-
公开(公告)号：CN110120926B
公开(公告)日：2022-01-07
申请号：CN201910388349.X
申请日：2019-05-10
Applicant: 哈尔滨工程大学
IPC: H04L27/00
Abstract: 本发明提供一种基于演化BP神经网络的通信信号调制方式识别方法，对获取的到已知不同调制方式的通信信号进行预处理和特征提取，提取结果作为神经网络的输入特征参量。利用复合搜寻模式的猫群演化机制以识别率为目标函数对BP神经网络初始的权值和阈值进行优化，获得最优参数作为之后进行识别的神经网络初始参数，之后利用输入特征参量和最优初始参数对BP神经网络进行训练，得到具有最优系统参数的BP神经网络。获取未知调制方式的通信信号，利用具有最优系统参数的BP神经网络对未知调制方式的通信信号进行识别得到识别结果。该方法与传统BP神经网络进行调制识别相比在相同信噪比下具有更高的识别率，尽可能的避免了训练过程中陷入局部最优解的情况。
-
公开(公告)号：CN107592674B
公开(公告)日：2020-12-22
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。
-
公开(公告)号：CN108759839B
公开(公告)日：2020-12-04
申请号：CN201810511768.3
申请日：2018-05-25
Applicant: 哈尔滨工程大学
IPC: G01C21/20
Abstract: 本发明提供的是一种基于态势空间的无人飞行器路径规划方法。一：无人飞行器实时侦测周围的环境信息，提取探测到的运动对象的状态信息；二：根据状态信息，求解出每个运动对象的态势空间，分析无人飞行器的物理约束，给出在机载坐标系下的约束空间；三：根据运动目标的收益函数获取跟踪策略；四：根据态势空间获取避开运动威胁的冲突避免策略；五：融合步骤三和四的策略加速度，生成新的控制加速度，并根据速度上界修正，然后根据到达点生成方法得到新的规划位置。本发明可以在高空稀疏的空间中，为机动性能极强的UCAV在跟踪目标时提供一条有效的无冲突路径。规划的路径不但满足实际的物理要求，能有效的与跟踪目标保持安全的飞行距离。
-
公开(公告)号：CN107656239B
公开(公告)日：2020-12-04
申请号：CN201710722329.2
申请日：2017-08-22
Applicant: 哈尔滨工程大学
IPC: G01S3/782
Abstract: 本发明提出了一种极化敏感阵列下的相干信源测向方法，属于极化敏感阵列信号处理领域。本发明公开的方法的步骤为：(1)建立极化敏感阵列测向模型；(2)初始化种群中的量子花粉，确定全局最优量子花粉；(3)每个量子花粉依概率生成一个新的量子花粉；(4)把每个量子花粉映射为花粉，计算每个量子花粉的适应度并选择量子花粉；(5)使用量子差分演进机制产生新的量子花粉，并进行选择；(6)判断是否达到最大迭代次数：若达到最大迭代次数，执行步骤(7)；否则，令t＝t+1，返回步骤(3)继续迭代；(7)输出全局最优量子花粉的极大似然估计值。通过本发明提供的方法在信噪比低、快拍数小以及相干信源的情况下，都可以进行有效测向。
-
公开(公告)号：CN107864507B
公开(公告)日：2020-09-11
申请号：CN201711173666.7
申请日：2017-11-22
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于量子猴群搜索机制的认知无线电功率控制方法，建立非合作博弈的认知无线电功率控制模型，计算认知用户效用函数和，引入功率代价机制，选择需要优化的目标函数的形式；受猴群活动启发，设计量子猴群搜索机制，产生量子猴群中猴子的量子位置和数量，映射系统用户发射功率与猴群的量子位置一一对应，计算适应度值；经猴群活动中攀爬的过程更新每只猴子的最优量子位置；把猴子爬过程的最优量子位置映射为发射功率，通过猴群活动的望‑跳与空翻的过程对猴子的最优位置进行更新；经数次迭代求得猴子的最优位置为最优解。本发明有更广泛的使用范围，能保证现有认知无线电系统中用户效用的提升，且用户功率的发射减少。
-
Patent Agency Ranking
公开(公告)号：CN107256529B
公开(公告)日：2020-07-28
申请号：CN201710342909.9
申请日：2017-05-16
