-
公开(公告)号：CN118777975B
公开(公告)日：2025-03-07
申请号：CN202410760999.3
申请日：2024-06-13
Applicant: 哈尔滨工程大学
Abstract: 基于天线空域极化特征的极化敏感阵列测向方法，它属于阵列信号处理技术领域。本发明的目的是为解决由于现有方法中的天线和电磁波极化表述不统一以及未考虑接收天线的空域极化特性，导致DOA和空域极化参数估计的误差大的问题。本发明通过极化敏感阵列测向过程中发射天线和接收天线的极化定义、接收天线的旋转以及电磁波的极化状态在统一的全局直角坐标系下进行描述，可以量化描述天线的极化，使得电磁波和天线极化的描述更自然。同时本发明的测向方法还考虑了接收天线的空域极化特性的影响，提高了DOA和空域极化参数估计的精度。本发明方法可以应用于极化敏感阵列测向。
-
公开(公告)号：CN110764063B
公开(公告)日：2024-04-30
申请号：CN201910976041.7
申请日：2019-10-15
Applicant: 哈尔滨工程大学
Abstract: 本发明属于电子对抗技术领域，具体涉及使搜索效果更快更明显的一种基于SDIF与PRI变换法结合的雷达信号分选方法。本方法包括如下步骤：对雷达信号进行预分组；利用SDIF方法对预分选后的雷达分组建立到达时间级差直方图；依据雷达信号模型时域特点快速搜索提取雷达信号；建立一级差直方图快速分析参差信号；判断是否仍有复杂类型雷达信号残留；查询各模块分选结果。本发明的有益效果在于：预分选与主分选结合，将SDIF与PRI变换法结合作为主分选，SDIF部分对复杂雷达电磁环境中常规信号、参差信号、脉间捷变频以及脉组捷变频信号进行快速而有效的分选，PRI变换法部分分选剩余的抖动信号，各部分算法各司其职，承上启下，组合成有效快速的综合分选算法。
-
公开(公告)号：CN113343796A
公开(公告)日：2021-09-03
申请号：CN202110569016.4
申请日：2021-05-25
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习与雷达信号调制识别技术领域，具体涉及一种基于知识蒸馏的雷达信号调制方式识别方法。本发明结合知识蒸馏的思想，利用知识蒸馏的网络压缩方法设计轻量化网络，对设备内存要求低，有利于集成到芯片，部署到终端设备。本发明提出利用两个教师网络完成知识蒸馏训练，将低信噪比情况下时频结构受损严重的雷达信号单独训练第二教师网络，得到软标签作为监督信息，能够提高轻量化网络在低信噪比情况下的识别正确率。本发明所提到的网络都采用的是残差网络，能够提取到时频图像更深层的特征，对多种雷达信号具有良好的适应性。本发明在使识别网络轻量化的同时，能够在较低信噪比下对雷达信号的调制方式有较高的识别正确率。
-
公开(公告)号：CN111431573B
公开(公告)日：2021-01-05
申请号：CN202010253354.2
申请日：2020-04-02
Applicant: 哈尔滨工程大学
IPC: H04B7/06 , H04B7/08 , H04W4/02 , H04W4/021 , H04B7/0404
Abstract: 本发明一种CSI单接入点定位的天线资源配置与阵列设计方法，构建基于到达时间差与到达角的单接入点定位观测方程；给出天线资源分配策略与约束条件；给出不同功能天线位置分布策略与约束条件；给出天线位置分布范围的约束条件；给出天线摆放方向的策略与约束条件；基于定位观测方程与费雪信息矩阵的行列式，构建单接入点天线资源配置与阵列设计的优化目标函数；基于步骤二到步骤五给定的各类策略与约束条件，通过最大化步骤六的目标函数，寻找最优的单接入点定位天线资源配置与天线摆放位置。本发明有效提高天线资源配置效率，保证单接入点定位精度。本发明给出的各种天线资源配置策略与约束条件，能有效降低优化算法的计算复杂度。
-
公开(公告)号：CN111405657B
公开(公告)日：2021-01-05
申请号：CN202010253356.1
申请日：2020-04-02
Applicant: 哈尔滨工程大学
IPC: H04W64/00 , G01S5/10 , H04B17/309
Abstract: 本发明一种基于CSI的到达角与到达时间差单接入点定位方法，步骤一：将单接入点的多天线分成多组：距离较远的天线组用于获取到达时间差定位信息；距离较近的天线组阵列用于获取到达角定位信息；步骤二：扫描获取单接入点每个天线的多个CSI样本；步骤三：计算待定位目标的单接入点不同天线的直达波到达时间差；步骤四：计算待定位目标的单接入点各个天线阵列的直达波到达角；步骤五：建立基于到达时间差与到达角的目标位置约束方程，根据单接入点各天线坐标解算出目标位置。本发明与现有通信协议兼容，能有效降低单接入点定位系统部署的复杂度和成本；同时利用AOA与TDOA信号的互补优势，可以保证精确和可靠的定位结果。
