-
公开(公告)号：CN118282818A
公开(公告)日：2024-07-02
申请号：CN202410269333.8
申请日：2024-03-11
Applicant: 哈尔滨工程大学
Abstract: 本发明提出一种基于VAE‑GAN的通信干扰波形生成方法，包括：步骤1：采集目标通信系统的目标信号时域波形，并构建目标信号数据集；步骤2：对构建的目标信号数据集进行去噪；步骤3：构建VAE‑GAN干扰波形生成网络，基于去噪后的目标信号数据集对VAE‑GAN干扰波形生成网络进行训练；步骤4：将随机噪声输入训练后的VAE‑GAN干扰波形生成网络得到干扰波形，并将干扰波形输入目标通信系统进行干扰。发明避免了传统方式对非协作信号重构时需要进行复杂的参数测量与分析，生成方式简单，节省大量时间成本与人力成本，本发明较传统的生成对抗网络，更易训练，模型更易收敛，且避免了变分自编码器模块容易生成细节表达不清信号问题。
-
公开(公告)号：CN117061356A
公开(公告)日：2023-11-14
申请号：CN202310885844.8
申请日：2023-07-19
Applicant: 哈尔滨工程大学
Abstract: 本发明属于通信网络拓扑结构推理技术领域，具体涉及一种面向感知网络的目标通信网络拓扑结构还原方法。本发明包括使用感知网络持续接收目标通信网络辐射的信号；以固定的时间间隔从连续采集的接收信号中提取离散的通信事件；将所有的通信事件建模为改进多维霍克斯过程，整理出似然函数；利用期望最大化算法求解似然函数，从解图结构中提取目标通信网络拓扑结构。本发明将感知网络接收的目标通信网络通信事件建模为统一的模型，能够综合考虑感知网络节点和通信网络节点对通信的影响；输出的是感知网络和目标通信网络综合的图结构表达，比一般的矩阵表现力更丰富，通过期望最大算法多次迭代即可算得最终的感知网络与目标通信网络的图结构。
-
公开(公告)号：CN116684032B
公开(公告)日：2024-09-13
申请号：CN202310723493.0
申请日：2023-06-19
Applicant: 哈尔滨工程大学
IPC: H04K3/00
Abstract: 一种面向分布式系统的智能协同干扰方法，它涉及一种智能协同干扰方法。本发明为了解决现有通信干扰决策算法需要各干扰站逐步干扰通信节点并评估每次干扰效果，效率较低，在真是作战场景实用性很低的问题。通过本发明提出的分布式协同侦察方法确定干扰频点完善干扰决策求解空间，依据干扰机优先级选择一台干扰机承担集中运算任务在其上完成干扰目标分配，每台干扰机各自独立运行单智能体强化学习算法决策干扰功率与干扰波形，在承担集中运算任务的干扰机上汇总每台干扰机评估的对各自目标的干扰效果并根据干扰效果调整干扰目标、干扰功率及干扰波形。本发明属于通信对抗干扰决策技术领域。
-
公开(公告)号：CN116684032A
公开(公告)日：2023-09-01
申请号：CN202310723493.0
申请日：2023-06-19
Applicant: 哈尔滨工程大学
IPC: H04K3/00
Abstract: 一种面向分布式系统的智能协同干扰方法，它涉及一种智能协同干扰方法。本发明为了解决现有通信干扰决策算法需要各干扰站逐步干扰通信节点并评估每次干扰效果，效率较低，在真是作战场景实用性很低的问题。通过本发明提出的分布式协同侦察方法确定干扰频点完善干扰决策求解空间，依据干扰机优先级选择一台干扰机承担集中运算任务在其上完成干扰目标分配，每台干扰机各自独立运行单智能体强化学习算法决策干扰功率与干扰波形，在承担集中运算任务的干扰机上汇总每台干扰机评估的对各自目标的干扰效果并根据干扰效果调整干扰目标、干扰功率及干扰波形。本发明属于通信对抗干扰决策技术领域。
-
公开(公告)号：CN116680608A
公开(公告)日：2023-09-01
申请号：CN202310505266.0
申请日：2023-05-08
Applicant: 哈尔滨工程大学
IPC: G06F18/241 , G06F18/214 , G06N3/042 , G06N3/084 , H04L27/00
Abstract: 本发明属于通信领域，具体涉及一种基于复数图卷积神经网络的信号调制识别方法。将待识别信号数据集分解为I路与Q路信号；将I路与Q路信号数据利用可视图算法转化为图网络数据，并分成训练集、验证集和测试集；搭建复数图卷积神经分类网络模型；训练复数图卷积神经分类网络模型，并通过验证集调整复数图卷积神经分类网络模型的超参数和对复数图卷积神经分类网络模型的相关能力进行初步评估；将测试集输入至经训练验证后性能表现最好的复数图卷积神经分类网络模型中，输出信号调制方式的分类测试结果，以此来评估复数图卷积神经分类网络模型的性能。本发明旨在解决基于卷积神经网络的信号调制识别方法无法处理非结构化、非欧几里得、不具备平移不变性的信号数据，输入局部维度可变、局部排列无序的多模态数据会导致调制模式识别的结果不理想的问题。
-
Patent Agency Ranking
