-
公开(公告)号：CN119025824A
公开(公告)日：2024-11-26
申请号：CN202411010846.3
申请日：2024-07-26
Applicant: 哈尔滨工程大学
Abstract: 一种基于图结构的多目标中断轨迹补全方法，它涉及一种多目标中断轨迹补全方法。本发明为了解决现有轨迹补全方法未能充分挖掘轨迹特征进行溯源关联和轨迹补全，且模型处理时间较长，算力要求较大的问题。本发明的步骤包括步骤1、构建多目标中断轨迹数据集；步骤2、多目标中断轨迹粗关联；步骤3、基于图结构的多目标中断轨迹细关联；步骤4、基于图结构的多目标中断轨迹补全。本发明属于多目标跟踪技术领域。
-
公开(公告)号：CN117061356A
公开(公告)日：2023-11-14
申请号：CN202310885844.8
申请日：2023-07-19
Applicant: 哈尔滨工程大学
Abstract: 本发明属于通信网络拓扑结构推理技术领域，具体涉及一种面向感知网络的目标通信网络拓扑结构还原方法。本发明包括使用感知网络持续接收目标通信网络辐射的信号；以固定的时间间隔从连续采集的接收信号中提取离散的通信事件；将所有的通信事件建模为改进多维霍克斯过程，整理出似然函数；利用期望最大化算法求解似然函数，从解图结构中提取目标通信网络拓扑结构。本发明将感知网络接收的目标通信网络通信事件建模为统一的模型，能够综合考虑感知网络节点和通信网络节点对通信的影响；输出的是感知网络和目标通信网络综合的图结构表达，比一般的矩阵表现力更丰富，通过期望最大算法多次迭代即可算得最终的感知网络与目标通信网络的图结构。
-
公开(公告)号：CN116566777B
公开(公告)日：2024-03-12
申请号：CN202310504648.1
申请日：2023-05-08
Applicant: 哈尔滨工程大学
IPC: H04L27/00 , H04B1/713 , G06N3/0464 , G06N3/042
Abstract: 本发明提出一种基于图卷积神经网络的跳频信号调制识别方法。所述方法包括以下步骤：步骤1：提取跳频信号的节点特征；步骤2：构建邻接矩阵和边，将跳频信号转换为无向拓扑图；步骤3：根据跳频信号图域转换数据构建图卷积神经网络GCN模型；步骤4：利用训练样本集合训练GCN模型，将测试样本输入训练好的GCN模型中输出识别结果。本发明提出的信号图域转换方法在降低节点和边的数量的基础上，提取多种节点特征，减少了参数和计算量且抗噪声性能好，构建的GCN模型可以获取受信噪比影响较小的空间结构信息，在保证了识别准确率的基础上网络层数少，实时性好。
-
公开(公告)号：CN116680608A
公开(公告)日：2023-09-01
申请号：CN202310505266.0
申请日：2023-05-08
Applicant: 哈尔滨工程大学
IPC: G06F18/241 , G06F18/214 , G06N3/042 , G06N3/084 , H04L27/00
Abstract: 本发明属于通信领域，具体涉及一种基于复数图卷积神经网络的信号调制识别方法。将待识别信号数据集分解为I路与Q路信号；将I路与Q路信号数据利用可视图算法转化为图网络数据，并分成训练集、验证集和测试集；搭建复数图卷积神经分类网络模型；训练复数图卷积神经分类网络模型，并通过验证集调整复数图卷积神经分类网络模型的超参数和对复数图卷积神经分类网络模型的相关能力进行初步评估；将测试集输入至经训练验证后性能表现最好的复数图卷积神经分类网络模型中，输出信号调制方式的分类测试结果，以此来评估复数图卷积神经分类网络模型的性能。本发明旨在解决基于卷积神经网络的信号调制识别方法无法处理非结构化、非欧几里得、不具备平移不变性的信号数据，输入局部维度可变、局部排列无序的多模态数据会导致调制模式识别的结果不理想的问题。
-
Patent Agency Ranking
公开(公告)号：CN116566777A
公开(公告)日：2023-08-08
申请号：CN202310504648.1
申请日：2023-05-08
Applicant: 哈尔滨工程大学
IPC: H04L27/00 , H04B1/713 , G06N3/0464 , G06N3/042
