“潘玉剑”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果33个，建议您升级VIP下载更多相关专利

[发明专利]一种基于改进混合基线的任意阵列干涉仪测向方法-CN202011578489.2有效
发明人： 潘玉剑;崔世豪;胡星宇 -专利权人：杭州电子科技大学
申请日： 2020-12-28 - 公布日： 2023-10-20 - 主分类号： G01S3/14 文献下载
摘要：本发明一种基于改进混合基线的任意阵列干涉仪测向方法。包括在任意阵列上建立坐标系；从阵列中选择多个基线对并计算各基线测量相位差的模糊数范围；以模糊数范围为界，生成方向函数组，并删除其中绝对值大于1的数，再对剩余的进行归一化得到改进方向函数；对改进方向函数组进行聚类分析，选出聚类程度最高的用于估计来波方向。与现有技术相比，提出的干涉仪测向方法对任意阵列有效。本发明提出的改进混合基线法一方面基线对的选择非常灵活，可以任意选择等长和不等长基线，对基线的斜率也没有要求，从而可充分利用阵列基线；另一方面采用了归一化手段对用于聚类的方向函数进行了改进，两者结合有助于提高解干涉仪相位模糊的成功概率。
一种基于改进混合基线任意阵列干涉仪测向方法

[发明专利]基于深度学习的二维角度依赖误差下的一维线阵测向方法-CN202010903250.1有效
发明人： 潘玉剑;姚敏;高晓欣;王锋 -专利权人：杭州电子科技大学
申请日： 2020-09-01 - 公布日： 2023-09-22 - 主分类号： G01S13/62 文献下载
摘要：本发明公开了基于深度学习的二维角度依赖误差下的一维线阵测向方法。该方法基于深度学习擅长近似复杂非线性函数的特点，通过机器学习解决二维角度依赖型阵列误差校准问题。为了能够同时处理阵列误差的方位角依赖和俯仰角依赖，进行二维采集数据，即在不同的俯仰角下采集不同的方位阵列导向矢量。采用局部阵列流型插值对测量数据进行扩充，以减小深度学习模型过拟合风险；在最低信噪比的数据上进行深度学习使其适应带噪信号。本发明用于提高二维角度依赖型阵列误差的一维线阵测向的精度，减小残余阵列误差，同时校正了阵列误差对方位角和俯仰角的依赖，使得测向方法能在不同俯仰角上仍有好的性能。
基于深度学习二维角度依赖误差一维线阵测向方法

[发明专利]一种分离度增强的混合极化信号波达方向快速估计方法-CN202310729774.7在审
发明人： 潘玉剑;杨阿锋;刘晴 -专利权人：杭州电子科技大学
申请日： 2023-06-19 - 公布日： 2023-09-15 - 主分类号： G01S3/08 文献下载
摘要：本发明涉及一种分离度增强的混合极化信号波达方向快速估计方法，包括以下步骤：多极化阵列布阵；多极化阵列输出建模；部分极化信号波达方向快速估计；低精度完全极化信号波达方向剔除；斜投影矩阵初始化；基于斜投影迭代的完全极化信号波达方向估计。本发明的优势在于，首先，本发明方法消除了完全极化信号泄露的影响，并利用迭代计算提升了斜投影矩阵的精度，使得完全极化信号和部分极化信号的分离度得到增强；其次，本发明方法充分利用了混合极化信号的特征，使得其具有高的波达方向估计精度；最后，本发明方法无需进行空域搜索，因此具有算法执行速度快的特点。
一种分离增强混合极化信号方向快速估计方法

[发明专利]一种混合极化条件下的阵列构型及多目标测向方法-CN202310728141.4在审
发明人：杨阿锋;潘玉剑;刘晴 -专利权人：杭州电子科技大学
申请日： 2023-06-19 - 公布日： 2023-09-15 - 主分类号： G01S3/08 文献下载
摘要：本发明涉及一种混合极化条件下的阵列构型及多目标测向方法，包括以下步骤：非共位多极化阵列构型；非共位多极化阵列输出建模；子阵协方差矩阵求和的特征分解；基于子阵协方差矩阵求和特征值的信号源数估计；无需网格搜索的多目标测向。本发明的优势在于，首先，本发明提出的阵列构型中，不同极化形式的天线的相位中心不同且间距较大，因而可消除不同极化形式的天线间的互耦，有助于提高天线性能和测向精度；提出的测向方法适用于混合极化情形，只需对所有信号进行统一处理，有助于节省计算耗时；提出的测向方法无需进行网格搜索和复杂的最优化求解，进一步减小了计算复杂度。
一种混合极化条件下阵列构型多目标测向方法

