-
公开(公告)号：CN111865452A
公开(公告)日：2020-10-30
申请号：CN202010606879.X
申请日：2020-06-29
Applicant: 哈尔滨工程大学
IPC: H04B17/309 , H04L27/26
Abstract: 本发明属于辐射源信号分离技术领域，具体涉及一种基于自适应细菌觅食的单通道盲源分离方法。本发明针对现有的SCBSS方法存在准确性低和无法在未知源数目情况下进行准确分离的问题，将单通道观测信号进行虚实分解得到两路待分解信号，在源信号数目未知的条件下，利用基于信息论准则的MDL-AIC组合数目估计方法和基于GDE的数目估计方法对单通道观测信号进行源数目估计，同时采用自适应细菌觅食算法对VMD的参数进行优化，将VMD所需分解层数、惩罚因子依靠人为确定和重建多路信号所需源数目未知的问题转变为复杂目标函数的求解问题。本发明相较于利用VMD的SCBSS方法可以得到更优的参数，解决了现有SCBSS方法准确性低和需要已知源数目的问题，提升此方法准确性。
-
Patent Agency Ranking
公开(公告)号：CN111079615A
公开(公告)日：2020-04-28
申请号：CN201911258192.5
申请日：2019-12-10
Applicant: 哈尔滨工程大学
Abstract: 本发明属于辐射源信号分离领域，目的在于提供一种基于莱维飞行细菌觅食进化的盲源分离方法：首先，对群智能交互机制参数和种群进行初始化，然后开始迭代和趋向循环，判断是否达到最大趋向次数，若未达到继续进行趋向操作，否则开始复制操作，完成复制操作后开始种群迁徙，完成迁徙后，对种群实施差分进化并进行多样性评估，若子代平均个体间距大于父代，则将子代种群替换父代；最后，判定是否达到最大迭代次数，若未达到则继续迭代，否则将最优参数组合输出至VMD中得到本征模态分量，相关运算后选取相关系数最大且与源信号具有相同数量的分量作为最终源信号。本发明提高了盲源分离的收敛速度及可靠性，增强了盲源分离的实时性及准确性。
-
公开(公告)号：CN111079615B
公开(公告)日：2023-03-31
申请号：CN201911258192.5
申请日：2019-12-10
Applicant: 哈尔滨工程大学
Abstract: 本发明属于辐射源信号分离领域，目的在于提供一种基于莱维飞行细菌觅食进化的盲源分离方法：首先，对群智能交互机制参数和种群进行初始化，然后开始迭代和趋向循环，判断是否达到最大趋向次数，若未达到继续进行趋向操作，否则开始复制操作，完成复制操作后开始种群迁徙，完成迁徙后，对种群实施差分进化并进行多样性评估，若子代平均个体间距大于父代，则将子代种群替换父代；最后，判定是否达到最大迭代次数，若未达到则继续迭代，否则将最优参数组合输出至VMD中得到本征模态分量，相关运算后选取相关系数最大且与源信号具有相同数量的分量作为最终源信号。本发明提高了盲源分离的收敛速度及可靠性，增强了盲源分离的实时性及准确性。
-
公开(公告)号：CN111865452B
公开(公告)日：2022-04-05
申请号：CN202010606879.X
申请日：2020-06-29
Applicant: 哈尔滨工程大学
IPC: H04B17/309 , H04L27/26
Abstract: 本发明属于辐射源信号分离技术领域，具体涉及一种基于自适应细菌觅食的单通道盲源分离方法。本发明针对现有的SCBSS方法存在准确性低和无法在未知源数目情况下进行准确分离的问题，将单通道观测信号进行虚实分解得到两路待分解信号，在源信号数目未知的条件下，利用基于信息论准则的MDL‑AIC组合数目估计方法和基于GDE的数目估计方法对单通道观测信号进行源数目估计，同时采用自适应细菌觅食算法对VMD的参数进行优化，将VMD所需分解层数、惩罚因子依靠人为确定和重建多路信号所需源数目未知的问题转变为复杂目标函数的求解问题。本发明相较于利用VMD的SCBSS方法可以得到更优的参数，解决了现有SCBSS方法准确性低和需要已知源数目的问题，提升此方法准确性。
-
公开(公告)号：CN111767848A
公开(公告)日：2020-10-13
申请号：CN202010606863.9
申请日：2020-06-29
Applicant: 哈尔滨工程大学
Abstract: 本发明属于信息侦测识别技术领域，具体涉及一种基于多域特征融合的辐射源个体识别方法。本发明针对现有辐射源个体识别方法中存在的特征信息不全面，分类器泛化能力弱，专家分析主观性强，辐射源个体识别率低等问题，通过融合时域、时频域和高阶域等多域特征，并设计多层神经网络模型作为分类器进而实现辐射源个体识别。融合多域特征解决了特征信息不全面的问题，采用神经网络模型进行识别分类，避免了识别时依赖辐射源信号调制方式等先验信息和专家系统的主观性较强等问题。同时，神经网络模型提升了系统的泛化能力，得到较好的辐射源个体识别效果。
-
公开(公告)号：CN111767848B
公开(公告)日：2022-04-12
申请号：CN202010606863.9
申请日：2020-06-29
Applicant: 哈尔滨工程大学
Abstract: 本发明属于信息侦测识别技术领域，具体涉及一种基于多域特征融合的辐射源个体识别方法。本发明针对现有辐射源个体识别方法中存在的特征信息不全面，分类器泛化能力弱，专家分析主观性强，辐射源个体识别率低等问题，通过融合时域、时频域和高阶域等多域特征，并设计多层神经网络模型作为分类器进而实现辐射源个体识别。融合多域特征解决了特征信息不全面的问题，采用神经网络模型进行识别分类，避免了识别时依赖辐射源信号调制方式等先验信息和专家系统的主观性较强等问题。同时，神经网络模型提升了系统的泛化能力，得到较好的辐射源个体识别效果。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
