-
公开(公告)号：CN112731309B
公开(公告)日：2022-09-02
申请号：CN202110011684.5
申请日：2021-01-06
Applicant: 哈尔滨工程大学 , 上海无线电设备研究所
Abstract: 本发明属于雷达干扰信号识别技术领域，具体涉及一种基于双线性高效神经网络的有源干扰识别方法。本发明针对现有干扰信号在低干噪比下识别难度大、依靠先验知识的问题，设计了更智能化的干扰识别方法。本发明通过对多种干扰信号进行建模分析，从信号时频图像的角度，采用双线性高效神经网络进行识别，在低干噪比下依然能获得很高的准确率。仿真实验证明了双线性高效神经网络用来识别干扰信号的有效性，相对于人工提取特征的传统方式，精度更高、更为简便。本发明无需干扰信号特征的先验知识，在低干噪比下具有一定的鲁棒性，突破了现有的雷达有源干扰识别方法的应用局限。
-
公开(公告)号：CN116243249A
公开(公告)日：2023-06-09
申请号：CN202310218280.2
申请日：2023-03-09
Applicant: 哈尔滨工程大学 , 上海无线电设备研究所
Abstract: 本发明提供一种基于深度强化学习的雷达智能干扰抑制决策方法，通过将深度学习网络与强化学习算法相结合，使得智能体雷达能够在一定底噪环境中与干扰机所释放的干扰信号不断进行博弈操作从而学习并优化干扰抑制策略；通过对抑制前后的回波信号进行脉压操作以验证抑制后恢复效果。此发明避免了人工判决在速度和准确性方面的不足，优化了传统强化学习算法需要Q‑Table进行成果存储调用的策略效果，提高了决策系统在干扰判决特征和干扰抑制动作方面的可拓展性。
-
公开(公告)号：CN119511213A
公开(公告)日：2025-02-25
申请号：CN202411517850.9
申请日：2024-10-29
Applicant: 哈尔滨工程大学 , 上海无线电设备研究所
IPC: G01S7/36 , G06F18/10 , G06F18/213 , G06F18/241 , G06N3/0464 , G06N3/045
Abstract: 基于卷积注意力机制和排斥损失的Yolov8网络的雷达有源复合干扰信号识别与参数测量方法，本发明为了解决现有的干扰信号识别方法工作模式单一、鲁棒性差的问题，将干扰识别问题转换目标检测问题，并应用目标检测框架来检测、识别和测量干扰信号的参数，并引入了CBAM注意力机制，增强网络对图像的特征提取能力，提高识别率。此外，还引入了排斥损失函数，在干扰信号时频图像重叠较多时也能保持良好的回归预测效果。本文网络在低干噪比下对大多数信号有良好的检测识别性能。本发明属于雷达干扰信号检测与识别技术领域。
-
公开(公告)号：CN116243248A
公开(公告)日：2023-06-09
申请号：CN202310218279.X
申请日：2023-03-09
Applicant: 哈尔滨工程大学 , 上海无线电设备研究所
Abstract: 本发明提供一种基于多标签分类网络的多分量干扰信号识别方法，将一维干扰信号经过时频变换转换成时频图像，利用MobileViT‑v2模块的全局特征提取能力对多分量干扰信号进行高效分类识别。此发明解决了当前多类别分类网络对训练集中未曾出现的信号组合无法识别的问题，对训练样本数的要求较低，突破了现有的雷达有源干扰识别方法的应用局限。
-
公开(公告)号：CN119398102A
公开(公告)日：2025-02-07
申请号：CN202411520948.X
申请日：2024-10-29
Applicant: 哈尔滨工程大学 , 上海无线电设备研究所
Abstract: 本发明公开一种雷达干扰决策方法和装置、系统、存储介质，包括：步骤S1、根据雷达‑干扰机对抗环境，得到雷达工作模式转换与干扰机释放干扰信号间的潜在联系；步骤S2、将当前雷达工作模式对应的威胁等级作为环境状态参数输入到基于自适应贪婪调节和优先双重经验回放的竞争双重深度Q网络决策结构中进行价值评估、经验录入、经验抽取和参数更新操作，得到雷达干扰决策结果。采用本发明的技术方案，解决传统强化学习算法存在策略收敛效果较差和经验存储方式不足的问题。
