-
公开(公告)号：CN116359855A
公开(公告)日：2023-06-30
申请号：CN202310371673.7
申请日：2023-04-07
Applicant: 哈尔滨工程大学
Abstract: 基于NGO‑RF的雷达干扰效果评估方法，属于雷达对抗技术领域。解决现有的雷达干扰效果评估方法针对非合作方雷达都具有一定的局限性问题。本发明生成样本集时，选用干扰方能够采集到雷达特征，在搜索空间内利用RF算法构建分类器种群矩阵；利用构建的样本集对分类器种群矩阵进行训练，并通过NGO算法对训练后的分类器种群矩阵进行优化，并从优化后的分类器种群矩阵中搜寻最优分类器；结合最优分类器识别干扰前后雷达工作模式的变化情况和抗干扰指标变化，通过二者的变化对雷达的干扰效果进行有效评估。突破现有技术需要从雷达方与合作方合作才能获取相关指标来进行干扰效果评估的弊端。主要用于对干扰效果进行评估。
-
公开(公告)号：CN116032332A
公开(公告)日：2023-04-28
申请号：CN202211720567.7
申请日：2022-12-30
Applicant: 哈尔滨工程大学
IPC: H04B7/0413 , H04B17/391
Abstract: 一种基于ICGAN网络的大规模MIMO系统检测模型构建方法，本发明涉及基于ICGAN网络的大规模MIMO系统检测模型构建方法。本发明的目的是为了解决现有大规模MIMO系统检测网络具有在线训练计算量大，并且信道状态信息复杂多变时采用离线训练方式难以获得理想检测效果的问题。过程为：构建训练集和测试集；构建ICGAN网络检测模型；将YH输入生成器中，得到生成器输出通信信号Gψ(YH)；将X输入判别器得到Dθ(X)并判定为真标签，Gψ(YΗ)输入判别器得到Dθ(Gψ(YH))并判定为假标签；训练网络并得到训练好的网络检测模型；将接收端接收通信信号输入训练好的网络检测模型，解码出接收通信信号对应的发射通信信号。本发明属于无线通信技术领域。
-
-
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：CN113093124B
公开(公告)日：2022-09-02
申请号：CN202110370353.0
申请日：2021-04-07
Applicant: 哈尔滨工程大学
Abstract: 本发明属于雷达干扰技术领域，具体涉及一种基于DQN算法的雷达干扰资源实时分配方法。本发明将DQN算法引入到无人机干扰样式资源分配中，克服了现有技术在动态、实时分配上的缺陷，实现了对无人机从任务开始到完成任务期间的干扰样式资源实时分配，可以用于处理雷达有多种工作模式转换的情形。
-
Patent Agency Ranking
公开(公告)号：CN114221667A
公开(公告)日：2022-03-22
申请号：CN202111491329.9
申请日：2021-12-08
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种通信系统接收端已知信号消除方法及系统，包括构建接收端接收信号模型为y(t)＝s(t)+d(t)+N(t)；接收信号y(t)依次通过带通滤波器和低噪声放大器，然后与本地载波相乘后通过低通滤波器进行带通滤波，通过ADC进行模数转换，得到接收信号y(n)＝s(n)+d(n)+N(n)；利用y(n)＝s(n)+d(n)+N(n)制作数据集，包括训练集yx(n)和测试集ye(n)；将训练集yx(n)和测试集ye(n)分别与参考信号I(n)进行整合，得到输入训练集hx(n)＝[yx(n)，I(n)]和输入测试集he(n)＝[ye(n)，I(n)]；初始化DNN神经网络参数，利用输入训练集hx(n)＝[yx(n)，I(n)]训练DNN神经网络，保存训练好的模型；将输入测试集he(n)＝[ye(n)，I(n)]送入到训练好的DNN神经网络模型中进行处理，得到输出目标信号s′(n)。本发明对已知干扰信号到达的时间没有要求且可以有效的消除已知干扰信号。
-
公开(公告)号：CN108363622B
公开(公告)日：2022-03-18
申请号：CN201810085359.1
申请日：2018-01-29
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于多核DSP运算的无源时差定位算法的实现方法，属于无源定位领域。首先，通过各个接收站的无线通信模块将各个从接收站采集到的TOA数据及各个接收站的位置信息传给主设备及多核DSP；多核DSP对接收到TOA进行配对计算得到TDOA；规划粒子群算法的粒子种群数量，分配多核DSP各个核运算任务；初始化整体最优粒子的适应值，确定适应度函数；用主核中的备用粒子代替从核中的非全局最优的粒子；从核获得主核代替的粒子组成新的种群后，迭代跟新得出粒子群算出来的大概估计位置；最后在主核中利用粒子群算法得出的结果作为泰勒级数算法的初值进行定位计算得出最终的定位结果。能够增加粒子种群的多样性，从而使算法收敛的更快，定位的求解更快。
-
公开(公告)号：CN113376608A
公开(公告)日：2021-09-10
申请号：CN202110583471.X
申请日：2021-05-27
Applicant: 哈尔滨工程大学
Abstract: 本发明属于辐射源结构识别技术领域，具体涉及一种基于卷积神经网络的雷达辐射源结构识别方法。本发明通过模拟实际辐射源系统中频率合成器和功放对信号的影响，根据不同结构的辐射源产生的多种调制方式的信号，结合信号时频分析技术，提取信号时频图像的特征，训练CNN模型，训练后的CNN模型能够进行有效的辐射源结构识别，实现信号至辐射源结构的反演过程。本发明中的识别模型能够在低信噪比下实现较高的识别率，且具有较好的鲁棒性，具有良好的应用前景。
-
公开(公告)号：CN113326757A
公开(公告)日：2021-08-31
申请号：CN202110570134.7
申请日：2021-05-25
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于卷积神经网络的频率合成器类型识别方法，包括如下步骤：步骤一：建立DDS相位截断模型；步骤二：建立带有小数分频杂散的Fractional‑N PLL模型；步骤三：对步骤一和步骤二的模型进行仿真，得到四十种频率的信号；步骤四：训练CNN模型，实现对频率合成器类型识别；所述步骤四具体为：将仿真信号的时频图像输入进卷积神经网络中，CNN模型包括一个输入层、3个卷积层、3个池层和2个完全连接层。本发明CNN更适合于与时频图像相结合的频率合成器类型识别，即使在信噪比较低的情况下，也能获得较高的识别率。将任一信号输入训练好的CNN模型，能够快速准确地输出识别结果。
-
公开(公告)号：CN113325375A
公开(公告)日：2021-08-31
申请号：CN202110569844.8
申请日：2021-05-25
Applicant: 哈尔滨工程大学
IPC: G01S7/38
Abstract: 本发明提供一种基于深度神经网络的自适应对消方法，1)定义接收天线接收的信号模型，包括发射信号功率Pf，功率放大器非线性失真函数G[·]以及载波中心频率fc；2)定义非线性功率放大器的模型；3)将目标信号进行非线性建模，使用大量数据对DNN网络进行训练；4)把原参考信号通过训练好的网络后生成的信号作为新参考信号输入自适应滤波器；5)对比自适应滤波器对消前后的信号。本发明利用大量训练先验信息模拟雷达干扰机功率放大器的非线性特性，解决干扰问题，这种方法直接估计信号的幅度，用大量的数据来减少算法步骤。
-
-
-
-
-
-
-
-
-
Search Results
110
records
(took 0.065 seconds)
