位置和顶级猎手对应的全局最优量子位置；根据探索和捕食策略更新量子海洋捕食者量子位置；对更新后的量子海洋捕食者量子位置进行映射，得到量子海洋捕食者位置并计算更新后的量子海洋捕食者适应度，更新每个量子海洋捕食者历史最优量子位置和顶级猎手对应全局最优量子位置至最大迭代次数，输出全局最优量子位置，得到协作智能反射面物联网通信资源管理方案。本发明提升物联网通信系统网络能量效率，收敛速度快、精度高、稳定性强。
-
公开(公告)号：CN113766492A
公开(公告)日：2021-12-07
申请号：CN202111050667.9
申请日：2021-09-08
Applicant: 哈尔滨工程大学
IPC: H04W12/02 , H04W72/04 , H04B7/0413
Abstract: 本发明公开了一种安全Massive MIMO网络资源配置方法，建立通信系统模型；初始化量子秃鹰群，经映射规则得到量子秃鹰的位置并计算适应度，选出全局最优量子位置；根据搜索演化规则更新量子秃鹰群量子位置；通过盘旋演化对量子秃鹰群量子位置进行更新；根据俯冲规则更新量子秃鹰群量子位置，经映射规则得到更新后量子秃鹰位置并计算适应度，更新量子秃鹰群全局最优量子位置；如果迭代次数小于最大迭代次数，返回步骤三；否则，迭代终止，输出量子秃鹰群全局最优量子位置，根据映射规则得到位置并得到网络资源配置方案。本发明提高系统的资源利用率，极大地提升Massive MIMO系统的保密容量。
-
公开(公告)号：CN112954807A
公开(公告)日：2021-06-11
申请号：CN202110116425.9
申请日：2021-01-28
Applicant: 哈尔滨工程大学
IPC: H04W72/08 , H04W72/04 , H04W72/12 , H04B7/0413 , G06N3/00
Abstract: 本发明公开了一种基于网络切片的异构MassiveMIMO系统多元资源配置方法，具体步骤为：S1，建立异构MassiveMIMO系统模型；S2，初始化量子人工藻群落及系统参数，经测量规则，得到量子人工藻群的测量态；S3，计算所有量子人工藻群的适应度，将适应度最大的量子人工藻群的测量态记为全局最优解；S4，根据螺旋运动、进化过程和适应过程的不同演进规则更新量子人工藻群；S6，经测量规则，得到更新的量子人工藻群的测量态，计算更新后的量子人工藻群的适应度，更新全局最优解；S7，迭代次数若小于最大迭代次数，则返回S4，否则输出全局最优解，得到相应的异构MassiveMIMO系统多元资源配置方案。
-
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。
-
公开(公告)号：CN107333317B
公开(公告)日：2020-11-10
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：CN106254008B
公开(公告)日：2019-06-11
申请号：CN201610880913.6
申请日：2016-10-09
Applicant: 哈尔滨工程大学
IPC: H04B17/382
Abstract: 本发明提供的是一种能量采集绿色认知无线电的频谱感知方法。一，建立能量采集绿色认知无线电的频谱感知系统模型；二，初始化种群；三，对所有种群中的所有量子个体的适应度进行评价；四，分别对每一个种群内部的量子个体进行混合量子差分演化；五，在迭代次数满足一定的条件下比较每个种群之间的全局最优解，如果全局最优解均相同，对种群内的个体进行灭绝处理；六，如果进化没有终止，返回步骤四，否则执行步骤七；七，终止迭代，输出任意种群的全局最优量子个体的量子态，根据映射规则将其映射为可行解。本发明旨在联合获得最优的能量采集因子与信道感知数目，在次用户所需吞吐量已知的条件下，寻求系统的最小能量采集率，实现绿色通信的理念。
-
公开(公告)号：CN109375154A
公开(公告)日：2019-02-22