[发明专利]集成了本振泄露补偿网络的毫米波双平衡混频器-CN201911177221.5有效
发明人：朱舫;罗国清;范奎奎;潘玉剑;廖臻 -专利权人：杭州电子科技大学
申请日： 2019-11-26 - 公布日： 2023-04-14 - 主分类号： H03D7/16 文献下载
摘要：本发明公开了一种集成了新型本振泄露补偿网络的毫米波双平衡混频器，其包括本振端变压器、二极管环、射频端变压器、本振匹配网络、射频匹配网络、中频匹配及滤波网络、新型本振泄露补偿网络、高频旁路电容；所述二级管环包括四个相同的二极管，新型本振泄露补偿网络包括包括两个相同的电阻、两个相同的电容和一段传输线。通过改变新型本振泄露补偿网络中电阻的大小和传输线的长度可以有效抵消混频器中固有的本振泄露分量，提升混频器本振到射频端口的隔离度；通过将传输线蜿蜒布线可以减小其占用芯片的面积；此外，新型本振泄露补偿网络的引入对混频器的变频增益几乎没有影响。
集成泄露补偿网络毫米波平衡混频器

[发明专利]兼具高隔离度和稳定输入匹配的毫米波开关键控调制器-CN201911184151.6有效
发明人：朱舫;罗国清;游彬;洪慧;潘玉剑 -专利权人：杭州电子科技大学
申请日： 2019-11-27 - 公布日： 2023-04-11 - 主分类号： H03K19/003 文献下载
摘要：本发明公开了一种兼具高隔离度和稳定输入匹配的毫米波开关键控调制器，其包括共源级电路、变压器、改进型层叠共栅级开关电路，改进型层叠共栅级开关电路在传统型层叠共栅级开关电路的基础上加入了串联电感、下层开关晶体管、上层开关晶体管，通过优化串联电感的感值、下层开关晶体管和上层开关晶体管的栅宽，不仅能在不影响电路增益的情况下提升电路的开/关隔离度，还能显著减小电路在开/关状态下的输入阻抗变化；此外，共源级电路和改进型层叠共栅级开关电路之间通过变压器进行耦合，实现小尺寸、低电压和高增益，也进一步减小改进型层叠共栅级开关电路在开/关状态下的输入阻抗变化对调制器的输入匹配的影响，实现更加稳定的输入匹配。
兼具隔离稳定输入匹配毫米波开关键控调制器

[发明专利]一种基于中心共轭零化的快速高精度阵列互耦自校正方法-CN202211525491.2在审
发明人： 潘玉剑;杨阿锋;徐欣;刘晴;韦杜娟 -专利权人：杭州电子科技大学
申请日： 2022-11-30 - 公布日： 2023-03-21 - 主分类号： G06F18/213 文献下载
摘要：本发明涉及一种基于中心共轭零化的快速高精度阵列互耦自校正方法，用于提高阵列的互耦校正精度和提高算法执行速度。本发明方法首先进行阵列布阵及互耦存在时的信号建模，然后基于奇异值分解进行数据维度压缩，再基于中心共轭零化建立优化问题，并基于实数SQP优化方法求解该优化问题，最后估计波达方向和阵列互耦。本发明方法通过赋予零化滤波器中心共轭的性质，从而让滤波器的零点位于单位圆上，使得所建模型与阵列信号处理模型相符，可提高互耦校正精度；其次，本发明方法无需进行二次迭代计算，因而可提高算法执行速度。
一种基于中心共轭快速高精度阵列校正方法

