-
公开(公告)号：CN115712867A
公开(公告)日：2023-02-24
申请号：CN202211369792.0
申请日：2022-11-03
Applicant: 哈尔滨工程大学
IPC: G06F18/2415 , G06F18/214 , G06N3/0464 , G06N3/08 , G01S7/02 , G01S7/40
Abstract: 本发明公开了一种多分量雷达信号调制识别方法，包括获取待识别雷达信号；将待识别雷达信号输入至预先训练的深度卷积神经网络模型进行识别，输出标签向量的预测概率；深度卷积神经网络模型是采用标记有标签向量的雷达信号数据集训练得到的，标签向量表示多分量雷达信号所包含的信号调制类型；深度卷积神经网络模型包括多个移动倒置瓶颈卷积块MBConv、多个融合的移动倒置瓶颈卷积块Fused‑MBConv和卷积注意力机制模块；根据标签向量的预测概率进行阈值判决后输出多分量雷达信号调整识别结果。本发明不仅能识别单分量雷达信号，还能识别双分量和三分量雷达信号；相比较其它方法，改进了信号识别精度。
-
公开(公告)号：CN115544942A
公开(公告)日：2022-12-30
申请号：CN202211130090.7
申请日：2022-09-16
Applicant: 哈尔滨工程大学
IPC: G06F30/392
Abstract: 本发明提供一种无模糊测向非均匀阵列设计方法，是一种基于计算机合理遍历设计无模糊高精度的非均匀测向阵列方法。首先计算出实际情况时所有可能合理的非均匀阵列形式；对这些非均匀阵列利用MUSIC算法在高频率易模糊频点上进行测试，测试时可加入可能引起测角模糊的因素，如通道不一致性等。对每种阵列形式进行多次蒙特卡洛实验，计算测角均方根误差，根据测试结果选择均方根误差较小的阵列形式；选定形式后，验证在所要求的测角范围内是否能够实现无模糊高精度测角。若一次选定不能符合要求，则再次选择其他均方根误差小的阵列形式，再次测试，直到达到设计要求。本发明可将影响测角模糊的因素考虑在阵列设计中，设计方式可靠，具有良好的应用前景。
-
公开(公告)号：CN110532932B
公开(公告)日：2022-12-13
申请号：CN201910787759.1
申请日：2019-08-26
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及深度学习的自动识别算法领域，具体涉及一种多分量雷达信号脉内调制方式识别方法。获取几种不同脉内调制方式的单分量或交叠多分量雷达信号的时频图像；利用图像处理算法，对雷达信号时频图像进行预处理，将雷达信号中包含的信号类型作为标签，制作训练集和测试集；设计基于卷积神经网络的预训练网络提取雷达信号时频图像特征，设计基于强化学习的多分量信号分类网络获取分类识别结果；训练、测试、完善网络结构和参数；实现多分量信号的分类识别。本发明所述的多分量雷达信号识别算法在低信噪比情况下，具有广泛的雷达信号类型适应范围和较高的识别准确率，实现了随机交叠多分量雷达信号的脉内调制方式识别。
-
公开(公告)号：CN114019467A
公开(公告)日：2022-02-08
申请号：CN202111241399.9
申请日：2021-10-25
Applicant: 哈尔滨工程大学
IPC: G01S7/41
Abstract: 本发明属于雷达信号调制方式识别技术领域，具体涉及一种基于MobileNet模型迁移学习的雷达信号识别与定位方法。本发明基于MobileNet模型迁移学习和梯度加权类激活映射，使用深度可分离卷积搭建网络模型，可以有效降低模型参数，提高模型的计算效率；训练过程中通过加载预训练模型进行迁移学习训练，可以提高模型的收敛速度和泛化性能；同时采用梯度加权类别激活映射的方法对网络模型的预测结果进行可视化，提高了深度学习模型的可解释性和透明性。
-
公开(公告)号：CN111079859B
公开(公告)日：2020-12-04
申请号：CN201911407781.5
申请日：2019-12-31
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明提供一种无源多站多目标测向交叉定位与虚假点去除方法，包括如下步骤：步骤一、根据双站测向交叉定位原理，得出两两站点的双站交叉定位结果，给出交叉定位点集合；步骤二、根据真实目标附近交叉定位点密度明显高于虚假点这一特性，利用马氏距离定义椭圆邻域，提取高密度交叉定位点；步骤三、对高密度点集合进行DBSCAN聚类处理，取高密度点数最多的前NT个聚类作为真实目标所在的簇，每一簇的聚类中心即为真实目标位置，NT为目标个数。本发明利用一种高密度点提取方法，在保证目标点定位精度与虚假点去除性能的同时，降低了后续聚类数据处理的计算量。
