-
-
公开(公告)号:CN118033529A
公开(公告)日:2024-05-14
申请号:CN202410066694.2
申请日:2024-01-17
申请人: 哈尔滨工程大学
IPC分类号: G01S3/14
摘要: 一种针对极化敏感通道压缩阵列的原子范数最小化DOA估计方法及其系统,涉及阵列信号处理技术领域。达到降低系统复杂性的目的,为系统的一体化、小型化提供了基础。方法为:设置对正交偶极子阵列和压缩矩阵构造极化敏感通道压缩阵列模型;对接收到的数据求协方差矩阵,并特征分解;根据特征分解结果构造极化压缩观测向量,根据极化压缩观测向量建立原子范数最小化模型;构造极化压缩SDP过程求解原子范数最小化模型,获得最优解;对最优解进行分解,获得入射信源的方位角度信息;根据方位角度信息,采用两个子阵的互相关矩阵和自相关矩阵,结合最小二乘法恢复入射信源的极化压缩参数。本发明适用于阵列信号处理领域中的波达方向估计。
-
公开(公告)号:CN117057991A
公开(公告)日:2023-11-14
申请号:CN202311025033.7
申请日:2023-08-15
申请人: 哈尔滨工程大学
IPC分类号: G06T3/40 , G06T5/00 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06N3/094
摘要: 一种基于生成式对抗网络的红外单像素成像方法,涉及红外单像素成像领域。本发明是为了解决现有红外单像素成像方法还存在成像分辨率低以及无法对缺失部分图像复原的问题。本发明包括:利用高分辨率完整图像集获得标签数据集HR,对标签数据集HR缩放和玫瑰线扫描,获得低分辨率图像集LR;利用HR和LR对第一生成式对抗网络预训练,获得预训练完成的第一生成式对抗网络;利用LR和HR训练第二生成式对抗网络,获得训练好的第二生成式对抗网络;对预训练好的第一生成式对抗网络和训练好的第二生成对抗网络的对应的数插值,获得红外单像素成像网络。将待成像的低分辨率稀疏图像输入到红外单像素成像网络中,获得高分辨率完整图像。本发明用于红外单成像。
-
公开(公告)号:CN116738209A
公开(公告)日:2023-09-12
申请号:CN202310741437.X
申请日:2023-06-21
申请人: 哈尔滨工程大学
IPC分类号: G06F18/213 , G06F18/214 , G06N3/04 , G06N3/08
摘要: 一种基于度量与深度学习的辐射源射频特征提取方法,它属于辐射源射频特征提取技术领域。本发明解决了采用现有方法难以提取到具有良好的稳定性和可分性的RF特征,且提取的RF特征易受IM信息的干扰而失效的问题。本发明方法为:构建建模数据集和理想训练数据集;对构建数据集中的每个RF信号样本进行处理,得到每个RF信号样本对应的处理结果;利用理想训练数据集中RF信号样本的处理结果对搭建的AE网络进行训练;利用建模数据集中RF信号样本的处理结果和训练好的AE网络对FRM网络进行训练;对待检测RF信号进行处理后,将处理结果输入训练好的受信号特征编码器输出约束的FRM网络,得到辐射源射频特征提取结果。本发明可以应用于辐射源射频特征提取。
-
公开(公告)号:CN116736239A
公开(公告)日:2023-09-12
申请号:CN202310711107.6
申请日:2023-06-15
申请人: 哈尔滨工程大学
摘要: 一种基于自编码器和DDPG算法的干扰波形设计方法,具体涉及一种基于自编码器和深度确定性策略梯度算法的针对电子战干扰雷达检测环节的认知干扰波形设计方法。为了解决传统干扰波形设计得到的干扰波形降低了电子干扰的作战效果,无法对智能化的认知雷达形成有效干扰的问题。它将高斯白噪声和雷达信号生成干扰信号的过程以干扰信号生成滤波器表示,通过干扰信号和雷达信号通过反卷积操作得到对应的干扰信号生成滤波器的冲激响应,通过自编码器和DDPG算法对干扰信号生成滤波器的冲激响应进行调控,针对干扰有效区间、功率比等进行优化,基于恒虚警检测的实时反馈生成认知干扰波形,使干扰波形能够随着实际环境的变化进行随时优化。属于雷达干扰领域。
