-
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。
-
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：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：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。
-
Patent Agency Ranking
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：CN119966425A
公开(公告)日：2025-05-09
申请号：CN202510057388.7
申请日：2025-01-14
Applicant: 哈尔滨工程大学
IPC: H04B1/10 , G06N3/0455 , G06N3/0464
Abstract: 本发明属于宽带接收机技术领域，具体涉及一种基于自编码器的宽带信道化方法、程序、设备及存储介质。本发明中全频带编码器由卷积神经网络训练得出，子带解码器是由子带自编码器训练得出，将全频带编码器和子带解码器组合得出本发明的数字信道化自编码器(DCR‑AE)，全频带信号经过全频带编码器处理后提取出近似子带特征，子带特征通过子带解码器处理，得到重构的子带信号；使用堆叠自编码器对无噪的子带I/Q信号进行聚类，利用时频域联合损失函数对自编码器进行约束，提取低维度的潜在子带特征，减少相邻信道的信号泄漏。全频带编码器使用卷积神经网络构造，对带噪全频带信号进行多层级特征融合并拟合子带特征，实现全频带信号到子带特征的映射。
-
公开(公告)号：CN114609598B
公开(公告)日：2024-09-20
申请号：CN202210177716.3
申请日：2022-02-25
Applicant: 哈尔滨工程大学
IPC: G01S7/38
Abstract: 本发明属于电子对抗领域，具体涉及基于图像反演的合成孔径雷达(SAR)场景欺骗干扰方法，包括：步骤一：SAR图像反演预处理，1.1SAR图像干扰场景设定，1.2生成SAR图像反演模板复数据；步骤二：采用CS反演算法反演图像至回波，2.1方位相位反演，2.2距离相位、SRC及一致RCMC反演，2.3补余RCMC反演；步骤三，干扰数据生成。本发明对设定的SAR场景图像进行随机相位补偿预处理之后，采用CS反演算法直接获取欺骗干扰信号。较于传统欺骗干扰，无需经过复杂的信号迭代卷积，能够更加直观的生成干扰图像模板对应的欺骗信号，且可基于此方法在一定程度上通过不同的图像扩展干扰信号数据库，突破了当前SAR欺骗干扰信号生成的局限性。
-
公开(公告)号：CN114254141B
公开(公告)日：2024-08-23
申请号：CN202111563815.7
申请日：2021-12-20
Applicant: 哈尔滨工程大学
IPC: G06F16/51 , G06F16/55 , G06T7/10 , G06V10/75 , G06V10/774 , G06V10/764
Abstract: 本发明属于雷达信号分选技术领域，具体涉及一种基于深度分割的端到端雷达信号分选方法。本发明通过对PDW的处理和深度分割网络的结合实现未知复杂环境下的端到端雷达信号分选，操作简单，无需按照传统的预分选和主分选每一步都预设参数、阈值等信息。本发明能够分选脉间调制类型多变的雷达信号、时域频域交叠严重的PDW，适应复杂环境和未知信号。此外本发明还能够分选出从未训练过且没有先验信息的信号，对于脉冲丢失20％的情况也适用良好。
-
公开(公告)号：CN118194172A
公开(公告)日：2024-06-14
申请号：CN202410291905.2
申请日：2024-03-14
IPC: G06F18/2431 , G06F18/25 , G06F18/2131 , G06N3/045 , G06N3/0464 , H04K3/00
Abstract: 一种基于Mobile‑Former网络的通信干扰信号识别方法，涉及通信领域。本发明是为了解决在复合干扰信号识别时，干扰信号类别数呈指数增长，使网络的训练复杂度增加、提取的特征差异减小、干扰信号识别性能下降的问题。本发明以Mobile‑Former网络为特征提取网络，分别提取信号时频图与频谱图的特征，并搭建了特征融合网络，将提取出的时频图特征与频谱图特征进行融合，获得更丰富的特征，有效提高了在低干噪比下的干扰信号识别性能；并且利用多标签分类方法，实现了单一干扰和复合干扰信号的识别，通过选取合适的阈值对网络的输出向量进行判决，得到最终的识别结果。
-
-
-
-
-
-
-
-
-
Search Results
113
records
(took 0.039 seconds)
