-
公开(公告)号：CN107231214B
公开(公告)日：2020-07-28
申请号：CN201710436096.X
申请日：2017-06-12
Applicant: 哈尔滨工程大学
IPC: H04L1/00 , H04B1/7105 , G06N3/04 , G06N3/08
Abstract: 本发明提供的是一种基于演化混沌量子神经网络的最优多用户检测方法。建立最优多用户检测模型；初始化混沌量子神经网络的初始参数，激活混沌量子神经网络获得近似最优解；初始化量子个体，把第一个量子个体的二进制测量态赋值为混沌量子神经网络的输出值；构造适应度函数，计算适应度；使用模拟的量子旋转门演化量子个体的量子态和获得新的测量态；对于每个量子个体的二进制态，激活演化混沌加扰的量子神经网络演进机制产生一个次优解；计算每个量子个体的适应度函数值，找到全局最优解；输出全局最优解作为多用户检测的最优结果。本发明具有非常优秀的抗多址干扰能力和抗远近效应能力，且应用范围广，能够在短时间内获得最优的检测结果。
-
公开(公告)号：CN107290732B
公开(公告)日：2020-05-22
申请号：CN201710562238.7
申请日：2017-07-11
Applicant: 哈尔滨工程大学
IPC: G01S7/42
Abstract: 本发明提供了一种量子大爆炸的单基地MIMO雷达测向方法。(1)建立收发共置的窄带单基地MIMO雷达系统测向模型；(2)确定量子大爆炸算法中所有量子碎片，将量子碎片均匀分配到两个子集合；(3)计算每个量子碎片的适应度，确定第1个量子碎片集合的初始最优量子位置，第2个量子碎片集合的初始最优解量子质心和均匀解量子质心；(4)更新每个量子碎片的量子位置；(5)将每个量子碎片的量子位置映射到定义区间的位置，并计算适应度值；(6)更新全局最优量子位置；(7)输出全局最优量子位置，并将其映射为位置，位置对应所要估计的波达方向。本发明能够在冲击噪声等复杂环境下实现快速高精度的测向，测向性能优秀。
-
公开(公告)号：CN106658524B
公开(公告)日：2020-02-11
申请号：CN201610859145.6
申请日：2016-09-28
Applicant: 哈尔滨工程大学
IPC: H04W16/14
Abstract: 本发明涉及一种通过基于多目标量子花授粉搜索机制来实现的认知异构网络中基于量子花授粉搜索机制的多目标频谱分配方法。本发明包括：(1)基站中的无线接入网感知模块感知网络信息；(2)网络重构管理模块将频谱资源进行多粒度信道划分；(3)初始化含有P个量子花粉的量子花粉集合；(4)将花粉集合中每个花粉个体映射为频谱分配矩阵进行修正；(5)设置量子花授粉搜索机制中异花授粉和自花授粉的转换概率；(6)把新一代的花粉集合和前一代的花粉集合混合；(7)从Pareto前端解选出合适的花粉并映射为频谱分配矩阵；(8)网络重构管理模块将最优分配矩阵进行分块。本发明解决了多目标频谱分配问题，提高了频谱利用率。
-
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：CN106452625B
公开(公告)日：2019-04-12
申请号：CN201610880914.0
申请日：2016-10-09
Applicant: 哈尔滨工程大学
IPC: H04B17/382
Abstract: 本发明提供的是一种多目标绿色认知无线电系统参数生成方法。建立多目标绿色认知无线电参数设计模型，确定需要优化的多目标问题所对应的适应度函数形式。设计量子多目标多种群共生进化方法，通过量子多目标多种群共生进化方法，对种群中所有量子粒子的量子速度和位置进行更新，并使用非支配位置排序和位置拥挤度计算。使用多目标多种群共生进化方法实现确保可靠性的多目标绿色认知无线电参数设计。根据所得到的最终的非支配位置集，确保可靠性的多目标绿色认知无线电系统根据用户的实际需要选取相应的参数设计方案。本发明的使用范围广泛，能应用在现有绿色认知无线电参数设计方法所不能很好解决的确保可靠性的绿色认知无线电系统。
-
Patent Agency Ranking
公开(公告)号：CN109190978A
公开(公告)日：2019-01-11
申请号：CN201811017379.1
申请日：2018-09-01
Applicant: 哈尔滨工程大学