[发明专利]一种基于深度学习的非理想非均匀阵列单快拍测向方法-CN202211515822.4在审
发明人： 潘玉剑;赵泽为;徐欣;杨阿锋;刘晴 -专利权人：杭州电子科技大学
申请日： 2022-11-30 - 公布日： 2023-03-07 - 主分类号： G06F18/10 文献下载
摘要：本发明涉及一种基于深度学习的非理想非均匀阵列单快拍测向方法，包括暗室采集数据并获取阵列导向矢量；计算阵列输出的协方差矩阵以及深度学习标签；生成深度学习网络训练数据集；设计深度学习网络架构与损失函数并训练网络；利用训练好的深度学习网络重构托普利兹协方差矩阵；利用重构的托普利兹协方差矩阵估计目标数以及信号波达方向。相对于传统处理方法，由于在网络训练过程中保持了协方差矩阵的托普利兹性，使得本发明方法能过获得高精度的测向性能。另外，本发明通过神经网络模型重构均匀线阵的协方差矩阵，同时完成了去噪、秩恢复、阵列插值和阵列校准功能，降低了后续常规阵列信号信号处理的难度。
一种基于深度学习理想均匀阵列单快拍测向方法

[发明专利]基于深度学习重构协方差矩阵的互质阵波达方向估计方法-CN202210661582.2在审
发明人： 潘玉剑;胡星宇;徐欣;杨阿锋;刘晴 -专利权人：杭州电子科技大学
申请日： 2022-06-10 - 公布日： 2022-08-09 - 主分类号： G01S3/14 文献下载
摘要：本发明公开了一种基于深度学习重构协方差矩阵的互质阵波达方向估计方法。本发明方法步骤为：互质阵列布阵；互质阵列输出建模；深度学习标签的协方差矩阵建模；生成深度学习网络训练数据集；设计深度学习网络架构及构建半正定协方差矩阵；设置损失函数并训练深度学习网络；利用深度学习网络重构半正定协方差矩阵，并估计信号源数；利用重构的半正定协方差矩阵估计信号波达方向。使用本发明方法充分利用了深度学习强大的拟合能力，通过深度学习网络模型的输出直接重构均匀线阵的协方差矩阵，等效实现了虚拟阵列孔洞的插值问题。对应的波达方向估计性能相对于传统信号处理方法得到提升，估计的均方根误差更加接近克拉美罗理论下限。
基于深度学习协方差矩阵互质阵波达方向估计方法

[发明专利]一种混合Massive MIMO上行信道估计方法-CN202110620060.3有效
发明人： 潘玉剑;王锋 -专利权人：杭州电子科技大学
申请日： 2021-06-03 - 公布日： 2022-05-13 - 主分类号： H04B7/0452 文献下载
摘要：本发明公开了一种混合Massive MIMO上行信道估计方法。传统方法处理该问题时存在较多局限性，如无法单快拍估计等。本发明方法首先设置混合Massive MIMO结构，并对信道建模；用户端发送导频信号，基站天线阵列接收数据，得到采样信号；用户端不发送导频信号，基站天线阵列接收噪声信号；设计基于重构Hankel矩阵的优化问题，求解得到信道的估计值。本发明方法只需单快拍数据即可进行信道估计，并且无需估计信道的路径数，同时可以避免传统压缩感知方法的基不匹配问题和信号频率间隔限制。本发明方法在基站天线阵元接收数据时，获取了基站接收机的噪声参数，使得模型具有去噪能力，提高了信道估计的准确性。
一种混合 massive mimo 上行信道估计方法

[发明专利]基于深度学习的无网格波达方向估计方法-CN202111614257.2在审
发明人： 潘玉剑;胡星宇 -专利权人：杭州电子科技大学
申请日： 2021-12-27 - 公布日： 2022-04-05 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于深度学习的无网格波达方向估计方法。本发明方法步骤为：建立阵列输出模型；生成神经网络训练数据集；神经网络架构设计及构建半正定协方差矩阵；设置损失函数并训练神经网络；利用神经网络重构半正定协方差矩阵，并估计信号源数；利用重构的半正定协方差矩阵估计信号波达方向。本发明方法中用于波达方向估计的协方差矩阵是由辅助矩阵构造，相比直接用网络输出构造协方差矩阵的方法，保证了构造的协方差矩阵的半正定性。该半正定性更加符合一般的阵列信号处理模型。本发明方法对用于网络训练的损失函数进行了白化处理，减少了损失函数中误差向量中元素之间的相关性，从而可提高基于神经网络的算法的性能。
基于深度学习网格方向估计方法