-
Patent Agency Ranking
公开(公告)号：CN112731309A
公开(公告)日：2021-04-30
申请号：CN202110011684.5
申请日：2021-01-06
Applicant: 哈尔滨工程大学 , 上海无线电设备研究所
Abstract: 本发明属于雷达干扰信号识别技术领域，具体涉及一种基于双线性高效神经网络的有源干扰识别方法。本发明针对现有干扰信号在低干噪比下识别难度大、依靠先验知识的问题，设计了更智能化的干扰识别方法。本发明通过对多种干扰信号进行建模分析，从信号时频图像的角度，采用双线性高效神经网络进行识别，在低干噪比下依然能获得很高的准确率。仿真实验证明了双线性高效神经网络用来识别干扰信号的有效性，相对于人工提取特征的传统方式，精度更高、更为简便。本发明无需干扰信号特征的先验知识，在低干噪比下具有一定的鲁棒性，突破了现有的雷达有源干扰识别方法的应用局限。
-
公开(公告)号：CN119789144A
公开(公告)日：2025-04-08
申请号：CN202411961184.8
申请日：2024-12-30
Applicant: 哈尔滨工程大学 , 上海无线电设备研究所
IPC: H04W28/02 , H04W28/06 , H04W72/044 , H04W72/541 , G06N3/006 , G06N3/092
Abstract: 本发明公开了一种基于多智能体强化学习的多域联合干扰资源分配方法及系统，其中方法步骤包括：基于多干扰机协同干扰任务，构建多对多对抗环境模型；基于多对多对抗环境模型，定义多干扰机联合状态空间；基于多对多对抗环境模型，设计多干扰机联合动作空间；基于多干扰机联合状态空间和多干扰机联合动作空间，构造多域信息联合表征的全局奖励函数；基于全局奖励函数，进行最优策略学习；多智能体系统根据学习到的最优策略做出决策。本发明通过采用值分解网络算法，并设计多干扰机联合状态空间、多干扰机联合动作空间和全局奖励函数，实现了对我方多干扰机的干扰波束分配和干扰功率大小的动态调整，从而能够提高对敌方雷达系统的干扰效率和灵活性。
-
公开(公告)号：CN117784025A
公开(公告)日：2024-03-29
申请号：CN202311868524.8
申请日：2023-12-29
Applicant: 哈尔滨工程大学
IPC: G01S7/02
Abstract: 一种基于脉冲压缩的雷达干扰特征提取系统，它属于电子侦察领域。本发明解决了在复杂的干扰环境下，仅依靠时频域的有限特征获得的干扰识别效果差的问题。本发明的系统可以实时、高效地计算雷达接收信号在脉压域的脉压后信号峰均比、匹配脉冲密集度、匹配脉冲的到达时间以及脉压后脉冲宽度的高辨识度特征参数，为后续的干扰识别提供了更多的参考信息，将本发明提取的特征参数与时频域特征进行结合，可以有效提高干扰识别效果。本发明方法可以应用于雷达干扰特征提取领域。
-
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：CN114839613A
公开(公告)日：2022-08-02
申请号：CN202210178955.0
申请日：2022-02-25
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种零训练样本下未知信号识别方法：数据采集及处理；构建深度卷积自编码器DCAEIM；采用加入恒等映射的深度卷积自编码器的基础上，引入类内‑类间损失函数，利用深度学习网络自动提取语义属性特征，引入类内‑类间损失函数；使用预处理好的训练数据集训练DCAEIM网络；将预处理好的测试数据集送入训练好的DCAEIM网络，得到输入测试样本的语义属性特征；利用距离度量算法对信号进行分类。本发明无需人工定义信号语义属性特征，而且模型在分类的过程中具有自进化的能力，突破了现有的未知雷达信号识别的局限性。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.037 seconds)
