-
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。
-
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：CN112305506B
公开(公告)日：2023-02-14
申请号：CN202011156030.3
申请日：2020-10-26
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于CNN的LPI雷达信号检测方法，使用CNN进行信号检测，将信号检测问题转化成基于CNN的特征提取问题，对截获到的雷达信号脉冲进行采样，将采样后的离散信号的同相分量和正交分量直接输入神经网络，实现在一定误差范围内的高准确率信号检测。本发明对不同SNR下的LPI雷达信号检测具有泛化能力；由于信号带宽、载频等参数的随机性，可以保证测试集具有泛化性，说明对未经训练的信号具有一定的泛化能力，具有良好的应用前景。
-
公开(公告)号：CN112986922B
公开(公告)日：2022-09-16
申请号：CN202110233326.9
申请日：2021-03-03
Applicant: 哈尔滨工程大学
IPC: G01S7/292 , G08B29/26 , H04B17/336
Abstract: 本发明属于电子侦察技术领域，具体涉及一种基于顺序统计滤波和二元检测的被动雷达信号检测方法。本发明通过信道化预处理对大瞬时监测带宽内的低信噪比信号进行一定的降速和信噪比提升后，再结合二元积累检测，在一定低信噪比条件下可以实现快速准确检测。适应了被动雷达领域中侦察系统采样率越来越高的趋势，解决了低信噪比条件下信号检测困难的问题。本发明基于信道内相对稳定的条件下，通过对并行滑动窗口内的参考数据进行顺序统计滤波处理来估计检测门限，且不需要额外的门限补偿，其中并行流水型结构保证了在强噪声下可以快速得出自适应的恒定虚警门限，采用二元积累检测技术可以进一步提高检测和虚警概率，突破了现有检测方法的应用局限。
-
公开(公告)号：CN114488064A
公开(公告)日：2022-05-13
申请号：CN202210092658.4
申请日：2022-01-26
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种距离‑速度联合估计方法，包括接收回波信号并进行下变频和模数转换处理；进行解相干处理，求得前向空间平滑之后的互相关矩阵；利用ESPRIT算法进行第一次粗估计，求得信号距离协方差矩阵和速度协方差矩阵并进行特征值分解并求出逆矩阵；对逆矩阵进行乘法变换得到辅助矩阵组，提取出速度矩阵组和距离矩阵组，得到估算速度‑距离范围空间；根据MUSIC算法进行精测快速估计，构造协方差矩阵；特征值分解，根据协方差矩阵计算出特征值和特征向量；进行谱峰搜索，构造速度和距离矩阵，得到MUSIC伪谱函数最小值，即速度、距离估计值，本发明保证估计精度的同时，拥有更好距离模糊性，降低运算复杂度，节省计算时间。
-
Patent Agency Ranking
公开(公告)号：CN113726350A
公开(公告)日：2021-11-30
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：CN112305506A
公开(公告)日：2021-02-02
申请号：CN202011156030.3
申请日：2020-10-26
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于CNN的LPI雷达信号检测方法，使用CNN进行信号检测，将信号检测问题转化成基于CNN的特征提取问题，对截获到的雷达信号脉冲进行采样，将采样后的离散信号的同相分量和正交分量直接输入神经网络，实现在一定误差范围内的高准确率信号检测。本发明对不同SNR下的LPI雷达信号检测具有泛化能力；由于信号带宽、载频等参数的随机性，可以保证测试集具有泛化性，说明对未经训练的信号具有一定的泛化能力，具有良好的应用前景。
-
公开(公告)号：CN116738209A
公开(公告)日：2023-09-12
申请号：CN202310741437.X
申请日：2023-06-21
Applicant: 哈尔滨工程大学
IPC: G06F18/213 , G06F18/214 , G06N3/04 , G06N3/08
Abstract: 一种基于度量与深度学习的辐射源射频特征提取方法，它属于辐射源射频特征提取技术领域。本发明解决了采用现有方法难以提取到具有良好的稳定性和可分性的RF特征，且提取的RF特征易受IM信息的干扰而失效的问题。本发明方法为：构建建模数据集和理想训练数据集；对构建数据集中的每个RF信号样本进行处理，得到每个RF信号样本对应的处理结果；利用理想训练数据集中RF信号样本的处理结果对搭建的AE网络进行训练；利用建模数据集中RF信号样本的处理结果和训练好的AE网络对FRM网络进行训练；对待检测RF信号进行处理后，将处理结果输入训练好的受信号特征编码器输出约束的FRM网络，得到辐射源射频特征提取结果。本发明可以应用于辐射源射频特征提取。
-
公开(公告)号：CN116736239A
公开(公告)日：2023-09-12
申请号：CN202310711107.6
申请日：2023-06-15
Applicant: 哈尔滨工程大学
Abstract: 一种基于自编码器和DDPG算法的干扰波形设计方法，具体涉及一种基于自编码器和深度确定性策略梯度算法的针对电子战干扰雷达检测环节的认知干扰波形设计方法。为了解决传统干扰波形设计得到的干扰波形降低了电子干扰的作战效果，无法对智能化的认知雷达形成有效干扰的问题。它将高斯白噪声和雷达信号生成干扰信号的过程以干扰信号生成滤波器表示，通过干扰信号和雷达信号通过反卷积操作得到对应的干扰信号生成滤波器的冲激响应，通过自编码器和DDPG算法对干扰信号生成滤波器的冲激响应进行调控，针对干扰有效区间、功率比等进行优化，基于恒虚警检测的实时反馈生成认知干扰波形，使干扰波形能够随着实际环境的变化进行随时优化。属于雷达干扰领域。
-
公开(公告)号：CN114221667B
公开(公告)日：2023-08-18
申请号：CN202111491329.9
申请日：2021-12-08
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种通信系统接收端已知信号消除方法及系统，包括构建接收端接收信号模型为y(t)＝s(t)+d(t)+N(t)；接收信号y(t)依次通过带通滤波器和低噪声放大器，然后与本地载波相乘后通过低通滤波器进行带通滤波，通过ADC进行模数转换，得到接收信号y(n)＝s(n)+d(n)+N(n)；利用y(n)＝s(n)+d(n)+N(n)制作数据集，包括训练集yx(n)和测试集ye(n)；将训练集yx(n)和测试集ye(n)分别与参考信号I(n)进行整合，得到输入训练集hx(n)＝[yx(n)，I(n)]和输入测试集he(n)＝[ye(n)，I(n)]；初始化DNN神经网络参数，利用输入训练集hx(n)＝[yx(n)，I(n)]训练DNN神经网络，保存训练好的模型；将输入测试集he(n)＝[ye(n)，I(n)]送入到训练好的DNN神经网络模型中进行处理，得到输出目标信号s′(n)。本发明对已知干扰信号到达的时间没有要求且可以有效的消除已知干扰信号。
-
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.023 seconds)