-
Patent Agency Ranking
公开(公告)号：CN110222307A
公开(公告)日：2019-09-10
申请号：CN201910504034.7
申请日：2019-06-12
Applicant: 哈尔滨工程大学
IPC: G06F17/16
Abstract: 本发明属于阵列信号处理领域，具体涉及基于FPGA的实对称矩阵的特征值分解的并行实现方法。具体实现步骤如下：根据阵元数目构建特征值分解的脉动阵列结构，设定所需的处理单元；对接收的阵元信号进行预处理；求解旋转角度并将其转换为角度值；查表得到对应的正弦值和余弦值；更新矩阵元素和特征向量；判断是否达到要求迭代次数；若未达到，在阵列结构中交换矩阵元素为下次迭代做准备；判断是否需要改变处理单元内部的输入输出顺序；若是，则改变输入输出数据的顺序。本方法通过处理单元之间数据的传递以及处理单元内部的数据顺序的转换，提高了迭代效率而且运算速度快，应用前景广阔。
-
公开(公告)号：CN119716787A
公开(公告)日：2025-03-28
申请号：CN202510048856.4
申请日：2025-01-13
Applicant: 哈尔滨工程大学
Abstract: 一种基于多通道矢量数字波束形成和比幅的信号方位估计方法，它属于数字信号处理技术领域。本发明解决了传统数字波束形成算法无法应用于共形天线阵列测向的问题。本发明具体为：步骤一、布置由共形天线阵元组成的共形天线阵列模型；步骤二、对共形天线阵列模型的接收极化信号进行矢量数字波束形成，形成多个不同指向的波束；步骤三、对步骤二中形成的不同指向波束进行搜索，搜索出最大波束对应的极化参数和入射方向；步骤四、根据步骤三搜索出的极化参数和入射方向来选取三个波束，利用选取出的三个波束进行比幅，得到入射电磁波信号的最终入射角度估计结果。本发明方法可以应用于信号方位估计。
-
公开(公告)号：CN119395627A
公开(公告)日：2025-02-07
申请号：CN202411539541.1
申请日：2024-10-31
Applicant: 哈尔滨工程大学
Abstract: 基于多个线极化天线的相位干涉仪DOA和极化参数联合估计方法，它属于雷达信号处理技术领域。本发明解决了现有方法的解模糊概率低、信号DOA和极化参数估计精度低的问题。本发明采用接收数据协方差矩阵高阶幂的方法进行噪声方差和信号功率估计，降低了复杂度。针对极化失配导致解模糊概率受限的问题，本发明首先采用了长基线解短基线的方法降低了相位差误差，然后利用多基线相位加权解模糊的方法，利用所有基线的相位差和幅度信息进行极化域相位差和空域相位差解耦合，从而提高了解模糊概率，并通过LMMSE方法来降低功率估计误差，提高信号DOA和信号极化参数估计的精度。本发明方法可以应用于相位干涉仪DOA和极化参数的联合估计。
-
公开(公告)号：CN119104981A
公开(公告)日：2024-12-10
申请号：CN202411423823.5
申请日：2024-10-12
Applicant: 哈尔滨工程大学
IPC: G01S3/46
Abstract: 一种基于多个线极化天线的相位干涉仪设计方法，它属于阵列信号处理技术领域。本发明解决了现有极化干涉仪的极化失配、极化参数测量的鲁棒性和精度低的问题。本发明的线极化天线间距设计准则是测向精度和测量相位差误差。线极化天线极化指向角设计准则是接收线极化天线极化参数组成矩阵的超体积。由于本发明的接收线极化天线的极化指向角是多样的，入射信号的极化和接收线极化天线不会都正交，避免了极化失配现象的发生以及极端情况下无法估计DOA参数的问题，同时提升了极化参数测量的鲁棒性和精度，在宽频带范围内能够获得更优越的解模糊性能和DOA估计精度。本发明方法可以应用于相位干涉仪设计。
-
公开(公告)号：CN114021603B
公开(公告)日：2024-05-31
申请号：CN202111241408.4
申请日：2021-10-25
Applicant: 哈尔滨工程大学
IPC: G06F18/24 , G06N3/0464 , G06N3/084
Abstract: 本发明属于雷达信号调制方式识别技术领域，具体涉及一种基于模型重参数化的雷达信号调制方式识别方法。本发明可以将训练过程中的多分支结构等价转换为推理时的单路结构从而提高模型的推理效率，并降低计算成本，同时不影响训练模型的识别精度，适用于计算资源受限的移动或嵌入式平台。本发明采用的多分支结构在训练时可以达到更好的分类效果，可以在提高对雷达信号的识别性能的同时，提高算法的推理效率，便于在嵌入式设备或专用芯片中部署。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.028 seconds)
