-
公开(公告)号：CN120014428A
公开(公告)日：2025-05-16
申请号：CN202411892420.5
申请日：2024-12-20
Applicant: 大连海事大学
IPC: G06V20/10 , G06V10/44 , G06V10/54 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明复杂背景SAR船舶图像的生成方法，包括以下步骤：获取SAR船舶图像；获取公开的SAR船舶图像构建数据集；对数据集划分为训练集和测试集；构建用于生成复杂背景SAR船舶图像的SAR船舶图像生成模型；基于训练集数据，对SAR船舶图像生成模型进行训练，得到训练好的SAR船舶图像生成模型；将测试集数据输入到训练好的SAR船舶图像生成模型中，生成复杂背景SAR船舶图像。该方法可以大大节省研究人员进行标签标注的时间，为SAR图像处理任务提供技术支撑。
-
公开(公告)号：CN118962680A
公开(公告)日：2024-11-15
申请号：CN202411257712.1
申请日：2024-09-09
Applicant: 大连海事大学
Abstract: 本发明一种基于环扫SAR的海洋风浪流一体化反演方法，包括以下步骤：基于环扫SAR散射强度正演模型，进行风场反演，得到修正的风场信息和修正后的散射强度的代价函数；将修正后的风场信息输入流场反演模型，进行流场反演，通过多普勒径向速度正演模型，得到多普勒偏移代价函数；将修正后的风场信息输入波浪谱反演模型，进行波浪谱反演，通过环扫SAR图像谱正演模型，基于SAR图像，得到图像谱代价函数；基于修正后的散射强度的代价函数、普勒偏移代价函数和图像谱代价函数构建总体代价函数；基于总体代价函数再次对修正后风场信息进行风场、流场和波浪谱的联合反演，得到总体代价函数的最小值，即最优的流场信息、波浪谱信息和风场信息。
-
公开(公告)号：CN119485428A
公开(公告)日：2025-02-18
申请号：CN202411575713.0
申请日：2024-11-06
Applicant: 大连海事大学
IPC: H04W24/06 , H04W24/02 , H04W72/1268 , H04B17/309 , H04B17/391
Abstract: 本发明提供一种智能超表面赋能的无蜂窝网络误符号率分析方法，包括：建立空间相关瑞利衰落信道下智能超表面赋能的无蜂窝网络模型；基于构建的模型，进行上行链路训练；基于训练的上行链路，进行上行信道数据的传输；根据传输的上行信道数据，设计期望信号和等效噪声的概率密度函数；根据设计的期望信号的概率密度函数，设计M‑PAM、M‑QAM及M‑PSK的SER的解析表达式。本发明通过降低误码率，使通信网络能够在更高的信噪比下稳定传输，提高数据传输的可靠性，低误码率意味着用户在使用过程中遇到的掉线或数据错误情况减少，提升整体用户体验。仿真结果验证了分析的误符号率的可靠性，展示了将智能超表面赋能到无蜂窝网络的优势，为6G的发展部署提供理论依据。
-
公开(公告)号：CN119483661A
公开(公告)日：2025-02-18
申请号：CN202411575712.6
申请日：2024-11-06
Applicant: 大连海事大学
IPC: H04B7/04 , H04B7/0413 , H04W24/06
Abstract: 本发明提供一种RIS辅助无蜂窝大规模MIMO系统性能分析方法，包括：建立空间相关瑞利衰落信道下RIS辅助的无蜂窝大规模MIMO系统模型；基于构建的无蜂窝大规模MIMO系统模型，进行上行链路训练；基于训练的上行链路，进行上行信道数据传输；根据上行信道数据，设计期望信号和来自其他用户的干扰信号的概率密度函数；根据期望信号和来自其他用户的干扰信号的概率密度函数，设计不同用户的单个信干噪比的概率密度函数；基于信干噪比概率密度函数，精确解析中断概率、覆盖概率和遍历容量。本发明通过数值结果验证性能指标的准确性，并展示了将RIS集成到现有无蜂窝大规模MIMO系统中的潜在优势，为RIS辅助无蜂窝大规模MIMO系统在6G场景中的部署提供了理论支持。
-
公开(公告)号：CN117896223A
公开(公告)日：2024-04-16
申请号：CN202410084012.0
申请日：2024-01-19
Applicant: 大连海事大学
IPC: H04L27/00 , G06N3/0464
Abstract: 本发明提供了一种脉冲噪声环境下去中心化联邦学习的无线电调制方式识别方法，涉及认知无线电技术领域，包括如下步骤：获取多个客户端接收的无线电信号，分别提取每个客户端无线电信号的同相/正交数据特征；基于提取后取每个客户端无线电信号的同相/正交数据特征建立并训练多模块去脉冲噪声模型，得到训练后的本地模型；将每个客户端训练后的本地模型，按照一定的连接概率进行信息的交互；将交互后的多个客户端训练后的本地模型进行多轮聚合平均，得到全局最优的模型；使用全局最优的模型识别未知信号的调制方式，以混合数据的测试集作为输入，以调制方式标签作为输出。本发明使用去中心化联邦学习框架提高了多客户端调制识别的信息隐私性。
