-
公开(公告)号：CN115842566B
公开(公告)日：2023-09-15
申请号：CN202211506619.0
申请日：2022-11-28
Applicant: 哈尔滨工程大学
IPC: H04B1/525 , G06N3/0464 , G06N3/0442 , G06N3/08 , G01S7/38 , G01S7/36
Abstract: 一种基于CNN‑Bi‑LSTM的干扰机自干扰数字对消方法，涉及电子侦察与干扰领域。本发明是为了解决目前的自干扰对消方法没有考虑时间记忆维度以外的非线性特征，进而导致其应用于干扰机自干扰对消中效果不佳的问题。本发明具体为：获取干扰机发射的参考信号和接收到的信号，将参考信号输入到自干扰估计网络中获得估计的自干扰，再将干扰机接收到的信号与估计的自干扰相减完成自干扰对消，获得自干扰对消后的信号；本发明提出的自干扰估计网络额外加入了记忆项对应的高阶非线性项，再结合Bi‑LSTM网络对记忆项进行时间依赖关系的前后双向拟合，提升了对于时间记忆维度以外的非线性特征的拟合效果。本发明用于干扰机自干扰的对消。
-
公开(公告)号：CN113325375B
公开(公告)日：2022-12-13
申请号：CN202110569844.8
申请日：2021-05-25
Applicant: 哈尔滨工程大学
IPC: G01S7/38
Abstract: 本发明提供一种基于深度神经网络的自适应对消方法，1)定义接收天线接收的信号模型，包括发射信号功率Pf，功率放大器非线性失真函数G[·]以及载波中心频率fc；2)定义非线性功率放大器的模型；3)将目标信号进行非线性建模，使用大量数据对DNN网络进行训练；4)把原参考信号通过训练好的网络后生成的信号作为新参考信号输入自适应滤波器；5)对比自适应滤波器对消前后的信号。本发明利用大量训练先验信息模拟雷达干扰机功率放大器的非线性特性，解决干扰问题，这种方法直接估计信号的幅度，用大量的数据来减少算法步骤。
-
公开(公告)号：CN113726350B
公开(公告)日：2022-11-01
申请号：CN202110908254.3
申请日：2021-08-09
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于深度神经网络的强相关自干扰对消方法，将DNN神经网络引入到收发同时系统强相关自干扰对消系统中，采用DNN神经网络拟合自适应对消系统模型，替代传统的自适应滤波算法，提出了基于DNN的强相关自干扰对消方法。该方法摒弃了传统的自适应算法，通过训练好的DNN网络模型，该系统模型可以实现对强相关自干扰信号的有效消除，从而可以更准确的从强相关自干扰信号中恢复出目标信号。
-
公开(公告)号：CN109887050B
公开(公告)日：2022-11-01
申请号：CN201910140928.2
申请日：2019-02-26
Applicant: 哈尔滨工程大学
Abstract: 本发明公开一种基于自适应字典学习的编码孔径光谱成像方法，解决在以往编码孔径光谱成像过程中利用传统方法构造的冗余字典不能对目标图像进行有效稀疏表示，导致光谱图像重构质量差的问题。本发明根据测量值进行自适应学习得到冗余字典，用于提高重构光谱图像质量。其实现包括首先将原有编码孔径光谱成像框架进行变换，采用一种重叠分块测量方式；再利用最小二乘法估计出众多光谱图像块，构造训练样本集，利用该样本集自适应训练学习得到新的冗余字典；将新的字典带入到成像框架中重构出目标光谱图像；最后循环迭代上述过程，直到求出最优解。本发明构造的冗余字典能够与目标图像相适应，在编码孔径光谱成像中光谱图像重构质量得到较大提高。
-
公开(公告)号：CN115037319A
公开(公告)日：2022-09-09
申请号：CN202210293249.0
申请日：2022-03-23
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种侦察、干扰、探测、通信射频一体化集成装置，本发明侦察、干扰、探测、通信一体化设备采用八个共形天线，可以对0.4GHz～4GHz频段内的辐射源信号进行被动探测；通过另外一组八个共形天线，可以对4GHz～18GHz频段内的辐射源信号进行电子侦察与干扰；利用4GHz～18GHz频段内的共形天线，可以将通信模式集成到整体设备上，与干扰模式共用一个链路，可通过程序控制进行切换，即可实现将通信模式集成到一体化设备。
