-
公开(公告)号:CN116684233B
公开(公告)日:2024-10-18
申请号:CN202310710751.1
申请日:2023-06-15
Applicant: 哈尔滨工程大学
Abstract: 一种基于图像显著性检测的通信信号调制识别方法,它涉及一种通信信号调制识别方法。本发明为了解决现有通信信号调制识别方法不能在低信噪比情况下有效去除时频图像中背景噪声,导致对通信信号的调制识别准确率较低的问题。本发明能够在低信噪比情况下有效去除时频图像中的背景噪声,提高对通信信号的调制识别准确率。本发明属于通信信号调制识别技术领域。
-
公开(公告)号:CN116566777B
公开(公告)日:2024-03-12
申请号:CN202310504648.1
申请日:2023-05-08
Applicant: 哈尔滨工程大学
IPC: H04L27/00 , H04B1/713 , G06N3/0464 , G06N3/042
Abstract: 本发明提出一种基于图卷积神经网络的跳频信号调制识别方法。所述方法包括以下步骤:步骤1:提取跳频信号的节点特征;步骤2:构建邻接矩阵和边,将跳频信号转换为无向拓扑图;步骤3:根据跳频信号图域转换数据构建图卷积神经网络GCN模型;步骤4:利用训练样本集合训练GCN模型,将测试样本输入训练好的GCN模型中输出识别结果。本发明提出的信号图域转换方法在降低节点和边的数量的基础上,提取多种节点特征,减少了参数和计算量且抗噪声性能好,构建的GCN模型可以获取受信噪比影响较小的空间结构信息,在保证了识别准确率的基础上网络层数少,实时性好。
-
公开(公告)号:CN116566777A
公开(公告)日:2023-08-08
申请号:CN202310504648.1
申请日:2023-05-08
Applicant: 哈尔滨工程大学
IPC: H04L27/00 , H04B1/713 , G06N3/0464 , G06N3/042
Abstract: 本发明提出一种基于图卷积神经网络的跳频信号调制识别方法。所述方法包括以下步骤:步骤1:提取跳频信号的节点特征;步骤2:构建邻接矩阵和边,将跳频信号转换为无向拓扑图;步骤3:根据跳频信号图域转换数据构建图卷积神经网络GCN模型;步骤4:利用训练样本集合训练GCN模型,将测试样本输入训练好的GCN模型中输出识别结果。本发明提出的信号图域转换方法在降低节点和边的数量的基础上,提取多种节点特征,减少了参数和计算量且抗噪声性能好,构建的GCN模型可以获取受信噪比影响较小的空间结构信息,在保证了识别准确率的基础上网络层数少,实时性好。
-
公开(公告)号:CN113312996A
公开(公告)日:2021-08-27
申请号:CN202110545114.4
申请日:2021-05-19
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种混叠短波通信信号检测与识别方法,包括:步骤1:对混叠短波通信信号做快速傅里叶变换得到其频谱,然后进行幅度归一化;步骤2:滑窗将窗口检测区对准数值为1的点即将信号载波中心包含在了窗口检测区,然后进行基带不变性操作,调整信号带宽;步骤3:保存滑窗内容:步骤4:基于深度学习模型进行分类识别:步骤5:绘制短波频段通信信号分布图。本发明不受信道频段先验知识限制、无需分离单个信号、信号中心频率识别精度可调、采用复数卷积神经网络对频谱分类识别准确率高、可检测识别与深度学习模型训练集信号分布不同的通信信号。
-
公开(公告)号:CN119025824A
公开(公告)日:2024-11-26
申请号:CN202411010846.3
申请日:2024-07-26
Applicant: 哈尔滨工程大学
Abstract: 一种基于图结构的多目标中断轨迹补全方法,它涉及一种多目标中断轨迹补全方法。本发明为了解决现有轨迹补全方法未能充分挖掘轨迹特征进行溯源关联和轨迹补全,且模型处理时间较长,算力要求较大的问题。本发明的步骤包括步骤1、构建多目标中断轨迹数据集;步骤2、多目标中断轨迹粗关联;步骤3、基于图结构的多目标中断轨迹细关联;步骤4、基于图结构的多目标中断轨迹补全。本发明属于多目标跟踪技术领域。
-
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:CN113312996B
公开(公告)日:2023-04-18
申请号:CN202110545114.4
申请日:2021-05-19
Applicant: 哈尔滨工程大学
IPC: G06F18/10 , G06F18/23211 , G06F18/24 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F17/14 , G06F17/18
Abstract: 本发明公开了一种混叠短波通信信号检测与识别方法,包括:步骤1:对混叠短波通信信号做快速傅里叶变换得到其频谱,然后进行幅度归一化;步骤2:滑窗将窗口检测区对准数值为1的点即将信号载波中心包含在了窗口检测区,然后进行基带不变性操作,调整信号带宽;步骤3:保存滑窗内容:步骤4:基于深度学习模型进行分类识别:步骤5:绘制短波频段通信信号分布图。本发明不受信道频段先验知识限制、无需分离单个信号、信号中心频率识别精度可调、采用复数卷积神经网络对频谱分类识别准确率高、可检测识别与深度学习模型训练集信号分布不同的通信信号。
-
-
-
-
-
-
-