-
公开(公告)号：CN103178921B
公开(公告)日：2016-01-20
申请号：CN201310062597.8
申请日：2013-02-28
Applicant: 大连海事大学
IPC: H04J3/16
Abstract: 本发明属于信息处理技术领域。由AIS协议栈终端设备实现，AIS协议栈终端设备由AIS协议栈核心处理器、外接AIS时隙选择参量输入接口模块和AIS射频收发机模块组成，电源模块为AIS协议栈终端设备提供电源。其中，外接AIS时隙选择参量输入接口模块接收各种电文封装和电文长度的参数数据，以决定和影响时隙选择参数。AIS协议栈核心处理器是本发明的关键，执行本发明所设计的改进型时隙选择模型和算法，并进行AIS电文封装。AIS射频模收发机模块负责建立AIS的VDL（VHF数据链路—VHF Data Link）链路，以与其他AIS终端设备之间进行信息交换。
-
公开(公告)号：CN104049239A
公开(公告)日：2014-09-17
申请号：CN201410234851.2
申请日：2014-05-30
Applicant: 大连海事大学
IPC: G01S5/08
CPC classification number: G01S5/0284
Abstract: 本发明涉及一种基于移动参考点辅助实现船舶自组织定位的方法，由船舶AIS导航定位解算终端设备实现。定位解算终端设备由信号处理模块、参考点选择模块、测量定位模块、推算定位模块和信息融合模块组成。若在指定时间内，船舶接收到的岸站数量小于三个，船舶则启动自组织定位模式。将AIS岸站作为一级定位参考点，AIS船站作为二级移动定位参考点，根据船站位置精度、船站运动速度以及几何精度因子三方面因素自组织选取定位参考点，并设置加权因子。采用三边测量定位方法计算船舶位置，并融合航迹位置推算信息，计算得到高精度的船舶位置数据，完成船舶的自组织定位。本发明无需额外部署新的AIS基站实现船舶的自组织定位。
-
公开(公告)号：CN119723263A
公开(公告)日：2025-03-28
申请号：CN202411763673.2
申请日：2024-12-03
Applicant: 大连海事大学
IPC: G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/09
Abstract: 本发明提供一种基于跨层特征融合和排序损失的单目标跟踪方法，包括：利用孪生网络对模板图像和搜索图像进行特征提取，得到模板特征和搜索特征；利用跨层特征融合模块计算模板特征和搜索特征之间的相关性，得到响应图；将响应图送入分类‑回归子网络，分类分支用于预测每个位置的类别，回归分支用于计算位置的目标边界框；引入排序损失函数，计算损失；使用公开数据集COCO、DET、VID、YouTube‑BB、GOT‑10K训练集和LaSOT训练集对模型进行训练；在公开数据集OTB‑100、UAV123、LaSOT测试集和GOT‑10K测试集上测试模型性能，预测得到目标的边界框。本发明技术方案解决了跟踪器容易被干扰物欺骗以及分类和定位不匹配的问题，提高了预测的成功率和精确度。
-
公开(公告)号：CN118690776A
公开(公告)日：2024-09-24
申请号：CN202410731330.1
申请日：2024-06-06
Applicant: 大连海事大学
Abstract: 本发明提供一种基于蚁群算法的分数阶傅里叶变换最佳阶次搜索方法，具体步骤包括：对蚁群的位置进行初始化；根据初始蚁群位置及其分布，依据目标函数的性质设定每只蚂蚁释放的初始信息素的强度；根据信息素强度，动态搜寻最优解；考虑迭代过程中信息素的蒸发，计算蚂蚁最终的信息素强度；为避免局部最优解，指定具有最高信息素强度的个体作为迭代的优化调整目标方向。本发明使用蚁群算法进行最佳阶次寻优就可以在阶次和轴上同时寻优，不需要遍历二维空间中的所有值。蚁群算法在寻找最大值的过程中步长并不是固定的，而是按照一定的规则进行转移，蚁群算法的精度往往很高实现了在较少计算量的前提下进行高精度阶次搜索。
-
公开(公告)号：CN114742265B
公开(公告)日：2023-07-18
申请号：CN202210225095.1
申请日：2022-03-09
Applicant: 大连海事大学
IPC: G06N3/084 , G06N3/0442 , G06N3/006 , G06N3/048 , G06N20/20
Abstract: 本发明提供一种VHF信号传播路径误差预测方法及系统。方法包括：获取用于神经网络训练的相关数据集；由相关数据集提取第一样本集训练所述BP神经网络；基于混沌策略的PSO算法对BP神经网络的网络权值和阈值进行优化，得到最优的BP神经网络；将所述第一样本集输入SDAE重构后训练LSTM；将训练好的BP神经网络和LSTM神经网络作为基模型组合构建元模型，并对所述元模型进行集成学习，基于训练好的元模型对VHF信号传播路径误差进行预测。本发明能够有效地在复杂海面环境下预测VHF信号传播路径误差，为提高陆基导航系统定位精度提供了实验基础。
