-
公开(公告)号：CN110046326B
公开(公告)日：2022-09-27
申请号：CN201910349676.4
申请日：2019-04-28
Applicant: 哈尔滨工程大学
Abstract: 本发明公开一种时频DOA估计方法，包括：建立阵列接收的时域数据模型；对时域数据进行快拍采样；对快拍采样数据进行时频分析得到PWVD矩阵；计算时频平均的快拍采样数据PWVD矩阵；构造极大似然方程；初始化量子地雷量子位置；由极大似然方程构造适应度函数；模拟量子地雷爆炸过程获得量子弹片的量子位置；计算量子弹片量子位置映射态的适应度函数值，选择适应度大的优秀量子位置作为放置量子地雷的量子位置，用于引爆下一代的量子地雷，根据所有量子位置的适应度更新全局最优量子位置；达到最大迭代次数后，输出信号方位角最优估计值，本发明能在较短时间内得到较准确的非平稳信号DOA估计结果，并且在信号源为相干源的条件下仍有效。
-
公开(公告)号：CN111065048A
公开(公告)日：2020-04-24
申请号：CN201911265585.9
申请日：2019-12-11
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于量子风驱动机制的多无人机TDOA三维协同定位方法，建立多无人机TDOA三维协同定位估计模型；初始化量子空气质点集合，同时确定三维空间搜索区域，减小搜索范围进而减少计算复杂度；计算每个量子空气质点的适应度值，确定全局最优适应度值和全局最优量子位置，并根据适应度值的大小降序排列量子空气质点集合的量子位置及相应速度；更新每个量子空气质点的速度；更新每个量子空气质点的量子位置；对每个量子空气质点更新后的量子位置计算其适应度值；判断t+1是否达到最大迭代次数Gmax，若达到最大迭代次数，则终止迭代；否则，令t＝t+1继续；执行完毕，得到目标估计值。本发明收敛速度快、三维定位精度高和适应性强。
-
公开(公告)号：CN110233755A
公开(公告)日：2019-09-13
申请号：CN201910475842.5
申请日：2019-06-03
Applicant: 哈尔滨工程大学
IPC: H04L12/24 , H04L12/911 , H04L29/08 , H04W16/14
Abstract: 本发明提供一种物联网中雾计算的计算资源和频谱资源分配方法，包括：建立雾计算系统模型；初始化量子种子群及参数，通过对量子种子进行测量，得到量子种子的位置；计算所有量子种子的适应度值，得到量子种子群全局最优位置并选择量子种子精英位置集；根据量子种子播撒规则，更新种群中所有量子种子的量子位置；对所有更新后的量子种子的量子位置进行测量得到相应的位置，计算每一个量子种子的适应度值，更新全局最优位置和量子种子精英位置集；如果迭代次数小于预先设定的最大迭代次数，返回第四步；否则，终止迭代，输出量子种子群的全局最优位置，得到相应的计算资源和频谱资源分配方案。本发明可以解决物联网中雾计算的网络能量效率优化问题。
-
公开(公告)号：CN111065048B
公开(公告)日：2021-01-12
申请号：CN201911265585.9
申请日：2019-12-11
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于量子风驱动机制的多无人机TDOA三维协同定位方法，建立多无人机TDOA三维协同定位估计模型；初始化量子空气质点集合，同时确定三维空间搜索区域，减小搜索范围进而减少计算复杂度；计算每个量子空气质点的适应度值，确定全局最优适应度值和全局最优量子位置，并根据适应度值的大小降序排列量子空气质点集合的量子位置及相应速度；更新每个量子空气质点的速度；更新每个量子空气质点的量子位置；对每个量子空气质点更新后的量子位置计算其适应度值；判断t+1是否达到最大迭代次数Gmax，若达到最大迭代次数，则终止迭代；否则，令t＝t+1继续；执行完毕，得到目标估计值。本发明收敛速度快、三维定位精度高和适应性强。
-
公开(公告)号：CN110046326A
公开(公告)日：2019-07-23
申请号：CN201910349676.4
申请日：2019-04-28
Applicant: 哈尔滨工程大学
