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！

龙图腾网获悉北京理工大学申请的专利随机松弛化改进的分布式雷达干扰源定位构型优化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：CN119476570B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202411446285.1，技术领域涉及：G06Q10/04；该发明授权随机松弛化改进的分布式雷达干扰源定位构型优化方法是由刘泉华;冯柯维;梁振楠;李仁杰;田德智;陈新亮设计研发完成，并于2024-10-16向国家知识产权局提交的专利申请。

本随机松弛化改进的分布式雷达干扰源定位构型优化方法在说明书摘要公布了：本发明公开了随机松弛化改进的分布式雷达干扰源定位构型优化方法，涉及分布式雷达资源调度技术领域，该算法有效平衡了不同优化指标间的敏感度差异，相较于其他算法有更强的寻优能力。包括如下步骤：构建分布式雷达干扰源定位场景，并以分布式雷达干扰源定位的定位性能和监视性能为导向，构建分布式雷达干扰源定位构型优化问题。每个粒子代表一种布阵方案；初始化粒子群。根据优化问题的目标函数来计算粒子的适应度值。使用一个外部档案来存储迭代过程中的最优解集；更新个体最优位置和全局最优位置。更新粒子的速度和位置，重复粒子群优化算法直至达到终止条件并输出外部档案作为最优解集。

本发明授权随机松弛化改进的分布式雷达干扰源定位构型优化方法在权利要求书中公布了：1.随机松弛化改进的分布式雷达干扰源定位构型优化方法，其特征在于，包括如下步骤： 步骤一：构建分布式雷达干扰源定位场景，并以分布式雷达干扰源定位的定位性能和监视性能为导向，构建分布式雷达干扰源定位构型优化问题； 具体为： 将目标区域划分为雷达任务区RMA和雷达部署区RDA，RMA记为RDA记为RDA中包含5部雷达节点，RMA中包含若干初步探明的干扰源所在区域，干扰源所在区域为关键子区KS；对RMA进行离散化处理，分别用Ψm和表示RMA和第k个KS内的网格点的集合，并定义所有KS的集合为Ψks，则Ψm、和Ψks表示为： 其中，分别表示RMA中第1～第Nm个网格点的坐标集合，ψn＝xn,yn,znT表示RMA区域内第n个网格点的坐标，·T表示转置操作，Nm为RMA中网格点的数量；分表表示KS内第1～第个网格点的坐标，为第k个KS内的网格点数量；表示KS内第n个网格点的坐标；K为KS的数量； 以各个KS内最大定位精度的几何稀释GDOP为基础设计定位性能评价指标，设第k个KS中网格点的GDOP为其中Θ表示布阵方案；取各个KS网格点中GDOP的最大值表征相应KS的定位精度为： 定位性能目标函数为： 其中， 其中是第k个KS的期望定位精度，β1，β2分别对应期望定位精度未被满足和被满足的情况的系数； 除了精准定位已探明的干扰源外，分布式雷达还要对可能出现新干扰源的空域进行广范围监视；假设干扰源位于网格点处的发现概率为记录发现概率高于期望发现概率的网格点为有效监测点，统计有效监测点占所有网格点的比例，据此来描述系统的监视性能，则监视性能目标函数为： 其中， 为期望发现概率； 分布式雷达中每个接收通道内的信号相互独立，各通道的背景噪声为功率相同的高斯白噪声；雷达节点使用全向天线，同时接受并处理多个干扰源信号；接收雷达节点数量为N，则干扰源信号的虚警概率为： 其中，γ为检测门限，σ2为噪声功率；位于处干扰源被发现的概率为： 其中，QN是阶数为N的MarcumQ函数，χi,n表示第i个雷达节点接收处干扰源信号的信噪比，表示为： 其中，Pj表示干扰源发射功率，表示第n部雷达节点天线的接收增益，λ表示载波波长，Fr表示接收天线的方向图传播因子，Ri,n表示第i个接收雷达和网格点之间的距离，k，Fn，T0，B，Ls分别表示玻尔兹曼常数、接收机噪声系数、标准温度、接收机带宽和损耗因子； 将定位性能和监视性能目标统一为最小化问题，定义目标函数向量为fΛΘ,Ψks,1-ΓΘ，Ψm，则优化问题表示为： 并记f1＝ΛΘ,Ψks，f2＝1-ΓΘ，Ψm； 步骤二：每个粒子代表一种布阵方案；初始化粒子群，包含对所有粒子速度和位置的初始化，粒子速度在初始化时置为零，粒子位置则进行随机初始化；初始化粒子群，采用如下方式： 构建包含N，N≥4部雷达的分布式系统，定义雷达节点的可部署区域为记雷达节点的坐标为si＝xi,yi,ziT，i＝1,2,...,N，则单个粒子在优化空间中的位置表示为： 其中，M是种群中的粒子数量； 初始化粒子群包含对所有粒子速度和位置的初始化，粒子速度在初始化时置为零，粒子位置则进行随机初始化； 步骤三：根据优化问题的目标函数来计算粒子的适应度值； 步骤四：使用一个外部档案来存储迭代过程中的最优解集；外部档案是根据个体最优粒子适应度值之间的支配关系来选取的：在每次迭代时，遍历所有个体最优粒子，当个体最优粒子被外部档案粒子支配时，选取下一个个体最优粒子；当个体最优粒子支配外部档案粒子时，删除外部档案粒子，并将个体最优粒子加入外部档案中；当个体最优粒子和外部档案粒子互不具有支配关系时，若外部档案未满，则将个体最优粒子加入外部档案，若外部档案已满，则选取分布最密集处的外部档案粒子删除，并将该个体最优粒子加入外部档案； 步骤五、更新个体最优位置和全局最优位置；具体为： 设置粒子数量为M，种群中第i,i＝1,2,...,M个粒子在第t次迭代的速度和位置为vit和xit，同时粒子i在迭代过程中的个体最优位置为pit和全局最优粒子位置gt； 在相同的自变量的扰动下，函数值的变化量即为优化敏感度，针对所述定位性能目标函数和监视性能目标函数，取二者中对于优化敏感度较弱的目标函数为fk，满足一个预设的期望值 加入一个衰减参数dt＝exp-tTmax来控制松弛化发生的概率，Tmax是最大迭代次数；上述操作用一个逻辑变量Bpt来表示： 其中，rt服从均匀分布U0,1，定义∧为“与”运算符，∨为“或”运算符，则个体最优粒子的更新规则为： 其中fxit为粒子i的适应度值，fpit-1为粒子i在t-1次迭代的个体最优位置pit-1的适应度值，记第t次迭代外部档案中的粒子为ylt,l＝1,2,...,L，第r,r＝2,...,L-1个粒子与周围粒子的相对距离drt为： 其中，fi,rt表示为： 其中，|·|表示取绝对值； 选取与周围相对距离最大的粒子作为全局最优粒子： 步骤六、更新粒子的速度和位置； 步骤七、判断算法是否满足终止条件，若达到终止条件，则停止迭代并输出外部档案作为最优解集；否则重复步骤三到步骤六直至算法满足终止条件。

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”。

以上内容由龙图腾AI智能生成。