-
公开(公告)号：CN105717493B
公开(公告)日：2018-10-26
申请号：CN201610152735.5
申请日：2016-03-17
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及雷达与通信的信号识别及测向领域，具体涉及一种基于合成极化方法的被动雷达辐射源极化识别与测向系统。基于合成极化方法的被动雷达辐射源极化识别与测向系统，包括：(1)变极化天线，采用N路天线接收空间辐射信号，天线为曲折臂变极化天线，曲折臂天线在单一口径中包含有两个正交极化的天线，同时接收垂直和水平极化信号；(2)微波系统，微波系统将变极化天线接收到的垂直和水平极化信号进行幅度校正、相位校正后合成，并将合成后的极化信号混频后输出宽带、窄带两路信号，用于后续处理。本发明采用基于变极化天线、幅度校正和相位校正的合成极化方法实现被动雷达辐射源的识别与测向。
-
公开(公告)号：CN104052701B
公开(公告)日：2018-01-19
申请号：CN201410239302.4
申请日：2014-06-03
Applicant: 哈尔滨工程大学
Abstract: 本发明属于数字化信号处理领域，具体涉及一种实时性更强、精度更高的基于FPGA实现的脉冲干扰内部调制特征实时提取与分类系统。本发明包括：信号生成模块；脉冲形成模块；识别模块，包括调相信号识别模块和调频信号模块；测频模块，包括FFT测频和瞬时相位差测频；综合判别模块。对信号的识别采用从粗到细的方法，先通过3dB带宽对信号进行粗识别，分成调相信号和调频信号两大类。调相信号包括BPSK信号、QPSK信号和常规雷达信号；调频信号包括LFM信号、NLFM信号、VFM信号和SFM信号。然后对信号进行细识别，对调频信号采用时频分析进一步分类，对调相信号采用时域累加瞬时自相关法进行进一步分类。
-
公开(公告)号：CN103945391B
公开(公告)日：2017-11-17
申请号：CN201410145839.4
申请日：2014-04-11
Applicant: 哈尔滨工程大学
CPC classification number: Y02D70/00
Abstract: 本发明涉及一种通过膜结构下的混合量子雁群方法来实现同时使认知无线电系统最小化发射功率、最小化比特错误率和最大化数据速率达到最优的一种膜结构下的认知无线电系统参数优化方法。本发明包括：确定膜结构；产生量子位置和速度；将系统参数与混合位置一一对应；更新速度和量子位置；映射成系统参数，计算适应度值；更新每只大雁的局部最优混合位置和全局最优混合位置；对全局最优混合位置进行更新；把整个量子雁群的所有大雁所经历的全局最优混合位置映射为系统参数，从表层膜输出。本发明解决了离散和连续参量混合的系统参数优化问题，并设计膜结构下的混合量子雁群方法作为求解策略，所设计的方法具有收敛精度高和收敛速度快的优点。
-
公开(公告)号：CN114942415B
公开(公告)日：2024-10-25
申请号：CN202210541063.2
申请日：2022-05-17
Applicant: 哈尔滨工程大学
IPC: G01S7/41
Abstract: 本发明公开了一种基于自编码器的多频段子带信号融合方法，将深度神经网络用于信号融合，在发射端发射多子带线性调频信号，在接收端对接收的多子带回波信号进行去斜处理得到多子带距离包络，将全频带包络作为训练数据输入全频带自编码器，得到全频带解码器与全频带编码；再将多子带距离包络和全频带编码分别作为训练数据与标签送入DNN训练，得到多子带编码器；最后将多子带编码器与全频带解码器组合为自编码器，这样就可以将任意一组多子带距离包络输入自编码器，即可得到全频带的距离包络，提升信号的利用率，提高距离分辨率。
-
公开(公告)号：CN116804740B
公开(公告)日：2024-07-30
申请号：CN202310700793.7
申请日：2023-06-13
Applicant: 哈尔滨工程大学
IPC: G01S7/40 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 基于Inverted U‑Net的被动雷达信号智能检测方法，解决了现有检测方法在低信噪比条件下多信号检测困难的问题，属于电子侦察领域。本发明包括：构建被动雷达信号智能检测模型，包括数字信道化模块、幅度提取模块以和Inverted U‑Net神经网络模型；将采样后的雷达脉冲信号输入数字信道化模块进行预处理，得到各个信道的IQ信号，然后输入至幅度提取模块，得到幅度信息矩阵A，将A输入至神经网络模型，神经网络模型为先上采样后下采样的对称倒U型神经网络结构，且下采样时需要融合相应上采样结果来提取特征，神经网络模型输出检测结果D；构建训练集，对神经网络模型进行训练；利用训练好的被动雷达信号智能检测模型进行检测。
-
Patent Agency Ranking
公开(公告)号：CN118112521A
