-
公开(公告)号：CN106603140B
公开(公告)日：2019-07-16
申请号：CN201611135662.5
申请日：2016-12-12
Applicant: 哈尔滨工程大学
IPC: H04B7/155 , H04B17/391 , H04B17/327 , H04B17/336
Abstract: 本发明提供的是一种无线能量采集认知无线电的最优中继协作传输方法。首先，建立无线能量采集认知无线电的最优中继模型；然后，根据多种群协作量子粒子群搜索方法更新量子粒子的量子位置和速度，进而实现无线能量采集认知无线电的最优中继传输；最后，输出种群的全局最优量子位置，将其映射为全局最优位置，为无线能量采集认知无线的最优信能协同中继传输方案。本发明结合多种群协作量子粒子群搜索机制和认知无线电无线能量采集相关技术，设计了一种无线能量采集认知无线电的最优中继协作传输方法。其能够在满足主用户能量采集和传输的条件下，实现从用户的能量采集和传输。
-
公开(公告)号：CN108985549A
公开(公告)日：2018-12-11
申请号：CN201810545547.8
申请日：2018-05-25
Applicant: 哈尔滨工程大学
IPC: G06Q10/06
Abstract: 本发明公开了基于量子鸽群机制的无人机任务分配方法，属于无人机资源分配领域。步骤为：建立无人机分阶段任务分配模型；确定需要执行的任务，初始化量子鸽群；计算每只量子鸽子的适应度值，选出局部最优位置和全局最优位置；更新量子旋转角矢量，来更新每只量子鸽子的量子速度，得到量子鸽子的位置；对每只量子鸽子进行适应度评价；确定局部最优位置和全局最优位置；判断是否达到最大迭代次数；输出全局最优位置；判断任务分配是否完成；获得任务分配方案。本发明实现了以较少的时间代价获取更高的收敛精度、更快的收敛速度和更合理的任务分配方案，能够有效解决对无人机多约束的要求，得到更加合理的无人机任务分配方案。
-
公开(公告)号：CN108663654A
公开(公告)日：2018-10-16
申请号：CN201810668563.6
申请日：2018-06-26
Applicant: 哈尔滨工程大学
IPC: G01S3/14
Abstract: 本发明公开了一种基于连续量子鸽群的360度全方位动态测向方法，属于阵列信号处理技术领域。实现步骤如下：获取阵列接收的快拍数据，计算阵列信号经模式空间变换后的协方差矩阵；计算适应度值，更新全局最优量子位置；判断是否达到要求迭代次数：若未达到继续迭代；进入地标算子操作，选择适应度值较优的前一半作为当前鸽群并计算当前鸽群的量子位置中心；更新每只鸽子的量子位置及其相应映射态，计算适应度值，更新全局最优量子位置；判断是否达到要求的迭代次数，若未达到继续迭代；否则输出鸽群全局最优位置；更新搜索区间；判断是否达到最大快拍数，输出动态测向结果。本方法搜索速度快，跟踪精度高，可360度全方位动态测向，应用前景广泛。
-
公开(公告)号：CN108549402A
公开(公告)日：2018-09-18
申请号：CN201810224721.9
申请日：2018-03-19
Applicant: 哈尔滨工程大学
IPC: G05D1/10
CPC classification number: G05D1/104
Abstract: 本发明涉及一种基于量子乌鸦群搜索机制的无人机群任务分配方法，包括：建立从多个起点到多个任务的无人机群任务分配模型，包括无人机型号数、起点终点和分配模型；初始化量子乌鸦群；根据适应度函数对每只量子乌鸦进行适应度计算，计算出的适应度函数最小值对应的量子乌鸦的位置存为全局最优食物位置；更新每只量子乌鸦的量子位置和位置；根据适应度函数对每只量子乌鸦进行适应度计算，确定每只量子乌鸦的隐藏的食物位置，同时找到迄今为止的最优食物位置,若达到最大迭代代数则输出全局最优食物位置，映射为任务分配矩阵。本发明解决了离散多约束目标函数求解问题，并设计离散量子乌鸦算法作为演进策略，具有收敛速度快，收敛精度高的优点。
-
公开(公告)号：CN108344968A
公开(公告)日：2018-07-31
申请号：CN201810015222.9
申请日：2018-01-08
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于多峰量子布谷鸟搜索机制的正交传播算子测向方法，本发明包括通过采样数据获得协方差矩阵和传播算子的估计值；初始化参数和量子鸟蛋，并计算映射后鸟蛋的适应度；初始化记忆池；利用莱维飞行更新量子鸟蛋并计算映射后鸟蛋的适应度；利用记忆算子更新记忆池；利用选择算子进行选择；利用重筑新巢更新量子鸟蛋并计算映射后鸟蛋的适应度；利用记忆算子更新记忆池；利用选择算子进行选择；判断是否达到当前阶段迭代次数：若达到则利用净化算子删除相似记忆元素，进入下一阶段；判断是否达到最大迭代次数：若未达到则继续迭代，否则输出记忆池所有量子鸟蛋，映射后为波达方向。本发明具有运算量低、收敛速度快和测向精度高的优点。
-
Patent Agency Ranking
公开(公告)号：CN108173580A
公开(公告)日：2018-06-15
申请号：CN201810086133.3
