-
公开(公告)号：CN106559092A
公开(公告)日：2017-04-05
申请号：CN201611064777.X
申请日：2016-11-28
Applicant: 哈尔滨工程大学
CPC classification number: H04B1/1018 , H04B1/1027 , H04B1/123 , H04B1/40
Abstract: 本发明提供的是一种基于凸组合自适应滤波算法的宽带信号对消方法。一：接收到的混合信号由前端射频模块提取，分为IQ两路正交信号；二：对IQ正交信号分别进行解串降速处理，分为16个子模块，每个子模块内输入分为两路，一路输入检波模块，一路输入凸组合自适应滤波模块进行信号对消；三：对消信号具有转发式模块生成转发信号，转发信号分为两路，一路由天线端发射用以侦测或中继通讯，一路作为自适应模块参考信号反馈至自适应模块进行发射信号回波干扰的波形预测；四：重复二至三直至均方误差最小；五：将自适应对消结果输出。本发明提升了自适应滤波方案在宽带信号下的工作性能，消除了同频信号情况下的误判，计算复杂度较低，简单易行。
-
公开(公告)号：CN103945391A
公开(公告)日：2014-07-23
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：CN115037319B
公开(公告)日：2024-09-03
申请号：CN202210293249.0
申请日：2022-03-23
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种侦察、干扰、探测、通信射频一体化集成装置，本发明侦察、干扰、探测、通信一体化设备采用八个共形天线，可以对0.4GHz～4GHz频段内的辐射源信号进行被动探测；通过另外一组八个共形天线，可以对4GHz～18GHz频段内的辐射源信号进行电子侦察与干扰；利用4GHz～18GHz频段内的共形天线，可以将通信模式集成到整体设备上，与干扰模式共用一个链路，可通过程序控制进行切换，即可实现将通信模式集成到一体化设备。
-
公开(公告)号：CN114200421B
公开(公告)日：2024-08-23
申请号：CN202111493579.6
申请日：2021-12-08
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种多频段子带信号融合方法，包括：接收N1组多频段子带回波信号和N1组全频带回波信号，将多频段子带回波信号的距离包络作为训练数据集，将全频带回波信号的距离包络作为训练标签集；将训练数据集和训练标签集组成训练样本送入DNN神经网络进行训练，训练完毕后，保存训练好的DNN神经网络模型；将待融合的多频段子带回波信号的距离包络输入训练好的DNN神经网络模型，得到融合后的全频带回波信号的距离包络。本发明可以输入多子带距离包络，直接得到宽带信号距离包络，提高了距离分辨率。通过训练网络，省去传统算法估计信号繁琐步骤，减少了子带预测过程中产生的误差。经过训练的网络可以批量获得更多测试结果，且精度更高。
-
Patent Agency Ranking
公开(公告)号：CN118468125A
公开(公告)日：2024-08-09
申请号：CN202410601781.3
申请日：2024-05-15
Applicant: 哈尔滨工程大学
IPC: G06F18/2413 , G06F18/10 , G06F18/2431 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/084 , G06N3/0985
Abstract: 一种基于Channel‑DeepIQ的雷达信号智能检测模型构建方法、雷达信号智能检测方法、计算机设备和存储介质。本发明涉及电子侦察领域，具体涉及雷达信号智能检测领域。为了解决现有的信号检测方法在低信噪比条件下检测效果不理想的问题。本发明通过将数字信道化与神经网络技术结合，在维持一定的虚警概率条件下，提高对低信噪比信号的检测性能。数字信道化提高信号信噪比后，针对子信道内信号到达情况，采用分类网络，即与匹配接收机相似结构的卷积核完成对子信道的匹配接收分类；针对脉冲边沿信号，采用跳变点检测网络检测出脉冲边沿，划分信号区域与噪声区域。本发明为更复杂的信号检测任务提供了可能性。
-
公开(公告)号：CN115801500B
公开(公告)日：2024-06-18
申请号：CN202211236465.8
申请日：2022-10-10
Applicant: 哈尔滨工程大学
IPC: H04L25/02 , H04B7/0413
Abstract: 本发明公开了一种高阶大规模MIMO信号检测方法，首先，初始化大规模MIMO系统的相关参数，并给出初始解；其次，利用外推技术加速多用户干扰消除算法；再次，引入数据驱动的深度学习方法，将加速的多用户干扰消除算法进行展开，构建AMIC‑Net(Accelerated Multiuser Interference CancellationNetwork)神经网络模型；然后，设计一个新的阶梯型激活函数SoftSum(·)；最后，对构建的AMIC‑Net神经网络模型进行训练并用于高阶大规模MIMO信号检测。本发明提出的方法能够有效满足高阶大规模MIMO对检测精度和速度的要求，能够大幅度提高传统多用户干扰消除算法的检测性能及收敛速度，并且适用于高阶调制的通信场景。
-
公开(公告)号：CN116804740A
公开(公告)日：2023-09-26
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。
-
公开(公告)号：CN115842566A
公开(公告)日：2023-03-24
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：CN112305506B
公开(公告)日：2023-02-14
申请号：CN202011156030.3
申请日：2020-10-26
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于CNN的LPI雷达信号检测方法，使用CNN进行信号检测，将信号检测问题转化成基于CNN的特征提取问题，对截获到的雷达信号脉冲进行采样，将采样后的离散信号的同相分量和正交分量直接输入神经网络，实现在一定误差范围内的高准确率信号检测。本发明对不同SNR下的LPI雷达信号检测具有泛化能力；由于信号带宽、载频等参数的随机性，可以保证测试集具有泛化性，说明对未经训练的信号具有一定的泛化能力，具有良好的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
110
records
(took 0.093 seconds)
