公开(公告)号：CN114200160A

公开(公告)日：2022-03-18

申请号：CN202111439864.X

申请日：2021-11-30

Applicant: 哈尔滨工程大学

Inventor： 宋玉收 ,  陈声强 ,  侯英伟 ,  赵云龙 ,  黄丽萍

IPC: G01P5/08 ,  G01F1/58

Abstract: 本发明涉及一种新型气体流速流量测量系统，属于应用电离辐射、电磁场进行测量分析的测量系统。该发明主要包括电离辐射源、磁场发生装置、信号采集及处理组件。该发明能够广泛应用于各行业气体流速流量的测量。

公开(公告)号：CN119865264A

公开(公告)日：2025-04-22

申请号：CN202510055390.0

申请日：2025-01-14

Applicant: 哈尔滨工程大学

Inventor： 孙骞 ,  简鑫 ,  张亚 ,  李一兵 ,  叶方 ,  田园 ,  韩春阳 ,  王芮 ,  赵云龙

IPC: H04B17/345 ,  H04W24/04 ,  H04L25/03

Abstract: 本发明属于同频干扰对技术领域，具体涉及一种5G超密集组网场景下同频干扰对抗方法及其系统。识别出信号最强的小区ID；采用最小二乘方法估计信道；从原始信号中减去信号最强小区的干扰成分，得到去干扰后的信号；进行参数初始化；在每次迭代中寻找到与残差相关性最大的基站，更新已选择的基站集合；对重构矩阵进行更新并估计出新的信道响应向量；最后更新残差，并进行下一次迭代；检查迭代条件，如果迭代次数没有达到预定义的上限或残差的L2范数没有超过阈值，则继续迭代；否则，算法终止，并使用最终估计的B集合作为结果，实现5G超密集组网场景下同频干扰对抗。用以解决在5G NAVSOP的应用里，需要尽可能多的提取出定位观测量的问题。

公开(公告)号：CN111399028A

公开(公告)日：2020-07-10

申请号：CN202010195574.4

申请日：2020-03-19

Applicant: 哈尔滨工程大学

Inventor： 宋玉收 ,  赵云龙 ,  胡力元 ,  侯英伟 ,  刘辉兰 ,  吴坤

IPC: G01T7/00

Abstract: 本发明涉及一种多用途的中子终端，主要应用于对辐射防护领域中子剂量率仪的剂量刻度、材料屏蔽性能、辐射探测及应用领域中子探测器的能量测量性能评估及位置分辨评价。该发明主要包括中子源及控制系统和准直慢化系统。利用控制系统将源吊起到合适的高度，加上影锥的使用可用于仪器刻度。如果再配合可移动式的准直慢化系统，其中慢化屏蔽体可根据要求自由更换，中子源可完美嵌入系统中，使源的射束不会往外泄露，可通过准直孔可得到不同能谱、不同位置和形状的中子束。本发明具有安全稳定、功能多样、便捷易实现等优点。

公开(公告)号：CN116522174A

公开(公告)日：2023-08-01

申请号：CN202310675229.4

申请日：2023-06-08

Applicant: 哈尔滨工程大学

Inventor： 孙骞 ,  刘瓦 ,  李凌莉 ,  田京鹭 ,  邹珺婧 ,  赵云龙 ,  李一兵 ,  叶方

IPC: G06F18/23 ,  G06F18/214 ,  G06F18/213 ,  G06F18/241 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0985 ,  G06N3/08 ,  G01C25/00

Abstract: 本发明公开一种水下惯性基多源导航系统联合故障智能诊断方法。步骤1：基于历史数据对故障数据数量进行评判；步骤2：判断故障数据的训练样本是否大于阈值，若大于阈值则进行步骤3，若小于阈值则进行步骤4；步骤3：使用基于GCN‑LSTM时空组合模型的故障诊断方法进行故障诊断；步骤4：使用基于FMM‑ML模型的故障诊断方法进行故障诊断；步骤5：将步骤3或步骤4的故障诊断存入历史数据库中,为下次故障诊断提高训练样本，从而提高AUV多源导航系统在实际工作中的故障诊断性能。针对水下多源导航系统在实际环境中存在不同工况不同传感器在不同阶段样本数目不同的问题。

公开(公告)号：CN120003529A

公开(公告)日：2025-05-16

申请号：CN202510055395.3

申请日：2025-01-14

Applicant: 哈尔滨工程大学

Inventor： 孙骞 ,  赵云龙 ,  张亚 ,  李一兵 ,  叶方 ,  田园

IPC: B60W60/00 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/084 ,  G01C21/20 ,  G01C21/16 ,  G01C21/00 ,  G01C21/34

Abstract: 一种基于CNN‑LSTM‑Attention神经网络的轨迹预测方法及系统，属于机器学习和数据分析技术领域，解决IMU数据本身存在噪声和累积误差，从而导致轨迹预测的精度和可靠性降低的问题。方法包括：收集传感器数据，进行预处理，并划分为训练集和测试集，并对输入特征和目标输出进行标准化处理；构建混合神经网络架构，设定所述混合神经网络架构中各层的结构与参数，定义损失函数与优化器；采用训练集数据对所述混合神经网络架构进行训练，采用反向传播算法优化模型参数；计算预测轨迹与真实轨迹之间的误差指标，根据误差指标评估混合神经网络架构的预测性能；选择预测性能最佳的神经网络进行实时轨迹预测。本发明适用于智能交通系统、无人驾驶、路线规划等应用场景。