申请号：CN201811236543.8
申请日：2018-10-23
Applicant: 哈尔滨工程大学
IPC: G01S3/14
Abstract: 本发明属于阵列信号处理参数估计领域，具体涉及一种冲击噪声环境下基于均匀圆阵的相干信号参数估计方法，包括以下步骤：对空间中D个信源信号进行快拍采样；对快拍采样数据做去冲击预处理；对阵列输出数据进行模式激励变换；构造稀疏重构字典集；稀疏重构得到相干信源方位角；判断是否达到最大迭代次数，若是，执行步骤七；否则令t＝t+1，返回步骤五；得到稀疏重构结果，利用索引集U得到信源方位角信息，输出相干信源波达方向估计结果。本发明解决了冲击噪声环境下基于均匀圆阵的相干信号参数估计问题，使用模式激励变换和压缩感知稀疏重构思想作为参数估计的基础，所设计的方法具有计算复杂度低、计算时间短和鲁棒性高的优点。
-
公开(公告)号：CN109212466A
公开(公告)日：2019-01-15
申请号：CN201811017243.0
申请日：2018-09-01
Applicant: 哈尔滨工程大学
IPC: G01S3/14
Abstract: 本发明提供一种基于量子蜻蜓演化机制的宽带测向方法，通过建立宽带信号采样模型，初始化量子蜻蜓演化参数，计算每只量子蜻蜓的适应度，对量子蜻蜓群体前一半更新领域半径以及邻域量子蜻蜓的相关参数，对后一半更新每只量子蜻蜓的相关参数，计算所有量子蜻蜓位置的适应度值，判断是否达到最大迭代次数，若已经达到，则量子蜻蜓群体全局最优量子位置映射成最优位置，得到宽带波达方向估计所要估计的角度。本发明对宽带信号进行测向，减少了运算量和运算时间，提高了收敛速度和收敛精度，实现高精度测向，可同时对相干源和独立源进行波达方向估计，并且具有优秀的抗噪声性能和较高的估计成功概率，测向性能要优于基于粒子群算法的宽带测向方法。
-
公开(公告)号：CN107657098A
公开(公告)日：2018-02-02
申请号：CN201710834252.8
申请日：2017-09-15
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种基于量子鸡群演化机制的环形天线阵列稀疏方法。1、建立环形天线阵列稀疏模型；2、设置初始参数；3、设计适应度函数；4、计算种群中每只鸡的适应度值，区分鸡的种类并划分子种群；5、6及7分别构建公鸡、母鸡和小鸡的量子矢量旋转角更新公式，更新量子矢量旋转角，更新的量子位置；8、过测量的方式转化为其{0,1}编码位置，计算该{0,1}编码位置的适应度值，并更新每只鸡的个体历史最优解和全局最优解；9：判断是否达到最大迭代次数。该方法具有更快的收敛速度和更高的收敛精度，并在解决环形天线阵列稀疏构建的问题中具有很好的稀疏效果，很大程度的降低了天线阵列系统的复杂度和成本，达到了预期的要求。
-
公开(公告)号：CN107592674A
公开(公告)日：2018-01-16
申请号：CN201710810434.1
申请日：2017-09-11
Applicant: 哈尔滨工程大学
Abstract: 本发明属于无线通信技术领域，具体涉及一种信能协同传输的OFDM中继网络资源分配方法。步骤为：建立信能协同传输的OFDM中继网络资源分配方法模型；初始化量子蟑螂群的初始种群；构造食物浓度函数，获得全局最优量子位置；量子蟑螂根据两种量子演化规则进行量子旋转角更新，根据量子演化规则爬行获得新的量子位置；把每只量子蟑螂新产生的量子位置映射为位置，更新每只量子蟑螂记忆中的自身最优量子位置和全局最优量子位置；判断是否达到最大迭代次数，若没有达到最大迭代次数，迭代次数加1，返回到第四步继续迭代，否则进入到下一步骤；结束迭代，输出资源分配结果。本发明将量子计算与蟑螂搜索机制相结合，具有搜索速度快和全局搜索能力强的优点。
-
-
-
-
-
-
-
-
-
Search Results
73
records
(took 0.026 seconds)