Abstract: 本发明公开一种时频DOA估计方法，包括：建立阵列接收的时域数据模型；对时域数据进行快拍采样；对快拍采样数据进行时频分析得到PWVD矩阵；计算时频平均的快拍采样数据PWVD矩阵；构造极大似然方程；初始化量子地雷量子位置；由极大似然方程构造适应度函数；模拟量子地雷爆炸过程获得量子弹片的量子位置；计算量子弹片量子位置映射态的适应度函数值，选择适应度大的优秀量子位置作为放置量子地雷的量子位置，用于引爆下一代的量子地雷，根据所有量子位置的适应度更新全局最优量子位置；达到最大迭代次数后，输出信号方位角最优估计值，本发明能在较短时间内得到较准确的非平稳信号DOA估计结果，并且在信号源为相干源的条件下仍有效。
-
Patent Agency Ranking
-
公开(公告)号：CN110120926B
公开(公告)日：2022-01-07
申请号：CN201910388349.X
申请日：2019-05-10
Applicant: 哈尔滨工程大学
IPC: H04L27/00
Abstract: 本发明提供一种基于演化BP神经网络的通信信号调制方式识别方法，对获取的到已知不同调制方式的通信信号进行预处理和特征提取，提取结果作为神经网络的输入特征参量。利用复合搜寻模式的猫群演化机制以识别率为目标函数对BP神经网络初始的权值和阈值进行优化，获得最优参数作为之后进行识别的神经网络初始参数，之后利用输入特征参量和最优初始参数对BP神经网络进行训练，得到具有最优系统参数的BP神经网络。获取未知调制方式的通信信号，利用具有最优系统参数的BP神经网络对未知调制方式的通信信号进行识别得到识别结果。该方法与传统BP神经网络进行调制识别相比在相同信噪比下具有更高的识别率，尽可能的避免了训练过程中陷入局部最优解的情况。
-
公开(公告)号：CN110120926A
公开(公告)日：2019-08-13
申请号：CN201910388349.X
申请日：2019-05-10
Applicant: 哈尔滨工程大学
IPC: H04L27/00
Abstract: 本发明提供一种基于演化BP神经网络的通信信号调制方式识别方法，对获取的到已知不同调制方式的通信信号进行预处理和特征提取，提取结果作为神经网络的输入特征参量。利用复合搜寻模式的猫群演化机制以识别率为目标函数对BP神经网络初始的权值和阈值进行优化，获得最优参数作为之后进行识别的神经网络初始参数，之后利用输入特征参量和最优初始参数对BP神经网络进行训练，得到具有最优系统参数的BP神经网络。获取未知调制方式的通信信号，利用具有最优系统参数的BP神经网络对未知调制方式的通信信号进行识别得到识别结果。该方法与传统BP神经网络进行调制识别相比在相同信噪比下具有更高的识别率，尽可能的避免了训练过程中陷入局部最优解的情况。
-
公开(公告)号：CN110940949B
公开(公告)日：2023-04-28
申请号：CN201911266148.9
申请日：2019-12-11
Applicant: 哈尔滨工程大学
IPC: G01S3/00
Abstract: 本发明一种强冲击噪声下基于量子企鹅搜索机制的互质阵列DOA估计方法，获得无穷范数加权信号的分数低阶协方差矩阵；构建扩展分数低阶协方差矩阵和扩展的导向矩阵，构造基于此扩展协方差矩阵的极大似然测向方程；初始化量子企鹅群，初始化量子企鹅的速度和量子位置；计算适应度并降序排列，并选出全局最优量子位置；更新量子企鹅的量子位置；评价量子企鹅位置适应度值，更新全局最优量子位置；判断是否达到最大迭代次数，若未达到，继续迭代；若达到，输出全局最优量子位置，映射后获得最佳波达方向估计值。本发明实现了获得更高的测向精度、更快的运算速度、更好的扩展阵列孔径能力、测相干源能力、抗冲击噪声能力和更广泛的应用环境。
-
公开(公告)号：CN110940949A
公开(公告)日：2020-03-31
申请号：CN201911266148.9
申请日：2019-12-11
Applicant: 哈尔滨工程大学
IPC: G01S3/00
Abstract: 本发明一种强冲击噪声下基于量子企鹅搜索机制的互质阵列DOA估计方法，获得无穷范数加权信号的分数低阶协方差矩阵；构建扩展分数低阶协方差矩阵和扩展的导向矩阵，构造基于此扩展协方差矩阵的极大似然测向方程；初始化量子企鹅群，初始化量子企鹅的速度和量子位置；计算适应度并降序排列，并选出全局最优量子位置；更新量子企鹅的量子位置；评价量子企鹅位置适应度值，更新全局最优量子位置；判断是否达到最大迭代次数，若未达到，继续迭代；若达到，输出全局最优量子位置，映射后获得最佳波达方向估计值。本发明实现了获得更高的测向精度、更快的运算速度、更好的扩展阵列孔径能力、测相干源能力、抗冲击噪声能力和更广泛的应用环境。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.05 seconds)
