-
公开(公告)号：CN119919869A
公开(公告)日：2025-05-02
申请号：CN202411788111.3
申请日：2024-12-06
Applicant: 杭州电子科技大学
IPC: G06V20/52 , G06V10/82 , G06N3/0442 , G06N3/043 , G06N3/045 , G06F17/18 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于LSTM模型结合KAN网络的低空慢速目标威胁评估方法及系统，本发明方法步骤如下S1、获取设定时间段的低空慢速目标脉冲数据，并取长度为N的脉冲数据作为一个样本进行预处理；S2、对脉冲数据使用模糊数据的方式进行预处理；S3、构建基于LSTM模型结合KAN网络的模型，并对参数进行初始化；S4、根据数据的可信度进行处理，将处理完成的数据输入到步骤S3构建的模型进行网络训练，并将训练所得到的特征提取器和分类器权重进行保存；S5、将待测低空慢速目标脉冲数据预处理后输入经过步骤S4训练的模型中进行评估，得到低空慢速目标的威胁评估结果。本发明可在动态环境下提高低空慢速小目标的威胁评估准确率。
-
公开(公告)号：CN119182420B
公开(公告)日：2025-04-25
申请号：CN202411700181.9
申请日：2024-11-26
Applicant: 杭州电子科技大学
IPC: H04B1/7163 , H04B1/00
Abstract: 本发明公开了一种基于奈奎斯特折叠的数字信道化快速信号处理方法及系统，该方法首先通过NYFR结构，将本振产生的模拟周期非均匀采样脉冲串，对天线接收到的信号进行欠采样，将信号频谱的频段折叠至奈奎斯特频率以下。其次将折叠至奈奎斯特频率以下的调制信号，使用RFSoC集成的ADC进行离散数字化。最后将离散数字化后的数据，通过基于IDFT多相滤波结构的数字信道化处理，分成多个子信道，接收机并行解调多个同时到达的子信道，重构出天线接收到的信号，完成NYFR结构快速接收和处理信号。本发明显著提升了瞬时超宽频段实时监视和处理能力，可实现瞬时超大带宽频段信号的接收和处理，降低了成本和复杂度。
-
公开(公告)号：CN118590160A
公开(公告)日：2024-09-03
申请号：CN202410595784.0
申请日：2024-05-14
Applicant: 杭州电子科技大学
IPC: H04B17/382 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及基于位置参数优化协方差矩阵的ResNet频谱感知方法及系统，方法如下：S1：SU进行通信时，所有SU对PU信号进行检测，得连续时间序列，对其执行用户感知信号检测，得到PU信号检测矩阵，FC生成协方差矩阵；S2：一SU随机产生测试用PU信号，所有SU进行测试用PU信号检测，检测信号汇集时，传输自身位置信息，FC生成距离相关矩阵D，用D处理协方差矩阵，得距离加权协方差矩阵Rdk，FC与所有SU连续执行Rdk生成过程，生成每个Rdk时，根据测试用PU信号状态进行Rdk样本标注，得样本标签集，直至满足训练条件，汇集成数据和标签集；S3：将数据和标签集输入ResNet进行训练，得整体特征序列；S4：将ResNet特征参数联合全连接层和softmax层进行数据处理，输出参数。
-
公开(公告)号：CN117979282A
公开(公告)日：2024-05-03
申请号：CN202410131780.7
申请日：2024-01-30
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种智能反射面辅助的多用户信能同传系统保密能效最大化方法及系统，具体步骤如下：S1、基站调制、编码并发送信号；S2、将S1的信号作为输入参数，计算系统的保密能效#imgabs0#S3、判断S2得到的#imgabs1#是否收敛，如收敛，执行S4；反之，则跳转并执行S8；S4、将S3得到的#imgabs2#作为输入参数，执行波束成形向量优化方法，输出wk；S5、将S4得到的wk作为输入参数，执行RIS相移矩阵优化方法，输出Θ；S6、将S5得到的Θ作为输入参数，执行功率分流因子优化方法，输出ρ*；S7、将S6所得的ρ*作为输入参数，计算当前系统的保密能效#imgabs3#再令n＝n+1，跳转到S3；S8、得到#imgabs4#的最优值。本发明能够增强智能反射面辅助的SWIPT系统的保密性能，实现了系统能效与安全的最优折中。
-
公开(公告)号：CN117786506A
公开(公告)日：2024-03-29
申请号：CN202410102606.X
申请日：2024-01-24
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/213 , G06F18/22 , G06F18/214 , G06N3/0464 , G06N3/0895 , G06N3/045
Abstract: 本发明公开了基于对比Conformer的小样本标注雷达脉内调制识别方法及系统，方法步骤如下：步骤一、产生无标注的训练集、验证集和有标记的训练集、验证集、测试集的雷达脉内I/Q数据并进行预处理；步骤二、构造基于对比学习的Conformer网络模型，初始化参数；步骤三、将步骤一所得到无标注的雷达脉内I/Q数据经过数据增强，产生正例对和负例对后一并输入到对比Conformer网络模型进行训练。步骤四、构造除去对比部分但构造相同、参数相同的Conformer网络模型且改进最后一层以适应目标任务完成。将训练集和验证集中有标注的雷达脉内I/Q数据输入，微调网络并保存网络模型。步骤五、将测试集的数据输入到步骤四保存的网络模型，完成对其脉内调制的识别。
