-
公开(公告)号：CN117970233B
公开(公告)日：2024-10-25
申请号：CN202410158426.3
申请日：2024-02-04
Applicant: 哈尔滨工程大学
IPC: G01S3/14 , G06F18/232 , G06F18/2433
Abstract: 本发明提供一种相干分布源的信源数与波达方向联合估计方法及系统，属于阵列信号处理领域。为解决现有方法在信源个数未知以及处于冲击噪声环境下时，利用谱峰搜索，无法同时保证低复杂度和高精准度的问题。本发明将聚类思想与量子优化理论引入吉萨金字塔建造机制中设计多峰量子吉萨金字塔建造机制，利用聚类环节和量子计算理论设计模拟量子旋转门，改进其演进策略，提升机制收敛速度与全局收敛性能；构造基于拉普拉斯核相关熵的低阶协方差矩阵，并通过对角加载技术对协方差矩阵修正，设计基于m‑Capon方法的空间谱函数；最后利用多峰优化机制对空间谱函数进行搜索，实现对信源数和波达方向的联合估计。
-
公开(公告)号：CN118334512B
公开(公告)日：2024-09-13
申请号：CN202410364298.8
申请日：2024-03-28
Applicant: 哈尔滨工程大学
IPC: G06V20/10 , G06V10/82 , G06V10/764 , G06V10/80 , G06N3/0464
Abstract: 本发明公开了基于SSIM及级联深度神经网络的SAR图像目标识别方法及系统。所述方法包括：对SAR图像进行预处理；利用结构相似衡量指标对SAR图像进行粗类别划分；利用卷积层、池化层、全连接层、批归一化层、空洞空间金字塔池化模块及幻想组块构成浅层网络，对SAR图像进行粗分类，利用卷积层和卷积块注意力模块构建级联模块，筛选粗类别特征，并对筛选后的特征进行权重划分；融合筛选并权重划分后的粗类别特征，利用多个幻想组块构建深层网络，对SAR图像进行细分类；将待识别SAR图像输入训练好的目标识别模型，获取目标识别结果。本发明提高了深度网络对SAR图像的识别性能同时改善了由于样本不足造成网络分类性能大幅度下降的问题。
-
公开(公告)号：CN118276604A
公开(公告)日：2024-07-02
申请号：CN202410363847.X
申请日：2024-03-28
Applicant: 哈尔滨工程大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明提供了一种基于豆芫菁群机制的多无人机航迹规划方法及系统，属于无人机规划技术领域。为了解决在面对城市防护和调度任务时，现有无人机航迹规划方法复杂、搜索速度慢、威胁代价大、抗干扰和抗噪声能力差，且受不同威胁时判定不明确的问题。本发明仿生于豆芫菁群在捕食途中遇到外部威胁时分泌斑蝥素对后来群体的警示作用，引入分级制度，并结合威胁因子和弥散因子定义转移概率，平衡了最小威胁代价和最短路径条件下的从起点到终点的最优航迹，保证了在多威胁条件下路径规划的安全性和有效性，使得基于豆芫菁群的无人机集群航迹规划更倾向于综合威胁较小，航行代价较低的路径。
-
公开(公告)号：CN117970233A
公开(公告)日：2024-05-03
申请号：CN202410158426.3
申请日：2024-02-04
Applicant: 哈尔滨工程大学
IPC: G01S3/14 , G06F18/232 , G06F18/2433
Abstract: 本发明提供一种相干分布源的信源数与波达方向联合估计方法及系统，属于阵列信号处理领域。为解决现有方法在信源个数未知以及处于冲击噪声环境下时，利用谱峰搜索，无法同时保证低复杂度和高精准度的问题。本发明将聚类思想与量子优化理论引入吉萨金字塔建造机制中设计多峰量子吉萨金字塔建造机制，利用聚类环节和量子计算理论设计模拟量子旋转门，改进其演进策略，提升机制收敛速度与全局收敛性能；构造基于拉普拉斯核相关熵的低阶协方差矩阵，并通过对角加载技术对协方差矩阵修正，设计基于m‑Capon方法的空间谱函数；最后利用多峰优化机制对空间谱函数进行搜索，实现对信源数和波达方向的联合估计。
-
公开(公告)号：CN116017737A
公开(公告)日：2023-04-25
申请号：CN202211544352.4
申请日：2022-12-04
Applicant: 哈尔滨工程大学
IPC: H04W72/53 , H04W72/0453 , H04W72/044 , H04W52/34 , H04W52/18 , H04W16/14
Abstract: 本发明公开了一种异构网络多目标资源联合分配方法，在Macro‑Femtocell双层异构蜂窝网络环境下，综合考虑频谱效率和相对能耗这两个系统评价指标，构建多目标优化函数，并通过量子政治优化机制快速得到多目标资源联合分配结果，在确保频谱效率的同时又能实现相对能耗的最大化。本发明可以解决实际生活中的多目标资源联合分配问题，所设计的方法性能稳定，可以短时间内求出最优多目标资源联合分配方案，在保证频谱效率的同时又能保证网络相对能耗的最大化，实现绿色通信，节省硬件资源，避免造成资源浪费。
-