-
公开(公告)号:CN114221667B
公开(公告)日:2023-08-18
申请号:CN202111491329.9
申请日:2021-12-08
申请人: 哈尔滨工程大学
摘要: 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:CN109782232B
公开(公告)日:2023-07-21
申请号:CN201910036730.X
申请日:2019-01-15
申请人: 哈尔滨工程大学
摘要: 本发明属于雷达侦察与干扰领域,具体涉及到一种基于Cordic算法的N阶SSC盲移频干扰硬件实现方法。本说明包括以下步骤:通过ADC采样获取截取雷达的线性调频信号并进行参数测量和分析;对SSC干扰信号进行匹配滤波增益比的分析;对信号进行存储,基于Cordic算法求取其相位值,将其相位函数分为两路:一路将相位函数乘以参数N;一路将相位函数做延时τ后乘以(N‑1);将得到的两路相位函数相减,得到SSC盲移频干扰信号的相位,最后基于Cordic算法得到SSC盲移频干扰信号的实部和虚部;经过DAC后转发SSC盲移频干扰信号。本发明所用的Cordic算法运用移位和加减运算得到信号的相位函数,通过相位函数间的运算得到SSC盲移频干扰信号,大大简化了SSC盲移频干扰信号的FPGA硬件实现。
-
公开(公告)号:CN111505566B
公开(公告)日:2022-09-16
申请号:CN202010384052.9
申请日:2020-05-08
申请人: 哈尔滨工程大学
摘要: 本发明提供一种特高频射频信号DOA估计方法,包括:步骤一:构建基于DNN和RSS的特高频射频信号DOA估计模型,定义传感器的数量K和位置、DOA的范围、角度空间的分辨率;步骤二:根据每个传感器的位置坐标值、测量到的RSS值和信号频率值构建(3·K+1)×1的特征向量,作为神经网络的输入;步骤三:定义神经网络中的层和参数,构建深度神经网络模型;步骤四:生成训练集,采用Adam优化算法和dropout技术训练模型,更新网络参数和防止过拟合现象发生;步骤五:根据训练好的模型进行实际的DOA预测。本发明提高了DOA估计方法在低成本和低复杂度下的适应能力,最终实现了在一定误差范围内的高概率DOA估计。
-
公开(公告)号:CN110460402B
公开(公告)日:2021-12-07
申请号:CN201910633748.8
申请日:2019-07-15
申请人: 哈尔滨工程大学
IPC分类号: H04B17/391 , G06N3/08
摘要: 本发明属于信息通信技术领域,具体涉及一种基于深度学习的端到端通信系统建立方法。本发明方法分为两个阶段。首先是建立自编码器神经网络并复杂化信道层,以随机数仿真为训练集对网络进行初步训练,以获得一个对信道干扰有适应性的编码方式。之后是通过USRP收集大量实际信道下的通信数据并以此来作为训练集对译码层进行单独训练使其针对实际情况下的通信具有更好的性能。本发明可以获得一种完全不同于传统通信系统建立方式的通信系统,其相对于传统系统有更优的通信性能,且对真实信道的适应能力有更好的鲁棒性。
-
公开(公告)号:CN112731309A
公开(公告)日:2021-04-30
申请号:CN202110011684.5
申请日:2021-01-06
申请人: 哈尔滨工程大学 , 上海无线电设备研究所
摘要: 本发明属于雷达干扰信号识别技术领域,具体涉及一种基于双线性高效神经网络的有源干扰识别方法。本发明针对现有干扰信号在低干噪比下识别难度大、依靠先验知识的问题,设计了更智能化的干扰识别方法。本发明通过对多种干扰信号进行建模分析,从信号时频图像的角度,采用双线性高效神经网络进行识别,在低干噪比下依然能获得很高的准确率。仿真实验证明了双线性高效神经网络用来识别干扰信号的有效性,相对于人工提取特征的传统方式,精度更高、更为简便。本发明无需干扰信号特征的先验知识,在低干噪比下具有一定的鲁棒性,突破了现有的雷达有源干扰识别方法的应用局限。
-
-
-
-
-
-
-
-
-