-
公开(公告)号：CN102739272B
公开(公告)日：2014-08-20
申请号：CN201210211483.0
申请日：2012-06-26
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及数字化信号处理领域，具体涉及一种实时性更强、精度更高的基于FPGA实现的信道化接收机子信道实时频谱合成方法。本发明包括如下步骤：（1）数字输入信号转换为16路并行数据；（2）1输出16路IQ信号，采进行16路均匀信道化；（3）计算16路IQ信号的幅度和相位；（4）对16路IQ数据延时；（5）求得的信号瞬时频率，获得信号时间起始阶段所在信道及相邻两个信道；（6）进行时域加窗处理；（7）进行短时快速傅里叶变换单元处理；（8）对三路信号频谱进行合成。本发明采用基于短时快速傅里叶变换处理的FPGA流水线处理方式，可保证在脉冲信号下降沿5us后识别出宽带信号的3dB带宽等时频信息，测频精度为1MHz，提高了信号识别的实时性。
-
公开(公告)号：CN101571588B
公开(公告)日：2011-09-14
申请号：CN200910072274.0
申请日：2009-06-15
Applicant: 哈尔滨工程大学
IPC: G01S7/285
Abstract: 本发明提供的是一种脉冲压缩信号匹配的宽频带数字接收装置。包括高速A/D采样、FPGA、DSP、全局时钟模块、PLL时钟配置模块和AD采样配置模块等，FPGA由LVDS模块、CODE模块、多相滤波模块和FIR滤波器模块构成。数字化接收宽带信号，通过信道化的方式将信号在频域上划分开并且降低了数据率，利用FPGA实现对脉冲压缩信号匹配接收。DSP负责匹配滤波器权系数的计算及动态加载。与模拟方法比较，本装置的设备量和可靠性都明显有利，而且具有较高的灵敏度和动态加载特性。
-
公开(公告)号：CN100554996C
公开(公告)日：2009-10-28
申请号：CN200710072476.6
申请日：2007-07-06
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是警戒雷达主副瓣跟踪装置及其跟踪方法。由天线1～5，伺服平台6，PIN衰减器7～11，高放12～16，混频器17～21，中放22～26，本振组27，数字接收机28，检波器29～33，求和电路34，信号处理器35组成，天线1～5安置在伺服平台6上，天线分别接PIN衰减器7～11的输入，PIN衰减器的输出连接到高频放大器12～16的输入，本振组27受处理器控制，产生与入射信号频率有固定频差的微波信号，与高频放大器输出信号一起输入到混频器17～21，混频器17～21的输出连接至中频放大器22～26的输入，中频放大器22～26的输出连接到数字接收机28和检波器29～33，检波器29～33的输出经过求和电路34与数字接收机28的输出连接至信号处理器35。本发明利用微波前端到达信号和信号处理器对微波前端的控制，将EKF(扩展卡尔曼滤波)算法与导弹控制量接合，实现同时捕获雷达主、副瓣，达到精确打击的目的。
-
公开(公告)号：CN119471578A
公开(公告)日：2025-02-18
申请号：CN202411511102.X
申请日：2024-10-28
Applicant: 哈尔滨工程大学
IPC: G01S7/02 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/0442 , G06N3/08 , G01S7/41
Abstract: 本发明公开了基于时频域特征融合网络多任务学习的雷达信号检测方法及系统，方法包括以下步骤：建立雷达信号数学模型，利用数学模型获取各种类型的雷达信号序列；对雷达信号序列进行处理，得到雷达信号I序列和雷达信号Q序列；对雷达信号I序列和雷达信号Q序列进行标注，并构建训练数据集；构建时频域特征融合网络，利用训练数据集对时频域特征融合网络进行训练，得到信号检测识别模型；获取待检测雷达信号，利用信号检测识别模型完成雷达信号检测。本发明通过对多种雷达信号进行组合建模分析，从信号I/Q的角度，采用时频域特征融合网络提取信号局部特征和全局特征，并且融合频域的特征来降低噪声对信号识别的影响。
-
公开(公告)号：CN115037319B
公开(公告)日：2024-09-03
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：CN114200421B
