-
公开(公告)号：CN110389361B
公开(公告)日：2021-04-06
申请号：CN201910547979.7
申请日：2019-06-24
Applicant: 东南大学
Abstract: 本发明公开了一种基于GPS/BDS载噪比下降的太阳射电暴检测方法，该方法利用太阳射电暴对GPS/BDS信号载噪比的影响，对太阳射电暴进行检测，依此判断是否发生太阳射电暴。在此过程中，首先计算观测地的太阳高度角并进行数据预处理，接着筛选出“降点”和“升点”用于确定单个观测地单颗卫星的波谷时间区间，最后综合多颗卫星和多个观测地确定太阳射电暴的检测结果。该检测方法不依赖于射电望远镜，识别率高，成本低，能进行全天候实时的监测。
-
公开(公告)号：CN111553393A
公开(公告)日：2020-08-18
申请号：CN202010311617.0
申请日：2020-04-20
Applicant: 东南大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于SVM多分类算法的太阳射电暴强度判定方法，所述SVM多分类算法的基本原理为针对一个多分类问题，将其中每两个类型组合成一个二分类器，对于每个二分类器，找出一个最优超平面，将样本分为两类，最终通过投票统计的方法得到分类结果。在此过程中，首先提取出能反映观测地卫星太阳射电暴强度的数据，进行数据预处理，得到特征向量，并对太阳射电暴强度类型进行标记。接着将样本输入SVM分类器中进行学习，得到最优分类器。当新的特征向量进入分类器时，将自动进行分类。该判定方法能自动判别太阳射电暴强度类型，效率和准确率较高，并且不依赖于射电望远镜，成本低。
-
公开(公告)号：CN111553393B
公开(公告)日：2023-05-19
申请号：CN202010311617.0
申请日：2020-04-20
Applicant: 东南大学
IPC: G06F18/2411 , G06F18/214
Abstract: 本发明公开了一种基于SVM多分类算法的太阳射电暴强度判定方法，所述SVM多分类算法的基本原理为针对一个多分类问题，将其中每两个类型组合成一个二分类器，对于每个二分类器，找出一个最优超平面，将样本分为两类，最终通过投票统计的方法得到分类结果。在此过程中，首先提取出能反映观测地卫星太阳射电暴强度的数据，进行数据预处理，得到特征向量，并对太阳射电暴强度类型进行标记。接着将样本输入SVM分类器中进行学习，得到最优分类器。当新的特征向量进入分类器时，将自动进行分类。该判定方法能自动判别太阳射电暴强度类型，效率和准确率较高，并且不依赖于射电望远镜，成本低。
-
公开(公告)号：CN111428794A
公开(公告)日：2020-07-17
申请号：CN202010227427.0
申请日：2020-03-27
Applicant: 东南大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于支持向量机模型的太阳射电暴检测方法，所述支持向量机是一种二分类模型，能使得离超平面距离最近的样本点到该平面的几何间隔最大化。该方法利用太阳射电暴发生对GPS/BDS信号载噪比、定位误差、几何精度因子、卫星失锁的影响，结合SVM分类算法判断太阳射电暴是否发生。在此过程中，首先输入观测地卫星的载噪比、三个方位的定位误差、几何精度因子、卫星失锁数目，进行数据预处理，得到特征向量，并对太阳射电暴是否发生进行标记。接着将样本输入SVM分类器中进行学习，得到最优分类器。当新的特征向量进入分类器时，将自动进行分类。该判定方法能实现全天候检测，效率高，过程简单，并且不依赖于射电望远镜，成本低。
-
公开(公告)号：CN110389361A
公开(公告)日：2019-10-29
申请号：CN201910547979.7
申请日：2019-06-24
Applicant: 东南大学
Abstract: 本发明公开了一种基于GPS/BDS载噪比下降的太阳射电暴检测方法，该方法利用太阳射电暴对GPS/BDS信号载噪比的影响，对太阳射电暴进行检测，依此判断是否发生太阳射电暴。在此过程中，首先计算观测地的太阳高度角并进行数据预处理，接着筛选出“降点”和“升点”用于确定单个观测地单颗卫星的波谷时间区间，最后综合多颗卫星和多个观测地确定太阳射电暴的检测结果。该检测方法不依赖于射电望远镜，识别率高，成本低，能进行全天候实时的监测。
-
Patent Agency Ranking
公开(公告)号：CN109508730A
公开(公告)日：2019-03-22
