-
公开(公告)号：CN102394711B
公开(公告)日：2013-11-20
申请号：CN201110347523.X
申请日：2011-11-07
Applicant: 哈尔滨工程大学
Abstract: 本发明的目的在于提供复杂环境下一种新的通信电台个体识别方法，包括以下步骤：对不同通信电台发射的同种通信信号进行重采样，将通信信号转化为离散时间信号序列，对重采样的离散通信信号时间序列进行相空间重构，将信号转化到不同的重构相空间下用以捕获不同重构相空间特征，利用一种新的分形盒维数算法计算不同重构相空间下的分形盒维数，得到一个分形盒维数特征向量，利用神经网络对得到的向量空间进行分类，进而达到了对不同的通信电台进行识别的目的。本发明可以在复杂多变的环境下，识别出不同通信电台的细微差别。
-
公开(公告)号：CN102509020B
公开(公告)日：2014-08-20
申请号：CN201110361602.6
申请日：2011-11-15
Applicant: 哈尔滨工程大学
IPC: G06F19/00
Abstract: 本发明的目的在于提供基于传感器网络的复杂环境下多目标信息融合方法，分为以下步骤：选用适当的小波基函数将量测数据分解在若干个尺度上，在每个尺度上的低频子空间信号利用卡尔曼算法进行滤波，得到新的滤波数据，将每个尺度上的高频子空间中细节信号的极大值点去掉，得到新的滤波数据，将每个尺度上处理后的数据通过小波重构算法，得到原始量测数据在不同尺度上滤波后的结果。本发明具有高灵敏度、高精度、高准确率、高稳定性和高可靠性等特点。
-
Patent Agency Ranking
公开(公告)号：CN102436588A
公开(公告)日：2012-05-02
申请号：CN201110360924.9
申请日：2011-11-15
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明的目的在于提供一种辐射源识别方法，包括以下步骤：将传感器采集到的辐射源信号从时域变换到频率域，并在频率域中对信号能量进行归一化处理；预处理后的信号进行L层频率域小波分解，得到2L个频率子空间；在不同的频率子空间上计算信号的指数熵，并构造辐射源识别的特征向量，根据辐射源识别特征向量和辐射源特征数据库，采用灰色关联算法得到最终的识别结果。本发明是能在复杂电磁环境和大动态信噪比变化条件下有效、准确、稳定、可靠的辐射源识别方法，能够保证复杂电磁环境和大信噪比动态范围下对辐射源识别的要求。
-
公开(公告)号：CN102394711A
公开(公告)日：2012-03-28
申请号：CN201110347523.X
申请日：2011-11-07
Applicant: 哈尔滨工程大学
Abstract: 本发明的目的在于提供复杂环境下一种新的通信电台个体识别方法，包括以下步骤：对不同通信电台发射的同种通信信号进行重采样，将通信信号转化为离散时间信号序列，对重采样的离散通信信号时间序列进行相空间重构，将信号转化到不同的重构相空间下用以捕获不同重构相空间特征，利用一种新的分形盒维数算法计算不同重构相空间下的分形盒维数，得到一个分形盒维数特征向量，利用神经网络对得到的向量空间进行分类，进而达到了对不同的通信电台进行识别的目的。本发明可以在复杂多变的环境下，识别出不同通信电台的细微差别。
-
公开(公告)号：CN102437984A
公开(公告)日：2012-05-02
申请号：CN201110347819.1
申请日：2011-11-07
Applicant: 哈尔滨工程大学
Abstract: 本发明的目的在于提供低信噪比下基于复杂度特征的调制信号识别方法，包括以下步骤：对截获的未知通信信号离散化为一定间隔的时间信号序列，将其按照一定的规则重组成不同长度的特征向量，而后进行多重分形维数运算，提取通信信号的多重分形维数特征，在低信噪比下提取不同信号的细微特征，对提取的未知信号特征利用灰色关联理论与数据库中的已知调制类型信号的多重分形维数特征进行关联计算，判断该信号的调制类型为关联度最大的信号的调制类型，实现对通信调制信号的分类识别。本发明具有在强干扰环境下检测区分出不同调制类型的通信信号的能力，进而达到对通信信号调制类型的进行识别的目的。
-
公开(公告)号：CN102679980A
公开(公告)日：2012-09-19
申请号：CN201110361072.5
申请日：2011-11-15
Applicant: 哈尔滨工程大学
IPC: G01C21/20
Abstract: 本发明的目的在于提供一种基于多尺度维分解的目标跟踪方法，包括以下步骤：选用小波基函数将目标角度或者航迹的量测数据分解到尺度上，在每个尺度的低频子空间上采用EKF算法对量测数据进行预测和滤波，得到不同尺度上目标的粗跟踪结果，在不同尺度的高频子空间上采用小波阈值算法，进一步去除噪声和野值的影响；通过小波重构算法融合不同尺度上的跟踪数据，得到目标的精确跟踪数据。本发明是能够在各种复杂环境下有效、准确、可靠、稳定的目标跟踪方法，利用FPGA的并行处理结构实现多尺度EKF算法，小波分解和重构、不同尺度上的EKF算法和小波阈值去噪都是同时进行的，保证了对目标跟踪的实时性。
-
公开(公告)号：CN102509020A
公开(公告)日：2012-06-20
申请号：CN201110361602.6
申请日：2011-11-15
Applicant: 哈尔滨工程大学
IPC: G06F19/00
Abstract: 本发明的目的在于提供基于传感器网络的复杂环境下多目标信息融合方法，分为以下步骤：选用适当的小波基函数将量测数据分解在若干个尺度上，在每个尺度上的低频子空间信号利用卡尔曼算法进行滤波，得到新的滤波数据，将每个尺度上的高频子空间中细节信号的极大值点去掉，得到新的滤波数据，将每个尺度上处理后的数据通过小波重构算法，得到原始量测数据在不同尺度上滤波后的结果。本发明具有高灵敏度、高精度、高准确率、高稳定性和高可靠性等特点。
-
-
-
-
-
-
Search Results
7
records
(took 0.02 seconds)