-
Patent Agency Ranking
公开(公告)号：CN117668639A
公开(公告)日：2024-03-08
申请号：CN202311602874.X
申请日：2023-11-28
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G01S7/41 , G01S7/36 , G06F18/214 , G06F18/213 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种基于SMCFN模型结合CFNO的半监督雷达辐射源个体识别方法及系统，本发明方法步骤如下：S1、对于不同辐射源发射的脉冲数据，取固定长度为N的脉冲数据作为一个样本并进行预处理；S2、对于无标记样本进行弱增强和强增强；S3、设计一个基于SMCFN结合CFNO的模型，并对其参数进行初始化设置；S4、将标记样本、无标记样本的弱增强与强增强样本输入到基于SMCFN结合CFNO的模型进行网络训练，并将训练所得到的特征提取器和分类器权重进行保存；S5、将待测雷达辐射源的脉冲数据预处理后输入训练的基于SMCFN结合CFNO的模型进行识别，得到雷达辐射源个体识别结果。本发明可在少量标记样本和充足的无标记样本情况下提高雷达辐射源个体识别正确率。
-
公开(公告)号：CN111126226B
公开(公告)日：2023-07-28
申请号：CN201911302131.4
申请日：2019-12-17
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/241 , G06F18/10 , G06F18/214 , G06N3/0464
Abstract: 本发明公开了一种基于小样本学习和特征增强的辐射源个体识别方法，包括步骤：S11.对不同个体的雷达脉冲信号经过短时傅里叶变换、灰度处理得到雷达脉冲信号的灰度矩阵；S12.将所述得到的灰度矩阵输入至稀疏自编码器中进行特征提取，得到特征矩阵；S13.对所述提取到的特征矩阵利用图像增强的方式进行特征增强，得到增强后的特征矩阵；S14.判断雷达脉冲信号的样本数量是否小于阈值，若是，则将增强后的特征矩阵输入到增强条件对抗生成网络中对样本数量进行扩充，再返回步骤S14；若否，则执行步骤S15；S15.将增强后的特征矩阵输入到卷积神经网络中进行训练，将特征输入到分类器中进行分类识别。
-
公开(公告)号：CN115436924A
公开(公告)日：2022-12-06
申请号：CN202211030110.3
申请日：2022-08-26
Applicant: 杭州电子科技大学
Abstract: 本发明公开了优化本振奈奎斯特折叠接收机(NYFR)架构下的多分量线性调频(LFM)信号快速参数估计方法及系统，方法步骤如下：S1、将NYFR输出的含周期线性调频(PLFM)的多分量信号经过瞬时自相关后进行傅里叶变换(IAF)和最大峰值搜索，估计得出多分量信号的不同的奈奎斯特区域(NZ)标号S2、将S1中不同的构成解线调信号，经过解线调和IAF，估计得出多分量信号的调频率S3、将S1中不同的和S2中的信号调频率构成解线调信号，经过解线调和快速傅里叶变换(FFT)，估计得出多分量信号的中频最后由估计出信号的载频本发明提出了在时频混叠下的一种优化本振NYFR架构的多分量LFM信号快速参数估计方法，为复杂电磁环境下的高效电子侦察提供技术支撑。
-
公开(公告)号：CN114578403A
公开(公告)日：2022-06-03
申请号：CN202210200510.8
申请日：2022-03-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种在高动态环境下的频率精细估算方法，包括如下步骤：S1‑1、获取接收端信号；S1‑2、计算接收端信号的峰值；S1‑3、通过公式粗略估算MF参数；S2‑1、获取观测到的峰值并转化为表达式；S2‑2、通过峰值表达式设定联合概率密度函数；S2‑3、通过联合概率密度函数得到目标函数，并计算目标函数的最优值；S2‑4、把最优值代入接收端信号的峰值的表达式中，通过奇异点分割优化，改写目标函数，并得到差分函数和峰值误差函数；S2‑5、计算出反馈误差，并通过迭代，得到精确估算参数MF。可以通过高动态参数来计算出MF，从而可以为高动态环境下实现精确定位，并且可以实现高检测频率实现参数概率参数估计和高频率估计参数精度实现高动态环境下频率参数捕获。
-
公开(公告)号：CN111126226A
公开(公告)日：2020-05-08
申请号：CN201911302131.4
申请日：2019-12-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于小样本学习和特征增强的辐射源个体识别方法，包括步骤：S11.对不同个体的雷达脉冲信号经过短时傅里叶变换、灰度处理得到雷达脉冲信号的灰度矩阵；S12.将所述得到的灰度矩阵输入至稀疏自编码器中进行特征提取，得到特征矩阵；S13.对所述提取到的特征矩阵利用图像增强的方式进行特征增强，得到增强后的特征矩阵；S14.判断雷达脉冲信号的样本数量是否小于阈值，若是，则将增强后的特征矩阵输入到增强条件对抗生成网络中对样本数量进行扩充，再返回步骤S14；若否，则执行步骤S15；S15.将增强后的特征矩阵输入到卷积神经网络中进行训练，将特征输入到分类器中进行分类识别。
-
-
-
-
-
-
-
-
-
Search Results
63
records
(took 0.031 seconds)