申请号：CN201811129953.2
申请日：2018-09-27
Applicant: 东南大学
IPC: G06K9/62
Abstract: 本发明提出了一种基于非线性SVM算法的电离层相位闪烁检测方法，所述方法利用机器学习中的非线性SVM算法，对检测到的信号进行相位闪烁判断，SVM算法目的是通过给定的具有某些特征的样本，寻找一个超平面对样本进行分类，并应用到新样本中。在此过程中，首先将接收到的GPS信号经高通滤波等处理并计算得相位闪烁指数 的最大值和平均值，将其作为学习样本对对应的闪烁事件进行标签，设置标签为1或-1，表示相位闪烁事件发生或未发生，接着将样本输入非线性SVM分类器中进行学习，得到最优分类器，当新的相位闪烁事件特征向量进入SVM分类器时，将对其自动进行分类，该检测方法能同时对大量闪烁事件分类，同时非线性SVM算法的使用提高了分类模型的准确度。
-
公开(公告)号：CN109359523B
公开(公告)日：2021-08-24
申请号：CN201811037642.3
申请日：2018-09-06
Applicant: 东南大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于SVM多分类算法的卫星导航干扰类型识别方法。所述SVM多分类算法是通过给定的具有不同特征的样本，寻找一个超平面对样本进行分类，进一步将该分类模型应用到未知样本类别的新样本中，且所述样本类型为三类或以上。在此过程中，首先将接收到的卫星导航信号经滤波等处理提取出能反映干扰信号特征的量，并将对应干扰类型进行标记。接着将样本输入SVM多分类器中进行学习，得到最优分类器。当新的干扰信号特征向量进入分类器时，将自动进行分类。所述方法能自动识别多类型干扰，且提高了干扰识别的效率和准确度。
-
公开(公告)号：CN109100759B
公开(公告)日：2020-05-05
申请号：CN201810861939.5
申请日：2018-08-01
Applicant: 东南大学
Abstract: 本发明公开了一种结合机器学习的电离层幅度闪烁检测方法，该方法利用机器学习中的SVM算法，对电离层幅度闪烁信号进行检测，依此判断是否发生闪烁事件。在此过程中，首先将接收到的GPS信号经处理并计算得幅度闪烁指数S4的最大值和平均值，将其作为学习样本对对应的闪烁事件进行标记，设置标签为1表示闪烁事件发生，为‑1表示闪烁事件未发生。接着将样本输入SVM分类器中进行学习，得到最优分类器。当新的闪烁事件特征向量进入SVM分类器时，将对其自动进行分类。该检测方法能同时检测大量闪烁事件，提高了检测效率的同时，简化了检测过程并获得了较高且稳定的准确度。
-
公开(公告)号：CN109359523A
公开(公告)日：2019-02-19
申请号：CN201811037642.3
申请日：2018-09-06
Applicant: 东南大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于SVM多分类算法的卫星导航干扰类型识别方法。所述SVM多分类算法是通过给定的具有不同特征的样本，寻找一个超平面对样本进行分类，进一步将该分类模型应用到未知样本类别的新样本中，且所述样本类型为三类或以上。在此过程中，首先将接收到的卫星导航信号经滤波等处理提取出能反映干扰信号特征的量，并将对应干扰类型进行标记。接着将样本输入SVM多分类器中进行学习，得到最优分类器。当新的干扰信号特征向量进入分类器时，将自动进行分类。所述方法能自动识别多类型干扰，且提高了干扰识别的效率和准确度。
-
公开(公告)号：CN109100759A
公开(公告)日：2018-12-28
申请号：CN201810861939.5
申请日：2018-08-01
Applicant: 东南大学
Abstract: 本发明公开了一种结合机器学习的电离层幅度闪烁检测方法，该方法利用机器学习中的SVM算法，对电离层幅度闪烁信号进行检测，依此判断是否发生闪烁事件。在此过程中，首先将接收到的GPS信号经处理并计算得幅度闪烁指数S4的最大值和平均值，将其作为学习样本对对应的闪烁事件进行标记，设置标签为1表示闪烁事件发生，为-1表示闪烁事件未发生。接着将样本输入SVM分类器中进行学习，得到最优分类器。当新的闪烁事件特征向量进入SVM分类器时，将对其自动进行分类。该检测方法能同时检测大量闪烁事件，提高了检测效率的同时，简化了检测过程并获得了较高且稳定的准确度。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.021 seconds)