公开(公告)日：2024-05-31
申请号：CN202410214897.1
申请日：2024-02-27
Applicant: 哈尔滨工程大学
Abstract: 一种雷达信号多模态预分选方法，它涉及一种多模态预分选方法。本发明的目的在于从大量交错的雷达脉冲序列中快速的识别出每个脉冲所属的雷达类型，降低脉冲丢失对分选结果的影响。本发明将相同雷达类型的脉冲聚集到一类，使辐射源脉冲TOA序列的误差比率降低，信噪比提高，降低了交叠脉冲序列的复杂程度，最终提高分选的准确率。本发明属于雷达信号处理技术领域。
-
公开(公告)号：CN116776143A
公开(公告)日：2023-09-19
申请号：CN202310398886.9
申请日：2023-04-14
Applicant: 哈尔滨工程大学
IPC: G06F18/214 , G06F18/24 , G06F18/25 , G06N3/0455 , G06N3/088
Abstract: 本发明公开了一种雷达辐射源的射频特征提取方法，获取待提取特征的射频信号并进行预处理，分别输入至预先训练的用于特征提取的网络1和网络2，网络1和网络2均为堆栈自编码器网络、且均包含相同层数的多层编解码器，网络2最后一层编码器输出提取的射频特征；训练过程包括理想射频信号数据集和建模射频信号数据集分别输入网络1和网络2均进行分层预训练和全局训练至训练完毕，得到训练后的网络1和网络2。本发明能够在以信号特征为约束的情况下，分割开辐射源信号的信号特征和射频特征，使得提取的射频特征更完整，并可将提取的射频特征用于辐射源个体识别、干扰抑制等对射频特征准确性要求较高的应用领域。
-
公开(公告)号：CN115842566B
公开(公告)日：2023-09-15
申请号：CN202211506619.0
申请日：2022-11-28
Applicant: 哈尔滨工程大学
IPC: H04B1/525 , G06N3/0464 , G06N3/0442 , G06N3/08 , G01S7/38 , G01S7/36
Abstract: 一种基于CNN‑Bi‑LSTM的干扰机自干扰数字对消方法，涉及电子侦察与干扰领域。本发明是为了解决目前的自干扰对消方法没有考虑时间记忆维度以外的非线性特征，进而导致其应用于干扰机自干扰对消中效果不佳的问题。本发明具体为：获取干扰机发射的参考信号和接收到的信号，将参考信号输入到自干扰估计网络中获得估计的自干扰，再将干扰机接收到的信号与估计的自干扰相减完成自干扰对消，获得自干扰对消后的信号；本发明提出的自干扰估计网络额外加入了记忆项对应的高阶非线性项，再结合Bi‑LSTM网络对记忆项进行时间依赖关系的前后双向拟合，提升了对于时间记忆维度以外的非线性特征的拟合效果。本发明用于干扰机自干扰的对消。
-
公开(公告)号：CN116545412A
公开(公告)日：2023-08-04
申请号：CN202310346139.0
申请日：2023-04-03
Applicant: 哈尔滨工程大学
IPC: H03H17/02
Abstract: 本发明公开了一种基于FRM的可配置完美重构滤波器组低复杂度实现方法，此结构通过将FRM技术应用到重构系统中，实现信号重构的同时，降低其复杂度。一种低复杂度完美重构滤波器组结构，包括基于FRM的分析滤波器组结构和基于FRM的可配置综合滤波器组结构，具体包含了延时模块和抽取模块，上支路延时模块和下支路原型滤波器模块，上支路屏蔽滤波器模块和下支路屏蔽滤波器模块，求和模块以及DFT模块组成。本发明是为了满足复杂电磁环境下，针对同时处理多个到达信号时的要求，提出的一种基于FRM的完美重构滤波器组的低复杂度实现结构。通过将FRM技术应用于信号重构结构中，设计可配置的信号重构结构。使得电子战接收机的灵敏度得到提高，且易于工程实现。
-
公开(公告)号：CN116542317A
公开(公告)日：2023-08-04
申请号：CN202310346205.4
申请日：2023-04-03
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种针对组网雷达对抗的多干扰机智能频域干扰决策方法，构建多干扰机智能协同干扰模型，将对抗过程建立为多智能体强化学习的马尔可夫决策过程，采用集中学习范式建立对抗整体系统；按照分层强化学习的思想将频域干扰参数决策器的总任务进行分解，每个子任务的策略由划分的任务层次学习获得，将多个子任务的策略进行组合，形成有效的全局策略；分别定义决策引擎的三个空间模块，采用PER‑DDQN作为网络基础结构，输出决策策略；在网络优化模块引入优先级辅助经验回放，采用SumTree数据结构作为样本回放的经验池，依据函数、参数更新公式对深度神经网络参数进行更新。本发明采用带有优先经验重放的深度强化学习算法提高了网络的训练速度。
-
-
-
-
-
-
-
-
-
Search Results
110
records
(took 0.047 seconds)
