-
公开(公告)号：CN115499278B
公开(公告)日：2024-06-04
申请号：CN202211058165.5
申请日：2022-08-30
Applicant: 哈尔滨工程大学
IPC: H04L27/00 , G06N3/0464 , G06N3/08 , G06F18/241
Abstract: 本发明属于数字信号调制技术领域，具体涉及基于轻量级神经网络的MIMO信号调制识别方法。本发明为了解决传统方法识别MIMO系统信号时，出现先验条件限制以及特征识别准确度低、分类器模型复杂等问题，设计了一种轻量级网络，并进而提供了基于轻量级神经网络的MIMO信号调制识别方法。本发明提出的轻量级网络在获得基带信号，无需对信号做额外处理，不依赖先验条件，通过多维度权重卷积在保证特征多维度选择提取的基础上，大幅度减少了卷积过程所需的参数和计算量，并通过注意力模块取代部分卷积过程，从而进一步提升网络训练结果的准确性，在保证MIMO系统信号精确识别的基础上为轻量级网络在工程实践中的应用提供了新的可行性方案。
-
公开(公告)号：CN110940949B
公开(公告)日：2023-04-28
申请号：CN201911266148.9
申请日：2019-12-11
Applicant: 哈尔滨工程大学
IPC: G01S3/00
Abstract: 本发明一种强冲击噪声下基于量子企鹅搜索机制的互质阵列DOA估计方法，获得无穷范数加权信号的分数低阶协方差矩阵；构建扩展分数低阶协方差矩阵和扩展的导向矩阵，构造基于此扩展协方差矩阵的极大似然测向方程；初始化量子企鹅群，初始化量子企鹅的速度和量子位置；计算适应度并降序排列，并选出全局最优量子位置；更新量子企鹅的量子位置；评价量子企鹅位置适应度值，更新全局最优量子位置；判断是否达到最大迭代次数，若未达到，继续迭代；若达到，输出全局最优量子位置，映射后获得最佳波达方向估计值。本发明实现了获得更高的测向精度、更快的运算速度、更好的扩展阵列孔径能力、测相干源能力、抗冲击噪声能力和更广泛的应用环境。
-
公开(公告)号：CN109376329B
公开(公告)日：2022-09-27
申请号：CN201811033518.X
申请日：2018-09-05
Applicant: 哈尔滨工程大学
Abstract: 本发明属于阵列信号处理领域，具体涉及一种基于量子鸟群演化机制的阵列幅相误差的校正方法。包括进行相位误差校正，进行幅度误差校正；利用已知独立信源建立接收数据模型后每次校正的步骤为：初始化量子鸟群；计算每只量子鸟量子位置的适应度，得到每只量子鸟的局部最优量子位置和量子鸟群全局最优量子位置；通过更新每只量子鸟的量子旋转角更新量子位置；计算每只量子鸟量子位置更新后的适应度，更新每只量子鸟局部最优量子位置和量子鸟群全局最优量子位置；判断是否达到最大迭代次数；输出全局最优量子位置并映射为相位或幅相误差矩阵。本发明只需一个已知的辅助信源，算法模型简单，运算量较少，具有收敛速度快，收敛精度高的优点。
-
公开(公告)号：CN109212466B
公开(公告)日：2022-09-02
申请号：CN201811017243.0
申请日：2018-09-01
Applicant: 哈尔滨工程大学
IPC: G01S3/14
Abstract: 本发明提供一种基于量子蜻蜓演化机制的宽带测向方法，通过建立宽带信号采样模型，初始化量子蜻蜓演化参数，计算每只量子蜻蜓的适应度，对量子蜻蜓群体前一半更新领域半径以及邻域量子蜻蜓的相关参数，对后一半更新每只量子蜻蜓的相关参数，计算所有量子蜻蜓位置的适应度值，判断是否达到最大迭代次数，若已经达到，则量子蜻蜓群体全局最优量子位置映射成最优位置，得到宽带波达方向估计所要估计的角度。本发明对宽带信号进行测向，减少了运算量和运算时间，提高了收敛速度和收敛精度，实现高精度测向，可同时对相干源和独立源进行波达方向估计，并且具有优秀的抗噪声性能和较高的估计成功概率，测向性能要优于基于粒子群算法的宽带测向方法。
-
公开(公告)号：CN108828503B
公开(公告)日：2022-08-02
申请号：CN201810589958.7
申请日：2018-06-08
Applicant: 哈尔滨工程大学
IPC: G01S3/12
Abstract: 本发明公开了一种基于量子模因演化机理的波束空间测向方法，属于阵列信号处理领域。主要步骤为:对信号采样数据进行波束空间处理，得到波束空间的极大似然目标方程；初始化量子模因方法的种群；构造并计算适应度，记录优质量子个体；对量子个体进行演化，产生新的量子个体；将用演化后得到的新种群与原种群合并，并选择新种群；对优质量子个体进行局部搜索，寻找优质解；将全局最优量子个体映射到波达方向的角度空间，作为测向结果输出。本发明具有计算量小，稳定性高的优点，且能对相干源进行测向，解决了现有极大似然类测向方法计算量大，系统复杂，而特征分解类测向方法无法对相干信号源进行有效测向这一理论和技术难题。
