买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜北京理工大学申请的专利基于改进模糊自适应共振网络的雷达信号分选方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115079104B 。

龙图腾网通过国家知识产权局官网在2025-02-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210692057.7，技术领域涉及：G01S7/292；该发明授权基于改进模糊自适应共振网络的雷达信号分选方法是由傅雄军;王晓妍;姜嘉环;谢民;吴菲;李明玲;刘畅设计研发完成，并于2022-06-17向国家知识产权局提交的专利申请。

本基于改进模糊自适应共振网络的雷达信号分选方法在说明书摘要公布了：本发明属于信号分选技术领域，涉及基于改进模糊自适应共振网络的雷达信号分选方法。包括：构造雷达混合脉冲序列、基于特征参数构建特征集并归一化；构建改进模糊自适应共振网络；将归一化的特征集样本输入改进模糊自适应共振网络处理，具体包括聚类趋势视觉评估，选择获胜神经元并计算输入样本与获胜神经元的匹配度；判断匹配度是否超过警戒阈值，并循环更新权重向量，将得到的类别矩阵送入类合并模块进行类别合并，输出最终的样本分类结果；再进行指标评估；所述方法增强了网络记忆性、使其对输入顺序不敏感、适应不同输入模式，避免了类增值现象；在类别数目未知时，实现了准确确定类数目、大幅提升了分选正确率且运行速度更快、稳定性更强。

本发明授权基于改进模糊自适应共振网络的雷达信号分选方法在权利要求书中公布了：1.一种基于改进模糊自适应共振网络的雷达信号分选方法，其特征在于，包括以下步骤：S1、构造雷达混合脉冲序列、基于特征参数构建特征集并归一化，得到归一化特征集；所述归一化特征集中包含N个样本；S2、构建改进模糊自适应共振网络；所述改进模糊自适应共振网络，包括预处理模块、F0层、F1层、F2层以及类合并模块；其中，F0层为输入层，F1层为隶属度计算层，F2层为类别表示层；其中，F1层和F2层间通过维度为2D的权重向量W连接；S3、将归一化特征集中的所有样本输入S2构建的改进模糊自适应共振网络进行处理，输出样本分类结果，具体包括如下子步骤：S31、所述预处理模块将归一化的特征集中的所有N个样本进行预处理，按照样本之间的相似性进行重新排序，进行聚类趋势视觉评估，得到重新排序后的输入样本；S32、初始化迭代循环变量n为1、类别矩阵C为空、权重向量的所有元素为1；S32所述类别矩阵C为改进模糊自适应共振网络的输出，且C中的行代表不同类别下所包含输入样本的编号，列代表类别数；S33、将S31重新排序后的输入样本中的第n个样本送入F0层执行补编码操作得到样本补码，并将样本补码与第n个样本串联，得到扩展后的输入样本；S34、将S33扩展后的输入样本和来自F2层自上而下的权重向量送入F1层，执行模式选择操作，计算输入样本与神经元的隶属度，并选取最大隶属度对应的F2层神经元为获胜神经元；所述获胜神经元对应的权重向量记为WJ；S35、将S33扩展后的输入样本和S34选取的获胜神经元对应的权重向量WJ送入F2层，执行模式匹配操作，即计算输入样本与获胜神经元的匹配度；S36、判断S35计算的匹配度是否超过警戒阈值，所述警戒阈值记为，如果大于等于警戒阈值，重置节点发出共振信号，所述重置节点记为R，网络开始学习，将第n个输入样本添加到C矩阵中对应类别所包含的输入样本中，并更新权重向量，跳至S37，否则若小于警戒阈值，则网络失配复位，重置节点发出重置信号，网络重新寻找满足匹配度超过警戒阈值的神经元；如果F2层中所有神经元与输入样本的匹配度都不能超过警戒阈值，则第n个输入样本作为一个新的神经元被添加到F2层，将第n个输入样本作为新的权重向量，加入类别矩阵C，得到更新后的类别矩阵C；其中，所述警戒阈值的计算具体如下：S361、计算获胜节点对应的权重向量WJ与输入样本之间在第k维度上的模糊距离作为基准距离，记为，其中，k的取值范围为[1,2D]；模糊距离等于1减去模糊因子乘以权重向量WJ与输入样本第k维度上的值相减后的绝对值的逆指数；其中，模糊因子记为m，取值范围为0到20；S362、计算获胜节点对应的权重向量WJ与属于该获胜节点已分类的所有输入样本之间在第k维度上的模糊距离作为加权距离，记为，其中，加权距离等于每个输入样本与权重向量WJ之间的模糊距离乘以输入样本第k维度上的值，再除以所有输入样本在第k维度上的元素总和；S363、比较S361得到的基准距离和S362得到的加权距离的大小，取两者之间的小值作为警戒阈值第k维度上的值；S364、选取警戒阈值所有元素的最大值作为最终参与匹配度判断的警戒阈值；S37中，学习因子记为，取值范围为[0,1]；S37、更新权重向量，具体取输入样本与权重向量每一维度上的元素的最小值，并对得到的向量与学习因子相乘，得到第一乘积；权重向量与1-相乘得到的第二乘积；将第一乘积与第二乘积相加，得到的相加结果作为新的权重向量；S38、判断n是否大于待分选信号总数N，如果不大于N，将n加1，再跳转到S33；否则迭代循环结束，跳转到S39；S39、将S36输出的更新后的类别矩阵C送入类合并模块中，执行类别合并操作，输出最终的样本分类结果；S4、对S3得到的样本分类结果基于评价指标进行评估；其中，评价指标包括聚类数目、聚类质量、质心指数以及运行时间。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。