-
Patent Agency Ranking
公开(公告)号：CN114942415A
公开(公告)日：2022-08-26
申请号：CN202210541063.2
申请日：2022-05-17
Applicant: 哈尔滨工程大学
IPC: G01S7/41
Abstract: 本发明公开了一种基于自编码器的多频段子带信号融合方法，将深度神经网络用于信号融合，在发射端发射多子带线性调频信号，在接收端对接收的多子带回波信号进行去斜处理得到多子带距离包络，将全频带包络作为训练数据输入全频带自编码器，得到全频带解码器与全频带编码；再将多子带距离包络和全频带编码分别作为训练数据与标签送入DNN训练，得到多子带编码器；最后将多子带编码器与全频带解码器组合为自编码器，这样就可以将任意一组多子带距离包络输入自编码器，即可得到全频带的距离包络，提升信号的利用率，提高距离分辨率。
-
公开(公告)号：CN108614242B
公开(公告)日：2022-04-05
申请号：CN201810248924.1
申请日：2018-03-25
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于多目标蚁狮优化的雷达通信一体化波形设计方法，包括：确立雷达通信一体化波形设计适应度函数；初始化蚂蚁种群和蚁狮种群，确定多目标蚁狮优化迭代次数；初始化各蚂蚁适应度值，初始化精英蚁狮位置；更新蚂蚁位置；计算种群中蚂蚁适应度值；更新存储空间，对超出存储空间容量的情况进行处理；更新蚁狮位置和精英蚁狮位置；判断是否达到多目标蚁狮优化迭代次数，若达到，停止搜索，随机选择一组帕累托最优解作为一体化波形参数；否则重复执行。本发明考虑了一体化波形应用中的盲区范围和信息传输速率，更能够满足实际工程需要，在蚂蚁进化过程中有蚁狮和精英蚁狮共同指导，有效避免寻优过程中陷入局部最优，提高收敛准确性。
-
公开(公告)号：CN108492317B
公开(公告)日：2022-01-11
申请号：CN201810165065.X
申请日：2018-02-28
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于阿基米德螺线作为观测矩阵的红外图像重构方法，包含如下步骤：步骤(1)：读入所需重构维度为N×N的红外图像，根据维度定义阿基米德螺线极坐标方程；步骤(2)：在阿基米德螺线上均匀地采集N2个点，构造一个确定的序列；步骤(3)：利用确定的序列构造确定性矩阵作为所需重构维度为N×N的红外图像的初始观测矩阵；步骤(4)：根据采样率构造确定性矩阵的维度M×N，得到确定性观测矩阵，再利用确定性观测矩阵重构红外图像。本发明将CS理论引入到红外成像系统中，获得高分辨率重构红外图像，使获得的重构红外图像包含更多有价值的目标信息，有助于后续的目标检测、识别和跟踪工作。且重构误差明显减小，峰值信噪比值明显提高。
-
公开(公告)号：CN112560342A
公开(公告)日：2021-03-26
申请号：CN202011481232.5
申请日：2020-12-15
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于DNN的大气波导参数估计方法，利用DNN网络提取大气波导中信号的衰减特征，将参数估计问题转化为DNN网络特征提取问题，找出不同距离上的无线电波信号衰减和大气波导参数之间的映射关系。建立X波段信号在大气波导中的传播模型，将在不同距离下的功率采样点作为输入，通过稀疏频点的无线电波信号进行大气波导参数估计，从而达到连续频率的大气波导参数估计。本发明可以解决数值计算的精度低且耗时长的缺点，在较远距离处也可以去的准确的预测结果，更进一步地，可以利用稀疏点频率训练而获得连续频率估计的结果。
-
公开(公告)号：CN111505566A
公开(公告)日：2020-08-07
申请号：CN202010384052.9
申请日：2020-05-08
Applicant: 哈尔滨工程大学
Abstract: 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。
-
-
-
-
-
-
-
-
-
Search Results
134
records
(took 0.086 seconds)
