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！

龙图腾网获悉广东工业大学申请的专利一种集成噪声检测和先验估计的信号恢复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：CN119449101B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202411635268.2，技术领域涉及：H04B7/0413；该发明授权一种集成噪声检测和先验估计的信号恢复方法是由谢志豪;张浩川设计研发完成，并于2024-11-15向国家知识产权局提交的专利申请。

本一种集成噪声检测和先验估计的信号恢复方法在说明书摘要公布了：本发明提供一种集成噪声检测和先验估计的信号恢复方法，包括基于观测信号和信道矩阵，利用零干扰均衡模块获取原始信号的预估计；利用自适应信号处理模块对信号的估计值进行迭代优化；基于对原始信号的预估计以及自适应信号处理模块产生的原始信号的噪声观测中提取的信息，通过半参数贝叶斯模块获得信号分布的预估计，并在每一次自适应信号处理模块的迭代过程中更新对原始信号分布的估计；通过迭代噪声估计模块期更新噪声方差的估计值，并在每一次自适应信号处理模块的迭代过程中更新。本发明克服了环境因素带来的噪声波动导致信号恢复不准确的困难，同时在缺失原始信号的先验信息时，也能准确恢复信号。

本发明授权一种集成噪声检测和先验估计的信号恢复方法在权利要求书中公布了：1.一种集成噪声检测和先验估计的信号恢复方法，其特征在于，包括以下步骤： S1：基于观测信号和信道矩阵，利用零干扰均衡模块获取原始信号的预估计值； S2：利用自适应信号处理模块对原始信号的预估计值进行迭代优化； S3：基于对原始信号的预估计值以及自适应信号处理模块中提取的原始信号的高斯噪声观测的信息，通过半参数贝叶斯模块获得信号分布的预估计，并在每一次自适应信号处理模块的迭代过程中更新对原始信号分布的估计； S4：通过迭代噪声估计模块更新噪声方差的估计值，并在每一次自适应信号处理模块的迭代过程中更新噪声的方差的估计值； 零干扰均衡模块获取原始信号预估计值具体包括： 其步骤S1特征在于，通过对接收到的观测信号进行滤波，以消除干扰和多径效应，从而得到原始信号的预置并传入自适应信号处理模块作为初始化驱动,表达式为： 其中，表示使用零干扰均衡模块获取的对原始信号的初始估计值，A*表示信道矩阵A的共轭转置，y表示系统观测信号； 其步骤S2特征在于，自适应信号处理模块通过近似地计算信号的后验分布，在每个迭代步骤中，信号的每个分量会从相邻的分量中接收到信息，并用这些信息来更新当前信号的估计，交替更新原始信号的估计值和方差，最终逐步逼近真实的原始信号；每一轮迭代都通过当前的估计值来更新消息，直到收敛或达到设定的迭代次数； 通过转移概率pY|Zym|zm建模ym和之间的关系，利用 近似真实的zm的边缘后验分布pzm|y具体为： 其中表示中间变量，表示zm的估计值，表示zm的估方差,ym表示观测信号y的第m个元素，zm表示信道矩阵A第m行与原始信号x的乘积，表示原始信号x的估计后验方差，表示原始信号x的估计值，表示噪声的估计方差；再结合上面中间变量用近似xn的真实边缘后验分布,具体迭代式为： 其中为中间变量，和看作是原始信号xn的高斯噪声观测的观测值和噪声方差，即利用这一关键信息，结合半参数贝叶斯模块估计得到x的估计分布和估计值，具体为： 其中和是自适应信号处理模块迭代产生的对原始信号x的估计值和方差的估计值，t表示迭代次数，下标m和n分别表示对应向量中第m个和第n个元素，Amn表示信道矩阵A第m行第n列的元素，是对原始信号分布px的估计，表示半参数贝叶斯模块； 和表示zm的近似后验分布的均值和方差，表示第t+1次迭代估计的加性零均值高斯噪声n的方差，由噪声的分布决定； 其步骤S3特征在于，自适应贝叶斯模块利用数据驱动建模分布，结合从数据中提取的信息以及参数建模方法来构建对未知先验分布px的估计具体为： A：设置原始信号x的等距的离散采样空间Ω，具体为： Ω＝x1,x2,…,xL； 其中x1∈R为原始信号x在采样空间Ω中最小采样值，采样空间Ω每个采样点之间的间隔为固定值Δx； 在这种设置下，原始信号x的概率分布px用一个离散的向量来表示，pii＝1,2…,L表示原始信号在xi处采样的概率值，且满足 相似地，设置中间变量的等距的离散采样空间为具体为： 其中r1为在采样空间为中的最小采样值，采样空间T每个采样点之间的间隔为固定值Δr，具体设置范围应比的范围大1倍； 自适应贝叶斯模块，是一种数据驱动的分布建模方法，结合从数据中提取的信息以及参数建模方法来构建对未知先验分布px的估计具体为： B：进一步地，在自适应贝叶斯方法的过程中有边缘密度函数其中 为零均值，方差为的高斯分布，对于离散的采样空间，该边缘密度函数表示成向量形式其中是k×L的转移概率矩阵,得到向量U＝u1,u2,...,uK，ukk＝1,2,…,K表示在rk处的边缘概率值； 将所有中间变量按照采样空间计数，得到每个采样点处的频数R＝R1,R2,...,RK,其中Rk是落在区间内的数量，且是的一个充分统计量，服从K个结果，N次取出，概率为向量U的多项式分布 通过参数建模的方法，对估计的先验分布建模为B是L×p的结构矩阵，由自然样条函数组成，表示B矩阵的第l行，α是p×1的未知参数向量，于是边缘密度函数U近似成离散的概率分布 C：通过最大似然方法得到其估计值则自适应贝叶斯模块得到对先验分布的估计表示为具体为： 对频数累积向量R的概率分布取对数，表达式为： 参数向量α的得分函数表示成最大似然估计的结果令求解得到，进而得到最终的先验分布的估计 其步骤S4特征在于，利用隐变量最大化算法通过迭代的方法在每次迭代中增加似然函数lnpy；σ的下界，使似然函数能收敛到局部最大值或者极值点，以此来更新高斯噪声的方差的估计具体为： 初始化高斯噪声的方差其中SNR0是用于初始化的信噪比，在未知噪声方差的情况下，为了避免算法陷入局部最优解，每次迭代增加lnpy；σ的下界： 其中为信道矩阵A与原始信号x乘积Ax的第m个元素，为求得需要对上式求导并等于零，得到具体高斯噪声方差的迭代式：

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广东工业大学，其通讯地址为：510006 广东省广州市番禺区小谷围街道广东工业大学；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”。