申请日：2018-01-29
Applicant: 哈尔滨工程大学
IPC: H04B7/0426 , H04B7/0452
CPC classification number: Y02D70/10 , Y02D70/12 , H04B7/0426 , H04B7/0452
Abstract: 本发明公开了一种基于量子社会情感优化的Massive MIMO上行系统功率分配方法，属于5G关键技术领域。本发明通过建立Massive MIMO系统功率分配模型，在初始化量子社会群体及系统参数中输出初始历史最优解，并通过实数化处理量子个体输出初始全局最优解，之后不断更新量子个体，当迭代次数大于预先设定的最大迭代次数时输出全局最优解，经实数化处理得到最佳功率分配方案。本发明充分考虑了在Massive MIMO上行系统中，用户的发送功率不得超过其最大发送功率的限制，同时满足用户最低传输速率和系统最低传输速率等要求，所设计的功率分配方法保证了服务质量，具有搜索速度快、全局搜索能力强的优点，更能满足实际工程的需要，为Massive MIMO上行系统的功率分配提供了一种新方法。
-
公开(公告)号：CN107677988A
公开(公告)日：2018-02-09
申请号：CN201710810481.6
申请日：2017-09-11
Applicant: 哈尔滨工程大学
Abstract: 本发明属于阵列信号处理领域，具体涉及一种基于特殊非均匀线阵的高效压缩感知测向方法。本方法利用特殊非均匀线阵的结构进行阵列扩展，结合无穷范数在冲击噪声环境下对目标进行压缩感知测向，从而获得其最优角度估计值。本方法的适用环境包括冲击噪声、高斯噪声和强冲击噪声，适用于多样、恶劣的测向环境，此外所设计的无穷范数压缩感知测向方法能够对冲击噪声环境下的目标进行高精度测向，同时也可以保证测向的鲁棒性，而且本方法所设计的特殊非均匀线阵在不影响测向性能的同时具有多种天线摆放方法，适用于更苛刻的摆放位置要求，最后本方法大幅度提高了压缩感知测向方法的分辨率和测向精度，具有更广阔的应用范围。
-
公开(公告)号：CN107454604A
公开(公告)日：2017-12-08
申请号：CN201710724612.9
申请日：2017-08-22
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种认知中继网络的量子化学反应优化多中继选择方法。1建立认知系统中继选择模型。2初始化量子分子集合及系统参数。3对集合中所有量子分子的势能进行评价，选择势能最小的量子分子的测量态作为全局最优解。4将量子分子的动能从高到低排序，分别进行分解反应、无效碰撞、合成反应。5对新产生的量子分子的势能进行评价。若新产生的量子分子的势能最小值小于上一代势能最小值，则记为新的全局最优解。6如果迭代次数小于预先设定的最大迭代次数，返回第4步；否则输出全局最优解。本发明均衡考虑认知中继网络在有主用户和无主用户约束条件下，基于量子化学反应机制，选择令系统吞吐量最大化的中继选择方案。
-
公开(公告)号：CN109270485B
公开(公告)日：2023-04-28
申请号：CN201811017339.7
申请日：2018-09-01
Applicant: 哈尔滨工程大学
IPC: G01S3/16
Abstract: 本发明属于阵列信号处理领域，具体涉及一种基于量子细胞膜优化机理的空时测向方法，包括以下步骤：获取信号时域数据、信号快拍采样和对采样数据进行时域延迟；构造极大似然估计的极大似然估计方程，进行量子物质群的初始化，并且构造适应度函数；选取精英量子个体，对精英量子个体进行局部搜索；划分量子个体类型；高浓度脂溶性量子个体自由扩散；高浓度非脂溶性量子个体运动；低浓度量子个体运动；生成新一代的量子物质群；判断是否达到最大迭代次数。本发明设计的基于量子细胞膜优化机理的空时测向方法，解决了极大似然类估计方法计算量大的难题，可快速得到较为精确的信号角度和频率的联合估计结果，易于在工程应用中实时处理。
-
公开(公告)号：CN112954807B
公开(公告)日：2022-11-18
申请号：CN202110116425.9
申请日：2021-01-28
Applicant: 哈尔滨工程大学
IPC: H04W72/08 , H04W72/04 , H04W72/12 , H04B7/0413 , G06N3/00
Abstract: 本发明公开了一种基于网络切片的异构MassiveMIMO系统多元资源配置方法，具体步骤为：S1，建立异构MassiveMIMO系统模型；S2，初始化量子人工藻群落及系统参数，经测量规则，得到量子人工藻群的测量态；S3，计算所有量子人工藻群的适应度，将适应度最大的量子人工藻群的测量态记为全局最优解；S4，根据螺旋运动、进化过程和适应过程的不同演进规则更新量子人工藻群；S6，经测量规则，得到更新的量子人工藻群的测量态，计算更新后的量子人工藻群的适应度，更新全局最优解；S7，迭代次数若小于最大迭代次数，则返回S4，否则输出全局最优解，得到相应的异构MassiveMIMO系统多元资源配置方案。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.036 seconds)
