一种强冲击噪声下非相干分布源幅相误差校正和测向方法及系统

    公开(公告)号:CN118191763B

    公开(公告)日:2024-10-29

    申请号:CN202410363701.5

    申请日:2024-03-28

    Abstract: 本发明提供了一种强冲击噪声下非相干分布源幅相误差校正和测向方法及系统,属于阵列信号处理领域。为了解决现有非相干分布源测向方法仅适用于高斯噪声,不适用于冲击噪声及存在幅相误差的情况,会造成性能恶化甚至失效的问题。本发明基于非相干分布源模型,设计了更具鲁棒性的基于量子蒲公英飘移机制的幅相误差校正和测向方法,以及利用加权范数协方差抑制冲击噪声,并利用极大似然方法实现了幅相误差和中心方位角联合估计,最后利用信号协方差矩阵估计角度扩展。本发明在强冲击噪声环境下具有鲁棒性,利用量子蒲公英飘移机制进行高效求解,实现了幅相误差和角度参数的联合最优估计,突破了现有非相干分布源测向方法的应用局限。

    基于豆芫菁群机制的多无人机航迹规划方法及系统

    公开(公告)号:CN118276604B

    公开(公告)日:2024-10-11

    申请号:CN202410363847.X

    申请日:2024-03-28

    Abstract: 本发明提供了一种基于豆芫菁群机制的多无人机航迹规划方法及系统,属于无人机规划技术领域。为了解决在面对城市防护和调度任务时,现有无人机航迹规划方法复杂、搜索速度慢、威胁代价大、抗干扰和抗噪声能力差,且受不同威胁时判定不明确的问题。本发明仿生于豆芫菁群在捕食途中遇到外部威胁时分泌斑蝥素对后来群体的警示作用,引入分级制度,并结合威胁因子和弥散因子定义转移概率,平衡了最小威胁代价和最短路径条件下的从起点到终点的最优航迹,保证了在多威胁条件下路径规划的安全性和有效性,使得基于豆芫菁群的无人机集群航迹规划更倾向于综合威胁较小,航行代价较低的路径。

    一种基于安哥拉兔搜索机制的通信信号调制识别方法及系统

    公开(公告)号:CN119814507A

    公开(公告)日:2025-04-11

    申请号:CN202411934638.2

    申请日:2024-12-26

    Abstract: 本发明公开了一种基于安哥拉兔搜索机制的通信信号调制识别方法及系统,涉及通信信号处理技术领域。本发明的技术要点包括:构建数字调制信号数据集;对数字调制信号数据集中数据进行预处理,获取训练集和测试集;基于训练集和测试集,利用安哥拉兔搜索机制优化求解支持向量机的超参数,超参数包括惩罚因子和高斯核;利用训练集训练具有最优超参数的支持向量机;利用训练好的支持向量机对待测通信信号进行调制识别。本发明解决了支持向量机因超参数选取不当出现的过拟合问题,在通信信号调制识别领域具有识别准确率高,收敛速度快等优点,并在低信噪比下也能获得良好的识别效果,具有更广泛的应用前景和场景,可适用于解决多类工程应用问题。

    一种冲击噪声环境下基于量子斑马机制的多无人机测向方法及系统

    公开(公告)号:CN118226370B

    公开(公告)日:2024-08-09

    申请号:CN202410364523.8

    申请日:2024-03-28

    Abstract: 本发明公开了一种冲击噪声环境下基于量子斑马机制的多无人机测向方法及系统。该方法包括:根据待测信源数目和组阵无人机数目确定待测阵列结构是均匀线阵还是非均匀线阵;建立待测阵列对应的阵列测向模型,基于阵列测向模型推导获取无穷范数加权分数低阶矩阵和导向矢量矩阵;根据无穷范数加权分数低阶矩阵和导向矢量矩阵计算得到方向估计的极大似然函数;将量子机制与斑马优化算法结合,将待测信源的波达方向角估计值作为量子斑马实际位置,量子斑马的量子位置与实际位置经映射函数一一对应,将极大似然函数值作为适应度值,利用改进的斑马优化算法迭代获取最优量子位置,最优量子位置对应的实际位置即为使极大似然函数值最小的估计方向角矢量。