-
Patent Agency Ranking
公开(公告)号：CN108344975A
公开(公告)日：2018-07-31
申请号：CN201810015751.9
申请日：2018-01-08
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种利用梯度下降和夹角余弦的联合簇标定方法，在保证聚类准确率的基础上，通过简化支持向量聚类簇标定阶段的运算结构，大大降低了运算时间。该发明所述的方法先将输入数据映射到高维空间中，求得支持向量点，然后对支持向量的簇标定过程进行改进，提出以支持向量点为初始点，通过梯度下降法寻求局部极值点，即局部聚类中心点，然后通过夹角余弦的方法计算剩余点与当前局部聚类中心的相似度，将剩余点归属到相应的局部聚类中心中去，最后对局部中心点进行合并，从而得出最终的聚类中心，完成雷达信号的分选。本发明所述的梯度下降和夹角余弦簇标定算法不仅可以利用雷达信号分选上，还可以用在其他相邻领域的数据分类上。
-
公开(公告)号：CN112287784B
公开(公告)日：2022-05-31
申请号：CN202011121979.X
申请日：2020-10-20
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于深度卷积神经网络与特征融合的雷达信号分类方法，将雷达信号转换为时频图像；采用图像处理方法对时频图像进行预处理，并分别制作为数据集1和数据集2；利用两个改进的EfficientNet模型分别提取为数据集1和数据集2更有效的特征；设计一种多特征融合模型，充分利用不同特征之间的关系，对提取数据集1和数据集2的特征进行融合；采用Adam算法对网络参数进行优化；利用SoftMax分类器获取分类结果。本发明能更充分提取雷达信号特征，从而提高雷达信号在低信噪比环境下的识别性能，可用于复杂电磁环境下的雷达信号识别等电子对抗中。
-
公开(公告)号：CN113343796B
公开(公告)日：2022-04-05
申请号：CN202110569016.4
申请日：2021-05-25
Applicant: 哈尔滨工程大学
Abstract: 本发明属于深度学习与雷达信号调制识别技术领域，具体涉及一种基于知识蒸馏的雷达信号调制方式识别方法。本发明结合知识蒸馏的思想，利用知识蒸馏的网络压缩方法设计轻量化网络，对设备内存要求低，有利于集成到芯片，部署到终端设备。本发明提出利用两个教师网络完成知识蒸馏训练，将低信噪比情况下时频结构受损严重的雷达信号单独训练第二教师网络，得到软标签作为监督信息，能够提高轻量化网络在低信噪比情况下的识别正确率。本发明所提到的网络都采用的是残差网络，能够提取到时频图像更深层的特征，对多种雷达信号具有良好的适应性。本发明在使识别网络轻量化的同时，能够在较低信噪比下对雷达信号的调制方式有较高的识别正确率。
-
公开(公告)号：CN113376586A
公开(公告)日：2021-09-10
申请号：CN202110618941.1
申请日：2021-06-03
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种双分量雷达信号分类模型构建方法，先采用改进的平滑伪Wigner‑Ville分布(SPWVD)将双分量雷达信号转换为时频图像，制作数据集，包括训练集、验证集和测试集；构建一种基于深度卷积神经网络的双分量雷达信号学习框架，用于提取八类双分量雷达信号特征；设计超参数防止过拟合并对网络模型进行优化；构建一种多类别分类器，用于分类八类随机交叠的双分量雷达信号类别。本发明提出利用深度卷积神经网络提取更有效的双分量雷达信号特征，采用多类别分类器准确和快速的识别双分量雷达信号，可用于复杂电磁环境下的双分量雷达信号识别。
-
公开(公告)号：CN112287784A
公开(公告)日：2021-01-29
申请号：CN202011121979.X
申请日：2020-10-20
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于深度卷积神经网络与特征融合的雷达信号分类方法，将雷达信号转换为时频图像；采用图像处理方法对时频图像进行预处理，并分别制作为数据集1和数据集2；利用两个改进的EfficientNet模型分别提取为数据集1和数据集2更有效的特征；设计一种多特征融合模型，充分利用不同特征之间的关系，对提取数据集1和数据集2的特征进行融合；采用Adam算法对网络参数进行优化；利用SoftMax分类器获取分类结果。本发明能更充分提取雷达信号特征，从而提高雷达信号在低信噪比环境下的识别性能，可用于复杂电磁环境下的雷达信号识别等电子对抗中。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.032 seconds)