-
Patent Agency Ranking
公开(公告)号：CN109460056B
公开(公告)日：2021-12-24
申请号：CN201811310155.X
申请日：2018-11-06
Applicant: 哈尔滨工程大学
IPC: G05D1/10
Abstract: 本发明涉及一种基于量子磷虾群演化机制的无人机集群作战博弈决策方法，包括以下步骤：建立无人机协同作战博弈决策模型；初始化量子磷虾群；根据适应度函数计算量子磷虾群中每一只量子磷虾位置的适应度值；更新每只量子磷虾的量子旋转角和量子位置；对量子磷虾群中每只量子磷虾更新后的位置进行适应度计算，通过映射规则得到每只量子磷虾更新后的位置，计算位置的适应度；确定量子磷虾群的全局最优量子位置；循环判断；输出量子磷虾群的全局最优位置，映射为博弈的混合策略组合。本发明结合博弈论对无人机集群作战指挥决策进行分析，通过理性的决策分析使得作战双方都能得到最大的收益，更加符合无人机集群作战的战场环境，有更强的适用性。
-
公开(公告)号：CN108509840B
公开(公告)日：2021-10-01
申请号：CN201810106446.0
申请日：2018-02-02
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于量子记忆优化机制的高光谱遥感图像波段选择方法，首先计算高光谱遥感图像所有波段的相关性向量或者相关性矩阵；对相关性向量或者相关性矩阵的每个元素求其倒数，并分别命名其为独立性向量或者独立性矩阵；依据所有波段的独立性向量或者独立性矩阵设定波段子空间独立性容量阈值，进行波段子空间划分，在每个波段子空间中选择一个波段，或从每个波段子空间内按比例选择波段，确定所选波段子集的维数；然后通过设计模拟人类认知过程的量子记忆优化机制并结合量子旋转门实现对最优波段子集的优化搜寻。本发明不仅适用于多维优化问题，同时也适用于高维优化问题，与已有算法相比分类精度高，运行时间短，更具有工程应用和推广价值。
-
公开(公告)号：CN110007266B
公开(公告)日：2021-05-28
申请号：CN201910324483.3
申请日：2019-04-22
Applicant: 哈尔滨工程大学
IPC: G01S3/14
Abstract: 本发明公开一种冲击噪声下的任意阵列相干源测向方法，包括：建立采样信号模型；构造真实阵列动态随机加权低阶协方差矩阵；定义内插变换矩阵T，构建虚拟阵列协方差矩阵；获得前后向空间平滑修正后的数据协方差矩阵和噪声协方差矩阵，预白化处理得到动态随机加权低阶协方差矩阵；估计信源个数，对动态随机加权协方差矩阵进行特征分解，确定信号子空间和噪声子空间；构建动态随机加权低阶协方差‑空间平滑‑MUSIC测向方法的谱估计公式，进行谱峰搜索，找出极大值点对应的角度，输出任意阵列相干源测向结果。本发明能够对任意阵列的信源来波方向进行有效估计，可在高斯噪声、弱冲击噪声和强冲击噪声下进行测向，解相干性能优，应用范围广泛。
-
公开(公告)号：CN107657098B
公开(公告)日：2021-01-05
申请号：CN201710834252.8
申请日：2017-09-15
Applicant: 哈尔滨工程大学
IPC: G06F30/27 , G06F30/18 , G06N10/00 , G06N3/00 , G06F111/04
Abstract: 本发明提供的是一种基于量子鸡群演化机制的环形天线阵列稀疏方法。1、建立环形天线阵列稀疏模型；2、设置初始参数；3、设计适应度函数；4、计算种群中每只鸡的适应度值，区分鸡的种类并划分子种群；5、6及7分别构建公鸡、母鸡和小鸡的量子矢量旋转角更新公式，更新量子矢量旋转角，更新的量子位置；8、过测量的方式转化为其{0,1}编码位置，计算该{0,1}编码位置的适应度值，并更新每只鸡的个体历史最优解和全局最优解；9：判断是否达到最大迭代次数。该方法具有更快的收敛速度和更高的收敛精度，并在解决环形天线阵列稀疏构建的问题中具有很好的稀疏效果，很大程度的降低了天线阵列系统的复杂度和成本，达到了预期的要求。
-
公开(公告)号：CN108173580B
公开(公告)日：2020-12-29
申请号：CN201810086133.3
申请日：2018-01-29
Applicant: 哈尔滨工程大学
IPC: 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。
-
-
-
-
-
-
-
-
-
Search Results
190
records
(took 0.029 seconds)