[发明专利]基于非共位非均匀极化阵的部分极化信号多参数估计方法-CN202111614259.1在审
发明人： 潘玉剑;崔世豪 -专利权人：杭州电子科技大学
申请日： 2021-12-27 - 公布日： 2022-04-05 - 主分类号： G01S3/14 文献下载
摘要：本发明公开了一种基于非共位非均匀极化阵的部分极化信号多参数估计方法。本发明方法实现步骤是：布置非共位非均匀极化阵列；构建部分极化信号接收模型并采样；求阵列样本协方差矩阵及其误差统计分布；构造用于重构共位均匀极化阵列理论协方差矩阵的优化问题并求解；基于重构的共位均匀极化阵列理论协方差矩阵估计信号来波方向；求解信号相干矩阵并估计信号极化参数。本发明方法阵列采用非共位的方式，每个极化单元相位中心不重叠，一方面避免了共位阵列极化单元间存在的互耦问题；另一方面每个阵元只有一个射频通道，节省了资源。然后，阵列采用非均匀的方式，解除了均匀阵列对于阵列孔径的限制，并且保证了波达方向估计没有模糊。
基于非共位非均匀极化部分信号参数估计方法

[发明专利]基于深度神经网络的角度依赖型复杂阵列误差校准方法-CN202010232302.7有效
发明人： 潘玉剑;王锋;罗国清;尹川 -专利权人：杭州电子科技大学
申请日： 2020-03-27 - 公布日： 2022-04-01 - 主分类号： G01R29/10 文献下载
摘要：本发明公开了一种基于深度神经网络的角度依赖型复杂阵列误差校准方法，针对传统信号处理方法难以处理角度依赖型复杂阵列误差的校准问题，本发明为了处理离网格目标，基于暗室测量的网格点数据，采用的局部阵列流型插值方法相对于全局阵列流型插值方法能更适应角度依赖型阵列误差；而且，深度神经网络的输入特征选取的是复数条件下的相位，而不是实际的相位，可以避免相位在±π边缘的跳变问题；最后，为了使神经网络适应带噪信号，我们只需在单个信噪比的数据上生成训练数据，而不需要在多个信噪比上生成训练数据，从而减小训练数据量，缩短训练时间。本发明相对传统信号处理方法，具有校准后的残余阵列误差更小，校准性能更好的特点。
基于深度神经网络角度依赖复杂阵列误差校准方法

[发明专利]基于重构汉克尔矩阵的大规模MIMO下行信道估计方法-CN202111614256.8在审
发明人： 潘玉剑;王锋 -专利权人：杭州电子科技大学
申请日： 2021-12-27 - 公布日： 2022-03-22 - 主分类号： H04L25/02 文献下载
摘要：本发明公开了一种基于重构汉克尔矩阵的大规模MIMO下行信道估计方法。本发明方法的实现步骤：首先信道建模；基站端发送多个导频信号和用户端接收数据；基站端不发送导频信号和用户端接收数据；设计基于重构汉克尔矩阵的优化问题；求解优化问题和信道估计。本发明方法属于无网格方法，可以避免传统压缩感知方法的基不匹配问题；其次，该方法与传统方法相比可以显著降低导频开销；最后，本发明方法在用户端接收数据时，获取了基站接收机的噪声参数，使得模型具有去噪能力，提高了信道估计的准确性。
基于重构汉克尔矩阵大规模 mimo 下行信道估计方法

[发明专利]一种基于零化约束的DOA与互耦的联合估计方法-CN202111172456.2在审
发明人： 潘玉剑 -专利权人：杭州电子科技大学
申请日： 2021-10-08 - 公布日： 2022-03-01 - 主分类号： G01S3/14 文献下载
摘要：本发明公开了一种基于零化约束的DOA与互耦的联合估计方法，具体用于提高和改善存在阵元互耦时的DOA估计性能并同时提供对互耦的估计。现有方法需要互耦度的先验信息，当估计互耦度大于真实互耦度导致性能下降。本发明方法首先进行阵列布阵及互耦存在时的接收信号建模，然后基于奇异值分解进行维度压缩，建立基于零化约束的优化问题，并采用迭代方法求解零化约束的优化问题，最进行后DOA与互耦估计。本发明方法可利用全部的阵列数据，不存在孔径损失；可无需互耦度的先验信息，即使互耦度被过估计，也不对性能有显著影响。本发明方法提高了DOA和互耦估计精度。
一种基于约束 doa 联合估计方法

1
2
3
下一页»
尾页
共 33 条