公开(公告)日：2024-08-23
申请号：CN202111493579.6
申请日：2021-12-08
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种多频段子带信号融合方法，包括：接收N1组多频段子带回波信号和N1组全频带回波信号，将多频段子带回波信号的距离包络作为训练数据集，将全频带回波信号的距离包络作为训练标签集；将训练数据集和训练标签集组成训练样本送入DNN神经网络进行训练，训练完毕后，保存训练好的DNN神经网络模型；将待融合的多频段子带回波信号的距离包络输入训练好的DNN神经网络模型，得到融合后的全频带回波信号的距离包络。本发明可以输入多子带距离包络，直接得到宽带信号距离包络，提高了距离分辨率。通过训练网络，省去传统算法估计信号繁琐步骤，减少了子带预测过程中产生的误差。经过训练的网络可以批量获得更多测试结果，且精度更高。
-
公开(公告)号：CN118468125A
公开(公告)日：2024-08-09
申请号：CN202410601781.3
申请日：2024-05-15
Applicant: 哈尔滨工程大学
IPC: G06F18/2413 , G06F18/10 , G06F18/2431 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/084 , G06N3/0985
Abstract: 一种基于Channel‑DeepIQ的雷达信号智能检测模型构建方法、雷达信号智能检测方法、计算机设备和存储介质。本发明涉及电子侦察领域，具体涉及雷达信号智能检测领域。为了解决现有的信号检测方法在低信噪比条件下检测效果不理想的问题。本发明通过将数字信道化与神经网络技术结合，在维持一定的虚警概率条件下，提高对低信噪比信号的检测性能。数字信道化提高信号信噪比后，针对子信道内信号到达情况，采用分类网络，即与匹配接收机相似结构的卷积核完成对子信道的匹配接收分类；针对脉冲边沿信号，采用跳变点检测网络检测出脉冲边沿，划分信号区域与噪声区域。本发明为更复杂的信号检测任务提供了可能性。
-
公开(公告)号：CN109214975B
公开(公告)日：2023-03-28
申请号：CN201811017222.9
申请日：2018-09-01
Applicant: 哈尔滨工程大学
Abstract: 一种基于二维稀疏信号恢复的二维逐步正交匹配追踪方法，属于信号处理领域。本发明方法包括以下步骤：(1)输入二维观测矩阵下图像的观测量，初始化系数值；(2)迭代计算直至满足收敛条件，每次迭代根据残差变动选取阈值，将满足阈值的多个算子一同运算处理；(3)更新残差，得到原始图像二维矩阵。本发明能够解决目前现有的二维信号恢复方法重构质量差、鲁棒性不佳的问题，在重构时长得到控制的情况下，提高重构效率，改善重构图像的质量，改善鲁棒性，将其应用在计算成像领域可以更高质量的恢复压缩感知采集到的图像。
-
公开(公告)号：CN115842566A
公开(公告)日：2023-03-24
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：CN110888105B
公开(公告)日：2023-03-24
申请号：CN201910952258.4
申请日：2019-10-09
Applicant: 哈尔滨工程大学
IPC: G01S3/14 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F18/241
Abstract: 本发明属于阵列信号处理技术领域，具体涉及降低了各阵元间对采样频率和信道同步依赖的一种基于卷积神经网络和接收信号强度的DOA估计方法。本方法包括以下步骤：1.定义DOA的范围，传感器的数量K和位置，角度空间的分辨率和类别的总数M；2.根据每个传感器接收的RSS值构建K×1的RSS向量；3.将RSS向量归一化至0到1之间；4.根据归一化的RSS向量构建K×K的RSS图像；5.定义网络中的层和参数，生成各类别的训练样本进行模型训练；6.根据训练好的模型进行实际的DOA预测。本发明的DOA方法降低了各阵元间对采样频率和信道同步的依赖，适用于实现相对简单，复杂度较低，定位精度不需要很高的环境。此外，该方法还具有应用于均匀线阵等较一般的DOA场景的潜力。
-
-
-
-
-
-
-
-
-
Search Results
134
records
(took 0.05 seconds)