-
Patent Agency Ranking
公开(公告)号：CN117376068A
公开(公告)日：2024-01-09
申请号：CN202311348498.6
申请日：2023-10-17
Applicant: 大连海事大学
IPC: H04L27/00 , G06F18/213 , G06F18/214 , G06N3/0464
Abstract: 本发明提供一种基于多成分特征提取的小样本信号调制识别方法，包括：建立多成分特征提取深度神经网络模型；训练多成分特征提取深度神经网络模型，得到训练后的多成分特征提取深度神经网络模型；接收无线电信号；训练后的多成分特征提取深度神经网络模型对无线电信号进行调制方式的识别，输出对应的调制类型标签。通过模型中的多成分特征提取模块能够提取信号的同相和正交分量间的信息，极大的提升识别精度。
-
公开(公告)号：CN116614333A
公开(公告)日：2023-08-18
申请号：CN202310700870.9
申请日：2023-06-13
Applicant: 大连海事大学
IPC: H04L27/00
Abstract: 本发明提供了一种基于马尔可夫转换场与深度学习的调制识别方法，涉及认知无线电技术领域，包括如下步骤：S1、接收无线电信号，利用无线电信号的同相/正交数据生成马尔可夫转换场特征；S2、将所述马尔可夫转换场特征降维并重塑，然后与同相/正交数据拼接为混合数据；S3、建立并训练卷积辅助的Transformer模型，得到训练后的Transformer模型；S4、使用训练后的Transformer模型识别未知信号的调制方式，以所述混合数据的测试集作为输入，以调制方式标签作为输出。本发明使用I/Q序列和马尔可夫转移图两种互补的数据作为模型的输入，极大的提升了识别精度。本发明所提卷积辅助Transformer模型能够同时提取数据的局部与全局特征，增强了识别精度。
-
公开(公告)号：CN119575357A
公开(公告)日：2025-03-07
申请号：CN202411618683.7
申请日：2024-11-13
Applicant: 大连海事大学
Abstract: 本发明涉及声纳阵列信号处理技术领域，具体涉及一种恒连续虚拟阵列构建方法、目标方位估计方法及装置。其中恒连续虚拟阵列构建方法包括：获取物理阵列的构建需求信息，所述物理阵列的需求信息包括物理阵元个数或阵列孔径信息；所述物理阵列为互质阵列，具有两个子阵；获取特殊序列对(M,N)，所述特殊序列对由特殊序列空间随机选取，根据特殊序列获取互质阵扩展因子：基于所述扩展因子对互质子阵列进行扩展，从而构建恒连续虚拟阵列。本发明针对互质阵列物理阵元域扩展问题，设定特殊序列对扩展参数，规定同步长的互质子阵列处理因子，最终实现特殊序列对下的恒连续虚拟阵列构建。
-
公开(公告)号：CN119485427A
公开(公告)日：2025-02-18
申请号：CN202411575710.7
申请日：2024-11-06
Applicant: 大连海事大学
IPC: H04W24/06 , H04W24/02 , H04B17/309 , H04B17/391 , H04L27/26
Abstract: 本发明提供一种基于PAM和QAM调制的无蜂窝网络误符号率分析及优化方法，包括：建立基于瑞利衰落信道下的无蜂窝网络模型；基于构建的网络模型，使用最小均方误差法进行信道估计；基于构建的网络模型，使用最大比合并法进行信号检测；基于构建的网络模型，计算用户PAM和QAM两种调制的误符号率；根据计算得到的用户误符号率，构建最小化所有用户中最大误符号率的优化问题，并设计协同控制用户发送功率系数的优化策略。本发明公开的误符号率计算方法可以为研究不同调制方案下无蜂窝网络的可靠性能提供理论指导，并且所设计的优化方法可在较低的计算复杂度下，明显改善表现最差用户的误符号率性能。
-
公开(公告)号：CN118731835A
公开(公告)日：2024-10-01
申请号：CN202410770702.1
申请日：2024-06-14
Applicant: 大连海事大学
IPC: G01S3/14
Abstract: 本发明提供了一种RIS辅助的基于扩展互质阵列的二维DOA估计方法，包括如下步骤：S1：构建基于可重构智能表面辅助的二维DOA估计系统；S2：S1中RIS的行和列分别被视为空间中的y轴和z轴，其第一行和第一列等效为L型均匀线性阵列；S3：构建L型可重构智能表面扩展互质线性阵列的子阵列；S4：不同时刻下构造的子阵列共同组成L型可重构智能表面扩展互质线性阵列；S5：依靠非圆信号的非圆特性，对预处理信号进行共轭扩展得到扩展信号；S6：得到等效和差共阵接收信号；S7：分别得到方位角和俯仰角DOA估计值；S8：完成二维波达方向估计。本发明方法有较高的自由度，提高了DOA估计的性能，并且降低了系统的硬件成本，解决了非视距环境下的信号传输问题。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