Abstract: 本发明提出一种基于图卷积神经网络的跳频信号调制识别方法。所述方法包括以下步骤：步骤1：提取跳频信号的节点特征；步骤2：构建邻接矩阵和边，将跳频信号转换为无向拓扑图；步骤3：根据跳频信号图域转换数据构建图卷积神经网络GCN模型；步骤4：利用训练样本集合训练GCN模型，将测试样本输入训练好的GCN模型中输出识别结果。本发明提出的信号图域转换方法在降低节点和边的数量的基础上，提取多种节点特征，减少了参数和计算量且抗噪声性能好，构建的GCN模型可以获取受信噪比影响较小的空间结构信息，在保证了识别准确率的基础上网络层数少，实时性好。
-
公开(公告)号：CN118882640A
公开(公告)日：2024-11-01
申请号：CN202410898963.1
申请日：2024-07-05
Applicant: 哈尔滨工程大学
Abstract: 一种基于多传感器融合的机动频率自适应协同定位方法，本发明用于解决现有技术中融合模型容易陷入滤波发散与航迹失真等问题，本发明包括：使用多部传感器持续接收目标位置信息，将接收到的各类信息源航迹统一至CGCS2000地心坐标系下，然后将转换至统一坐标系下的各信息源航迹进行自适应频率滤波，最终利用结合机动频率自适应的增强层级融合算法，将各个信息源的航迹信息进行融合，得到目标的综合航迹。本发明专门用于多传感器接收机动目标位置信息后，通过航迹融合网络整合为精度更高，稳定性更强的综合航迹。融合过程可充分利用各类传感器的优势航段，并且考虑机动目标的各类运动状态。本发明属于多源异构信息融合技术领域。
-
公开(公告)号：CN116680608B
公开(公告)日：2024-10-18
申请号：CN202310505266.0
申请日：2023-05-08
Applicant: 哈尔滨工程大学
IPC: G06F18/241 , G06F18/214 , G06N3/042 , G06N3/084 , H04L27/00
Abstract: 本发明属于通信领域，具体涉及一种基于复数图卷积神经网络的信号调制识别方法。将待识别信号数据集分解为I路与Q路信号；将I路与Q路信号数据利用可视图算法转化为图网络数据，并分成训练集、验证集和测试集；搭建复数图卷积神经分类网络模型；训练复数图卷积神经分类网络模型，并通过验证集调整复数图卷积神经分类网络模型的超参数和对复数图卷积神经分类网络模型的相关能力进行初步评估；将测试集输入至经训练验证后性能表现最好的复数图卷积神经分类网络模型中，输出信号调制方式的分类测试结果，以此来评估复数图卷积神经分类网络模型的性能。本发明旨在解决基于卷积神经网络的信号调制识别方法无法处理非结构化、非欧几里得、不具备平移不变性的信号数据，输入局部维度可变、局部排列无序的多模态数据会导致调制模式识别的结果不理想的问题。
-
公开(公告)号：CN117081932A
公开(公告)日：2023-11-17
申请号：CN202310885839.7
申请日：2023-07-19
Applicant: 哈尔滨工程大学
IPC: H04L41/12 , H04L41/16 , H04W24/02 , G06N3/0464 , G06N3/092
Abstract: 本发明属于通信网络拓扑结构推理技术领域，具体涉及一种面向大规模目标无线通信网络的拓扑结构推理方法。本发明适用于非合作场景，且适用于大规模通信网络，还原大规模通信网络的效率高，能在前期挖掘出大部分的通联关系。本发明以强化学习的方式找出最优的通联关系分析顺序，以图卷积神经网络的方式表示网络还原中复杂的状态‑动作‑奖励‑观测四元组，不影响最高网络还原程度，相比于一般的网络拓扑结构推理方法具有效率高的优势，能够在整个还原过程前期实现大部分目标网络中有通联关系的拓扑结构的还原。
-
公开(公告)号：CN116996389A
公开(公告)日：2023-11-03
申请号：CN202310885841.4
申请日：2023-07-19
Applicant: 哈尔滨工程大学
IPC: H04L41/12 , H04W72/0453 , H04W72/542
Abstract: 本发明属于通信网络拓扑结构推理技术领域，具体涉及一种非合作无线通信网络的拓扑结构跟踪方法。本发明适用于非合作场景，同时适用于时变通信网络，在目标无线通信网络节点信号消失时能快速找到节点新的发送信号频点。本发明中跟踪目标无线通信网络节点采用线性自回归的格兰杰因果分析方法，比采用非线性映射的调制识别及辐射源识别更加简洁高效，用格兰杰因果分析匹配信号相比于调制识别与辐射源识别的方式更不容易受到干扰，以较高效率挖掘变化节点可能存在的新的通联关系。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.023 seconds)