Patent Agency Ranking
公开(公告)号：CN113608546A
公开(公告)日：2021-11-05
申请号：CN202110783634.9
申请日：2021-07-12
Applicant: 哈尔滨工程大学
IPC: G05D1/10
Abstract: 本发明提供一种量子海狮机制的无人机群任务分配方法，针对无人机群实际环境中任务分配效能较低的难题，设计了量子海狮机制求取最优任务分配矩阵，以无人机执行任务所获得的价值以及其对应付出的代价设计出效能函数，并利用无人机航程限制、任务限制、弹药限制等约束条件设计出惩罚函数，最终将效能函数与惩罚函数结合得到适应度函数。本发明考虑了设计无人机路径问题，并引入了多种无人机并分别执行多种任务，如侦察机执行侦察和战场评估任务，轰炸机执行攻击目标任务，战斗机执行侦察、攻击目标和战场评估任务。同时，利用量子海狮机制计算最优解，提高无人机群的任务分配效能。
-
公开(公告)号：CN119814218A
公开(公告)日：2025-04-11
申请号：CN202411934157.1
申请日：2024-12-26
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于量子卷尾猴机制的抗干扰决策方法，涉及抗干扰决策技术领域。本发明的技术要点包括：构建抗干扰决策模型，抗干扰决策模型为通信方的信道、编码方式、调制方式和发射功率的组合；基于抗干扰决策模型设置目标函数和约束条件；利用量子卷尾猴机制对目标函数进行优化求解，获取信道、编码方式、调制方式和发射功率的最优组合。其中量子卷尾猴机制有效改善了原始卷尾猴搜索机制在解决高维离散优化问题时因搜索空间过大而导致收敛速度过慢和易陷入局部最优解的问题，突破了原始卷尾猴搜索机制难以处理离散优化和连续优化同时存在的问题，本发明所提出的量子卷尾猴机制在收敛速度、收敛精度和寻找全局最优解方面具有明显优越性。
-
公开(公告)号：CN118334512A
公开(公告)日：2024-07-12
申请号：CN202410364298.8
申请日：2024-03-28
Applicant: 哈尔滨工程大学
IPC: G06V20/10 , G06V10/82 , G06V10/764 , G06V10/80 , G06N3/0464
Abstract: 本发明公开了基于SSIM及级联深度神经网络的SAR图像目标识别方法及系统。所述方法包括：对SAR图像进行预处理；利用结构相似衡量指标对SAR图像进行粗类别划分；利用卷积层、池化层、全连接层、批归一化层、空洞空间金字塔池化模块及幻想组块构成浅层网络，对SAR图像进行粗分类，利用卷积层和卷积块注意力模块构建级联模块，筛选粗类别特征，并对筛选后的特征进行权重划分；融合筛选并权重划分后的粗类别特征，利用多个幻想组块构建深层网络，对SAR图像进行细分类；将待识别SAR图像输入训练好的目标识别模型，获取目标识别结果。本发明提高了深度网络对SAR图像的识别性能同时改善了由于样本不足造成网络分类性能大幅度下降的问题。
-
公开(公告)号：CN117272809A
公开(公告)日：2023-12-22
申请号：CN202311239952.4
申请日：2023-09-25
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种用于测向的非均匀线阵的最优排布方法，包括：基于预设阵列最优排布模型，产生初始的量子粒子的位置、速度和初始局部最优位置；基于预设阵列最优排布模型，构建基于最小间隔准则和最小的最大相对旁瓣电平的第一适应度函数；基于第一适应度函数，获取量子粒子的初始全局最优位置；基于初始局部最优位置和初始全局最优位置，对量子粒子的速度和位置进行更新，获取全局最优位置；基于全局最优位置，获取最优阵列排布结果。本发明设计了一种基于最小间隔准则和最小的最大相对旁瓣电平的最优特殊阵列排布方法，利用离散的量子粒子群对最优阵列排比方式进行寻找，实现了针对特定条件和要求下的最优阵列排布的高精度测向。
-
公开(公告)号：CN114510330B
公开(公告)日：2023-06-02
申请号：CN202210091586.1
申请日：2022-01-26
Applicant: 哈尔滨工程大学
Abstract: 本发明提供基于量子被囊群搜索机制的云计算任务调度方法，包括：根据任务与虚拟机的分配矩阵，构建任务在虚拟机上的执行时间矩阵和执行成本矩阵并构建数学模型；初始化被囊群搜索机制的量子位置并设定参数；计算每只被囊的适应度值，根据每只被囊的适应度值将全部被囊进行排序；根据被囊群搜索机制产生量子旋转角，使用模拟的简化量子旋转门更新被囊的量子位置；应用贪心策略，确定新一代被囊群的量子位置，根据适应度值将全部被囊进行排序；判断是否达到最大迭代次数G，若未达到，令g＝g+1，返回步骤四；若达到，则终止迭代循环，根据最后一代中的最优量子位置的映射位置所对应的任务与虚拟机的分配矩阵得到最终的任务调度策略。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.035 seconds)