-
Patent Agency Ranking
公开(公告)号：CN114978582A
公开(公告)日：2022-08-30
申请号：CN202210376325.4
申请日：2022-04-11
Applicant: 大连海事大学
Abstract: 本发明提供一种基于迭代余弦谱变换的射频指纹识别方法及系统，方法包括：对待识别发射机信号进行功率包络和载波的分离；对功率包络进行一阶求导，在初级瞬态区间内获取瞬态信号；基于瞬态信号的持续长度在瞬态信号的起、止位置处建立浮动区间，建立固定步长设置滑动窗口在浮动区间内滑动，当计算得到的代价函数值小于瞬态信号的代价函数值时，则调整滑动步长，直至寻找到使代价函数值最小的位置，获取最优目标区间；对最优目标区间内的信号依次进行快速傅里叶变换和离散余弦变换后,构建射频指纹特征向量；将射频指纹特征向量输入到支持向量机做设备的身份认证。本申请的认证方法能够利用不同无限设备之间的硬件细微差异对其进行准确的身份认证。
-
公开(公告)号：CN113587954A
公开(公告)日：2021-11-02
申请号：CN202110902672.1
申请日：2021-08-06
Applicant: 大连海事大学
IPC: G01C25/00 , G01C19/5691
Abstract: 本发明提供一种全角半球谐振陀螺阻尼不均匀的补偿控制方法及系统。本发明方法通过拟合计算并且实时补偿，能够有效的抑制阻尼不均匀带来的漂移误差，通过周期积分技术，能从根本上消除拟合补偿后环路中存在的比例因子误差和残留的正余弦误差，克服阻尼不均匀误差会带来强烈的角度依赖性的问题，从而可以提高陀螺的控制精度。本发明系统包括电容驱动与检测模块、AD数据采集模块、乘法相干解调模块、误差参量辨识模块、幅值相位控制回路模块、拟合计算模块、周期积分模块、驱动合成与控制模块以及DAC数模转换模块；本发明的技术方案解决了全角下半球谐振陀螺阻尼不均匀带来的漂移误差的技术问题。
-
公开(公告)号：CN118573537A
公开(公告)日：2024-08-30
申请号：CN202410617445.8
申请日：2024-05-17
Applicant: 大连海事大学
Abstract: 本发明一种基于星座图的射频指纹提取方法，包括以下步骤：获取要识别的多个发射机的OQPSK信号，将多个发射机发射的OQPSK信号分别进行正交解调为基带信号；对多个解调的OQPSK信号进行预处理，从而获得多个稳定的差分星座轨迹图；基于多个稳定的差分星座轨迹图，进行射频指纹特征提取，得到多个射频指纹的特征向量；对特征向量进行识别分类，实现Zigbee设备的身份认证。通过本发明方法，对信号稳态特性进行深入分析，并设计一种基于频偏和相偏补偿获得稳定星座热迹图的方法，并基于核密度估计算法提取热迹图的特征，可以实现将接收到的实际信全部转化为稳定的星座热迹图，直接提取特征，不需要其他先验知识。
-
公开(公告)号：CN118573205A
公开(公告)日：2024-08-30
申请号：CN202410731331.6
申请日：2024-06-06
Applicant: 大连海事大学
Abstract: 本发明提供一种基于压缩感知的参数估计方法，具体步骤包括：建立CS数学模型，并运用分数阶傅里叶变换的逆变换性质构建稀疏矩阵；将线性调频信号通过短时傅里叶变换进行时频分析和改造后，重新构造稀疏矩阵；构造高斯随机观测矩阵；求解稀疏域的系数，并完成信号恢复。本发明结合多径信号在分数域上的参数估计，设计了基于FrFT的压缩感知算法，重点在稀疏矩阵、观测矩阵以及重构算法的设计。
-
公开(公告)号：CN116846495A
公开(公告)日：2023-10-03
申请号：CN202310589636.3
申请日：2023-05-22
Applicant: 大连海事大学
IPC: H04B17/382
Abstract: 本文提出了一种基于协方差检测的频谱感知方法，包括以下步骤：S1:构建多个移动数据信号的协方差检测统计量；S2、把构建的协方差检测统计量和协方差绝对值检测方法的检测统计量作为支持向量机的二维特征向量，训练生成分类器，得到频谱分类模型；S3、将待测信号的二维特征向量输入到频谱分类模型中进行判决，实现对对信道中是否有用户信号进行检测，本发明中的上述方法比经典协方差检测方法在低信噪比下检测性能更好，可靠性更强。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.023 seconds)