    基于离散沙猫搜索机制的特征选择方法及系统

    公开(公告)号:CN118277757A

    公开(公告)日:2024-07-02

    申请号:CN202410363850.1

    申请日:2024-03-28

    Abstract: 本发明提供了一种基于离散沙猫搜索机制的特征选择方法及系统,属于特征选择方法领域。为了解决现有封装式特征选择方法选择的特征子集精度不够,与后续学习算法结合的分类正确率不高和时间复杂度高的问题。本发明将解决连续优化问题的沙猫群搜索机制进行离散化处理,得到寻优性能优越和更适合解决特征选择问题的离散沙猫群搜索机制,使其具有更高的鲁棒性,采用离散沙猫搜索机制也更适用于特征选择问题,突破了沙猫群搜索机制的应用局限;同时采用BP神经网络作为后续学习算法的分类器,将BP神经网络优越的分类能力与特征选择相结合,极大的提升了所选特征子集的精度,拥有更快的收敛速度、更高的收敛精度和更好的鲁棒性。

    基于SSIM及级联深度神经网络的SAR图像目标识别方法及系统

    公开(公告)号:CN118334512A

    公开(公告)日:2024-07-12

    申请号:CN202410364298.8

    申请日:2024-03-28

    Abstract: 本发明公开了基于SSIM及级联深度神经网络的SAR图像目标识别方法及系统。所述方法包括:对SAR图像进行预处理;利用结构相似衡量指标对SAR图像进行粗类别划分;利用卷积层、池化层、全连接层、批归一化层、空洞空间金字塔池化模块及幻想组块构成浅层网络,对SAR图像进行粗分类,利用卷积层和卷积块注意力模块构建级联模块,筛选粗类别特征,并对筛选后的特征进行权重划分;融合筛选并权重划分后的粗类别特征,利用多个幻想组块构建深层网络,对SAR图像进行细分类;将待识别SAR图像输入训练好的目标识别模型,获取目标识别结果。本发明提高了深度网络对SAR图像的识别性能同时改善了由于样本不足造成网络分类性能大幅度下降的问题。

    基于SSIM及级联深度神经网络的SAR图像目标识别方法及系统

    公开(公告)号:CN118334512B

    公开(公告)日:2024-09-13

    申请号:CN202410364298.8

    申请日:2024-03-28

    Abstract: 本发明公开了基于SSIM及级联深度神经网络的SAR图像目标识别方法及系统。所述方法包括:对SAR图像进行预处理;利用结构相似衡量指标对SAR图像进行粗类别划分;利用卷积层、池化层、全连接层、批归一化层、空洞空间金字塔池化模块及幻想组块构成浅层网络,对SAR图像进行粗分类,利用卷积层和卷积块注意力模块构建级联模块,筛选粗类别特征,并对筛选后的特征进行权重划分;融合筛选并权重划分后的粗类别特征,利用多个幻想组块构建深层网络,对SAR图像进行细分类;将待识别SAR图像输入训练好的目标识别模型,获取目标识别结果。本发明提高了深度网络对SAR图像的识别性能同时改善了由于样本不足造成网络分类性能大幅度下降的问题。

    基于豆芫菁群机制的多无人机航迹规划方法及系统

    公开(公告)号:CN118276604A

    公开(公告)日:2024-07-02

    申请号:CN202410363847.X

    申请日:2024-03-28

    Abstract: 本发明提供了一种基于豆芫菁群机制的多无人机航迹规划方法及系统,属于无人机规划技术领域。为了解决在面对城市防护和调度任务时,现有无人机航迹规划方法复杂、搜索速度慢、威胁代价大、抗干扰和抗噪声能力差,且受不同威胁时判定不明确的问题。本发明仿生于豆芫菁群在捕食途中遇到外部威胁时分泌斑蝥素对后来群体的警示作用,引入分级制度,并结合威胁因子和弥散因子定义转移概率,平衡了最小威胁代价和最短路径条件下的从起点到终点的最优航迹,保证了在多威胁条件下路径规划的安全性和有效性,使得基于豆芫菁群的无人机集群航迹规划更倾向于综合威胁较小,航行代价较低的路径。

Patent Agency Ranking