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种多目标量子蝙蝠演进机制的小波数字水印生成方法。建立设计模型，确定对应于多目标量子蝙蝠演进机制的关键参数。构造多目标小波数字水印系统最大值求解问题的多目标函数，量子蝙蝠根据目标函数值进行非支配量子位置排序和拥挤度计算，将非支配量子位置排序等级为1且拥挤度大的量子位置放入精英量子位置集。使用多目标量子蝙蝠演进机制更新量子蝙蝠的速度和量子位置，选择非支配量子位置，更新精英量子位置集。从最终的Pareto前端量子位置集中选择量子位置并映射为位置作为多目标小波数字水印的一种设计方案。本发明的实时性好且应用范围广泛，能够解决需要综合考虑不同指标要求的多目标小波数字水印设计这一技术难题。
-
公开(公告)号：CN107231214B
公开(公告)日：2020-07-28
申请号：CN201710436096.X
申请日：2017-06-12
Applicant: 哈尔滨工程大学
IPC: H04L1/00 , H04B1/7105 , G06N3/04 , G06N3/08
Abstract: 本发明提供的是一种基于演化混沌量子神经网络的最优多用户检测方法。建立最优多用户检测模型；初始化混沌量子神经网络的初始参数，激活混沌量子神经网络获得近似最优解；初始化量子个体，把第一个量子个体的二进制测量态赋值为混沌量子神经网络的输出值；构造适应度函数，计算适应度；使用模拟的量子旋转门演化量子个体的量子态和获得新的测量态；对于每个量子个体的二进制态，激活演化混沌加扰的量子神经网络演进机制产生一个次优解；计算每个量子个体的适应度函数值，找到全局最优解；输出全局最优解作为多用户检测的最优结果。本发明具有非常优秀的抗多址干扰能力和抗远近效应能力，且应用范围广，能够在短时间内获得最优的检测结果。
-
公开(公告)号：CN107290732B
公开(公告)日：2020-05-22
申请号：CN201710562238.7
申请日：2017-07-11
Applicant: 哈尔滨工程大学
IPC: G01S7/42
Abstract: 本发明提供了一种量子大爆炸的单基地MIMO雷达测向方法。(1)建立收发共置的窄带单基地MIMO雷达系统测向模型；(2)确定量子大爆炸算法中所有量子碎片，将量子碎片均匀分配到两个子集合；(3)计算每个量子碎片的适应度，确定第1个量子碎片集合的初始最优量子位置，第2个量子碎片集合的初始最优解量子质心和均匀解量子质心；(4)更新每个量子碎片的量子位置；(5)将每个量子碎片的量子位置映射到定义区间的位置，并计算适应度值；(6)更新全局最优量子位置；(7)输出全局最优量子位置，并将其映射为位置，位置对应所要估计的波达方向。本发明能够在冲击噪声等复杂环境下实现快速高精度的测向，测向性能优秀。
-
公开(公告)号：CN106658524B
公开(公告)日：2020-02-11
申请号：CN201610859145.6
申请日：2016-09-28
Applicant: 哈尔滨工程大学
IPC: H04W16/14
Abstract: 本发明涉及一种通过基于多目标量子花授粉搜索机制来实现的认知异构网络中基于量子花授粉搜索机制的多目标频谱分配方法。本发明包括：(1)基站中的无线接入网感知模块感知网络信息；(2)网络重构管理模块将频谱资源进行多粒度信道划分；(3)初始化含有P个量子花粉的量子花粉集合；(4)将花粉集合中每个花粉个体映射为频谱分配矩阵进行修正；(5)设置量子花授粉搜索机制中异花授粉和自花授粉的转换概率；(6)把新一代的花粉集合和前一代的花粉集合混合；(7)从Pareto前端解选出合适的花粉并映射为频谱分配矩阵；(8)网络重构管理模块将最优分配矩阵进行分块。本发明解决了多目标频谱分配问题，提高了频谱利用率。
-
公开(公告)号：CN110120926A
公开(公告)日：2019-08-13
申请号：CN201910388349.X
申请日：2019-05-10
Applicant: 哈尔滨工程大学
IPC: H04L27/00
Abstract: 本发明提供一种基于演化BP神经网络的通信信号调制方式识别方法，对获取的到已知不同调制方式的通信信号进行预处理和特征提取，提取结果作为神经网络的输入特征参量。利用复合搜寻模式的猫群演化机制以识别率为目标函数对BP神经网络初始的权值和阈值进行优化，获得最优参数作为之后进行识别的神经网络初始参数，之后利用输入特征参量和最优初始参数对BP神经网络进行训练，得到具有最优系统参数的BP神经网络。获取未知调制方式的通信信号，利用具有最优系统参数的BP神经网络对未知调制方式的通信信号进行识别得到识别结果。该方法与传统BP神经网络进行调制识别相比在相同信噪比下具有更高的识别率，尽可能的避免了训练过程中陷入局部最优解的情况。
-
-
-
-
-
-
-
-
-
Search Results
190
records
(took 0.028 seconds)
