-
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：CN114942415B
公开(公告)日：2024-10-25
申请号：CN202210541063.2
申请日：2022-05-17
Applicant: 哈尔滨工程大学
IPC: G01S7/41
Abstract: 本发明公开了一种基于自编码器的多频段子带信号融合方法，将深度神经网络用于信号融合，在发射端发射多子带线性调频信号，在接收端对接收的多子带回波信号进行去斜处理得到多子带距离包络，将全频带包络作为训练数据输入全频带自编码器，得到全频带解码器与全频带编码；再将多子带距离包络和全频带编码分别作为训练数据与标签送入DNN训练，得到多子带编码器；最后将多子带编码器与全频带解码器组合为自编码器，这样就可以将任意一组多子带距离包络输入自编码器，即可得到全频带的距离包络，提升信号的利用率，提高距离分辨率。
-
公开(公告)号：CN118112521A
公开(公告)日：2024-05-31
申请号：CN202410214897.1
申请日：2024-02-27
Applicant: 哈尔滨工程大学
Abstract: 一种雷达信号多模态预分选方法，它涉及一种多模态预分选方法。本发明的目的在于从大量交错的雷达脉冲序列中快速的识别出每个脉冲所属的雷达类型，降低脉冲丢失对分选结果的影响。本发明将相同雷达类型的脉冲聚集到一类，使辐射源脉冲TOA序列的误差比率降低，信噪比提高，降低了交叠脉冲序列的复杂程度，最终提高分选的准确率。本发明属于雷达信号处理技术领域。
-
公开(公告)号：CN116776143A
公开(公告)日：2023-09-19
申请号：CN202310398886.9
申请日：2023-04-14
Applicant: 哈尔滨工程大学
IPC: G06F18/214 , G06F18/24 , G06F18/25 , G06N3/0455 , G06N3/088
Abstract: 本发明公开了一种雷达辐射源的射频特征提取方法，获取待提取特征的射频信号并进行预处理，分别输入至预先训练的用于特征提取的网络1和网络2，网络1和网络2均为堆栈自编码器网络、且均包含相同层数的多层编解码器，网络2最后一层编码器输出提取的射频特征；训练过程包括理想射频信号数据集和建模射频信号数据集分别输入网络1和网络2均进行分层预训练和全局训练至训练完毕，得到训练后的网络1和网络2。本发明能够在以信号特征为约束的情况下，分割开辐射源信号的信号特征和射频特征，使得提取的射频特征更完整，并可将提取的射频特征用于辐射源个体识别、干扰抑制等对射频特征准确性要求较高的应用领域。
-
公开(公告)号：CN115842566B
公开(公告)日：2023-09-15
申请号：CN202211506619.0
申请日：2022-11-28
Applicant: 哈尔滨工程大学
IPC: H04B1/525 , G06N3/0464 , G06N3/0442 , G06N3/08 , G01S7/38 , G01S7/36
Abstract: 一种基于CNN‑Bi‑LSTM的干扰机自干扰数字对消方法，涉及电子侦察与干扰领域。本发明是为了解决目前的自干扰对消方法没有考虑时间记忆维度以外的非线性特征，进而导致其应用于干扰机自干扰对消中效果不佳的问题。本发明具体为：获取干扰机发射的参考信号和接收到的信号，将参考信号输入到自干扰估计网络中获得估计的自干扰，再将干扰机接收到的信号与估计的自干扰相减完成自干扰对消，获得自干扰对消后的信号；本发明提出的自干扰估计网络额外加入了记忆项对应的高阶非线性项，再结合Bi‑LSTM网络对记忆项进行时间依赖关系的前后双向拟合，提升了对于时间记忆维度以外的非线性特征的拟合效果。本发明用于干扰机自干扰的对消。
-
Patent Agency Ranking
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：CN113325375B
公开(公告)日：2022-12-13
申请号：CN202110569844.8
申请日：2021-05-25
Applicant: 哈尔滨工程大学
IPC: G01S7/38
Abstract: 本发明提供一种基于深度神经网络的自适应对消方法，1)定义接收天线接收的信号模型，包括发射信号功率Pf，功率放大器非线性失真函数G[·]以及载波中心频率fc；2)定义非线性功率放大器的模型；3)将目标信号进行非线性建模，使用大量数据对DNN网络进行训练；4)把原参考信号通过训练好的网络后生成的信号作为新参考信号输入自适应滤波器；5)对比自适应滤波器对消前后的信号。本发明利用大量训练先验信息模拟雷达干扰机功率放大器的非线性特性，解决干扰问题，这种方法直接估计信号的幅度，用大量的数据来减少算法步骤。
-
公开(公告)号：CN113726350B
公开(公告)日：2022-11-01
申请号：CN202110908254.3
申请日：2021-08-09
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于深度神经网络的强相关自干扰对消方法，将DNN神经网络引入到收发同时系统强相关自干扰对消系统中，采用DNN神经网络拟合自适应对消系统模型，替代传统的自适应滤波算法，提出了基于DNN的强相关自干扰对消方法。该方法摒弃了传统的自适应算法，通过训练好的DNN网络模型，该系统模型可以实现对强相关自干扰信号的有效消除，从而可以更准确的从强相关自干扰信号中恢复出目标信号。
-
公开(公告)号：CN109887050B
公开(公告)日：2022-11-01
申请号：CN201910140928.2
申请日：2019-02-26
Applicant: 哈尔滨工程大学
Abstract: 本发明公开一种基于自适应字典学习的编码孔径光谱成像方法，解决在以往编码孔径光谱成像过程中利用传统方法构造的冗余字典不能对目标图像进行有效稀疏表示，导致光谱图像重构质量差的问题。本发明根据测量值进行自适应学习得到冗余字典，用于提高重构光谱图像质量。其实现包括首先将原有编码孔径光谱成像框架进行变换，采用一种重叠分块测量方式；再利用最小二乘法估计出众多光谱图像块，构造训练样本集，利用该样本集自适应训练学习得到新的冗余字典；将新的字典带入到成像框架中重构出目标光谱图像；最后循环迭代上述过程，直到求出最优解。本发明构造的冗余字典能够与目标图像相适应，在编码孔径光谱成像中光谱图像重构质量得到较大提高。
-
公开(公告)号：CN115037319A
公开(公告)日：2022-09-09
申请号：CN202210293249.0
申请日：2022-03-23
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种侦察、干扰、探测、通信射频一体化集成装置，本发明侦察、干扰、探测、通信一体化设备采用八个共形天线，可以对0.4GHz～4GHz频段内的辐射源信号进行被动探测；通过另外一组八个共形天线，可以对4GHz～18GHz频段内的辐射源信号进行电子侦察与干扰；利用4GHz～18GHz频段内的共形天线，可以将通信模式集成到整体设备上，与干扰模式共用一个链路，可通过程序控制进行切换，即可实现将通信模式集成到一体化设备。
-
-
-
-
-
-
-
-
-
Search Results
134
records
(took 0.038 seconds)