Abstract: 一种基于量子鸟群演化机制的无人机资源分配方法，属于无人机自主控制领域。本发明方法的步骤为：建立无人机资源分配模型；确定无人机执行任务的种类，初始化量子鸟群；根据适应度函数进行适应度计算，并确定群体的全局最佳位置；通过量子旋转门和量子非门更新量子位置并测量；根据适应度函数进行适应度计算；更新每只量子鸟的局部最佳位置和整个群体的全局最佳位置；判断是否达到最大迭代次数，若达到则输出群体全局最佳位置，并映射为任务资源矩阵。本发明充分考虑到无人机执行不同任务时对资源的需要不同，以较少的时间代价获取资源配置比最优的无人机资源分配方案，同时满足无人机性能要求，得到更加合理的无人机资源分配方案。
-
公开(公告)号：CN109041073A
公开(公告)日：2018-12-18
申请号：CN201811017286.9
申请日：2018-09-01
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及无线传感器网络领域，具体涉及一种自供能无线传感器网络最优节点放置方法。首先建立网络模型，将监测区域建立于二维的栅格之中，构建NP问题模型，最小化集合覆盖问题，然后初始化量子猴群，对于量子猴子，从三种量子演化机制依概率选择一种进行演化更新位置，确定每次迭代中，量子猴子的量子位的量子演进方式，之后更新量子猴群中猴子位置，并判断对应的传感器节点所放位置是否能将所有目标节点覆盖，更新每只量子猴子至今为止的局部最优位置，找到全局最优位置作为下一迭代量子位的共同演进方向，最终当前迭代次数达到预先设定的最大值。本发明能够保证网络的能量中立及目标的覆盖与连接性，同时使得传感器节点放置的数量最小化。
-
公开(公告)号：CN107290732A
公开(公告)日：2017-10-24
申请号：CN201710562238.7
申请日：2017-07-11
Applicant: 哈尔滨工程大学
IPC: G01S7/42
Abstract: 本发明提供了一种量子大爆炸的单基地MIMO雷达测向方法。(1)建立收发共置的窄带单基地MIMO雷达系统测向模型；(2)确定量子大爆炸算法中所有量子碎片，将量子碎片均匀分配到两个子集合；(3)计算每个量子碎片的适应度，确定第1个量子碎片集合的初始最优量子位置，第2个量子碎片集合的初始最优解量子质心和均匀解量子质心；(4)更新每个量子碎片的量子位置；(5)将每个量子碎片的量子位置映射到定义区间的位置，并计算适应度值；(6)更新全局最优量子位置；(7)输出全局最优量子位置，并将其映射为位置，位置对应所要估计的波达方向。本发明能够在冲击噪声等复杂环境下实现快速高精度的测向，测向性能优秀。
-
公开(公告)号：CN106788810A
公开(公告)日：2017-05-31
申请号：CN201611135694.5
申请日：2016-12-12
Applicant: 哈尔滨工程大学
IPC: H04B17/327 , H04B17/336 , H04B17/382
Abstract: 本发明提供的是一种绿色认知无线电的无线能量采集和分配方法。首先，建立绿色认知无线电无线能量采集和分配模型。其次，设计量子灰狼搜索机制，通过量子灰狼搜索方法，对量子灰狼的量子位置进行更新。使用量子灰狼搜索方法实现绿色认知无线电的无线能量采集和分配。然后，根据所得到的全局最优量子位置，并将其映射为位置，作为认知无线电无线能量采集和分配的方案。本发明在满足系统所需吞吐量的条件下，寻求系统的最小能量消耗，通过无线能量传输、采集和分配实现认知无线电系统的自供能，进而无需额外的能源供应给装置，并可以在一定程度上储存能量。
-
公开(公告)号：CN104102791B
公开(公告)日：2017-05-24
申请号：CN201410374447.5
申请日：2014-08-01
Applicant: 哈尔滨工程大学
IPC: G06F17/50
Abstract: 本发明涉及一种基于量子萤火虫搜索机制的天线阵稀疏构建方法:建立天线稀疏阵模型，确定天线阵稀疏对应量子萤火虫搜索机制的关键参数；把量子萤火虫位置带入适应度函数，得到量子萤火虫所在位置的适应度值，确定局部最优位置和量子萤火虫群体中的全局最优位置；更新每只量子萤火虫的荧光素值，更新每只量子萤火虫的学习邻域；更新量子萤火虫量子位置和量子萤火虫位置；更新量子萤火虫动态决策域半径；计算量子萤火虫新位置下的适应度值，重新确定局部最优位置和量子萤火虫群体中的全局最优位置；如果达到最大迭代次数，输出全局最优位置，映射为一种稀疏天线阵的形式。
-
-
-
-
-
-
-
-
-
Search Results
101
records
(took 0.042 seconds)