公开(公告)号：CN117295100B
公开(公告)日：2025-02-07
申请号：CN202311162313.2
申请日：2023-09-11
Applicant: 哈尔滨工程大学
IPC: H04W24/06 , H04W72/541 , H04W72/53 , G06N3/0442 , G06N3/092 , G06N3/084
Abstract: 一种基于多智能体强化学习的通信干扰资源分配方法，它涉及一种通信干扰资源分配方法。本发明为了解决现有干扰决策算法没有考虑到随着多智能体数量的增加，动作空间和状态空间会快速增长，算法可能难以收敛的问题。本发明在多智能体近端策略优化算法的基础上提出了一种选择性经验存储策略的多智能体近端策略优化算法，对进入经验池的经验进行选择性存储，提高算法的收敛能力，并在多智能体近端策略优化算法中添加了注意力机制。本发明属于通信技术领域。
-
公开(公告)号：CN116680608B
公开(公告)日：2024-10-18
申请号：CN202310505266.0
申请日：2023-05-08
Applicant: 哈尔滨工程大学
IPC: G06F18/241 , G06F18/214 , G06N3/042 , G06N3/084 , H04L27/00
Abstract: 本发明属于通信领域，具体涉及一种基于复数图卷积神经网络的信号调制识别方法。将待识别信号数据集分解为I路与Q路信号；将I路与Q路信号数据利用可视图算法转化为图网络数据，并分成训练集、验证集和测试集；搭建复数图卷积神经分类网络模型；训练复数图卷积神经分类网络模型，并通过验证集调整复数图卷积神经分类网络模型的超参数和对复数图卷积神经分类网络模型的相关能力进行初步评估；将测试集输入至经训练验证后性能表现最好的复数图卷积神经分类网络模型中，输出信号调制方式的分类测试结果，以此来评估复数图卷积神经分类网络模型的性能。本发明旨在解决基于卷积神经网络的信号调制识别方法无法处理非结构化、非欧几里得、不具备平移不变性的信号数据，输入局部维度可变、局部排列无序的多模态数据会导致调制模式识别的结果不理想的问题。
-
公开(公告)号：CN117295100A
公开(公告)日：2023-12-26
申请号：CN202311162313.2
申请日：2023-09-11
Applicant: 哈尔滨工程大学
IPC: H04W24/06 , H04W72/541 , H04W72/53 , G06N3/0442 , G06N3/092 , G06N3/084
Abstract: 一种基于多智能体强化学习的通信干扰资源分配方法，它涉及一种通信干扰资源分配方法。本发明为了解决现有干扰决策算法没有考虑到随着多智能体数量的增加，动作空间和状态空间会快速增长，算法可能难以收敛的问题。本发明在多智能体近端策略优化算法的基础上提出了一种选择性经验存储策略的多智能体近端策略优化算法，对进入经验池的经验进行选择性存储，提高算法的收敛能力，并在多智能体近端策略优化算法中添加了注意力机制。本发明属于通信技术领域。
-
公开(公告)号：CN117081932A
公开(公告)日：2023-11-17
申请号：CN202310885839.7
申请日：2023-07-19
Applicant: 哈尔滨工程大学
IPC: H04L41/12 , H04L41/16 , H04W24/02 , G06N3/0464 , G06N3/092
Abstract: 本发明属于通信网络拓扑结构推理技术领域，具体涉及一种面向大规模目标无线通信网络的拓扑结构推理方法。本发明适用于非合作场景，且适用于大规模通信网络，还原大规模通信网络的效率高，能在前期挖掘出大部分的通联关系。本发明以强化学习的方式找出最优的通联关系分析顺序，以图卷积神经网络的方式表示网络还原中复杂的状态‑动作‑奖励‑观测四元组，不影响最高网络还原程度，相比于一般的网络拓扑结构推理方法具有效率高的优势，能够在整个还原过程前期实现大部分目标网络中有通联关系的拓扑结构的还原。
-
公开(公告)号：CN116996389A
公开(公告)日：2023-11-03
申请号：CN202310885841.4
申请日：2023-07-19
Applicant: 哈尔滨工程大学
IPC: H04L41/12 , H04W72/0453 , H04W72/542
Abstract: 本发明属于通信网络拓扑结构推理技术领域，具体涉及一种非合作无线通信网络的拓扑结构跟踪方法。本发明适用于非合作场景，同时适用于时变通信网络，在目标无线通信网络节点信号消失时能快速找到节点新的发送信号频点。本发明中跟踪目标无线通信网络节点采用线性自回归的格兰杰因果分析方法，比采用非线性映射的调制识别及辐射源识别更加简洁高效，用格兰杰因果分析匹配信号相比于调制识别与辐射源识别的方式更不容易受到干扰，以较高效率挖掘变化节点可能存在的新的通联关系。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.029 seconds)
