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！

龙图腾网获悉浙江工业大学申请的专利一种基于CCSK和深度学习的语义通信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：CN114595698B 。

龙图腾网通过国家知识产权局官网在2025-08-15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：202210260485.2，技术领域涉及：G06F40/30；该发明授权一种基于CCSK和深度学习的语义通信方法是由钱丽萍;叶萍;钱江;吴湾湾设计研发完成，并于2022-03-16向国家知识产权局提交的专利申请。

本一种基于CCSK和深度学习的语义通信方法在说明书摘要公布了：为了克服大数据对传统通信系统带来的挑战，本发明提出了一种基于CCSK和深度学习的语义通信方法，实现了语音信号的语义传输；发送端将原始语音转换为文本，对文本进行特征矩阵提取，得到特征矩阵；对征矩阵进行解码，得到语义信息；对语义信息进行分组扩频，得到扩频后的信号并传输至接收端；接收端获取发送端传输的扩频后的信号并进行解扩，得到语义信息，并将语义信息转成语音，完成传输。本发明在数据传输方面依靠软件形式生成扩频码，对语义信息进行分组组帧扩频，能够节省硬件成本，提高通信的抗干扰性。

本发明授权一种基于CCSK和深度学习的语义通信方法在权利要求书中公布了：1.一种基于CCSK和深度学习的语义通信方法，其特征在于，包括以下步骤： 步骤1：发送端将语音转换为文本； 步骤2：对步骤1转换的文本进行特征矩阵提取，得到特征矩阵； 所述步骤2包括以下子步骤： 2.1对步骤1转换的文本做预处理，所述预处理包括分词、生成词向量和词向量位置编码三部分；所述预处理具体为：1分词：对文本进行分词处理，即将文本输入jieba中文分词模型，按文本原顺序得到w1,w2,…,wi,…,wn总计n个词语，下标i表示第i个词语，i∈[1,n]；所述jieba中文分词模型为一个常用的分词器模型，可以将句子分成多个词语；2生成词向量：随后将词语w1,w2,…,wi,…,wn输入到Word2vec中文预训练模型，得到相对应的词向量x1,x2,…,xi,…,xn，所述词向量x1,x2,…,xi,…,xn为维度为300的行向量；所述Word2vec中文预训练模型是一种常用的生成词向量的模型，可以将词语映射为向量；3词向量位置编码：使用正弦余弦函数将词向量x1,x2,…,xi,…,xn生成位置向量t1,t2,…,ti,…,tn，公式如下： 其中a指的是词向量xi的第a维度，a∈[1,300]；ti,a指的是位置向量ti第a个纬度的值；将词向量x1,x2,…,xi,…,xn和对应的位置向量t1,t2,…,ti,…,tn相加得到词嵌入向量e1,e2,…,ei,…,en，其中ei＝xi+ti，将词嵌入向量e1,e2,…,ei,…,en记作矩阵E； 2.2对步骤2.1得到的矩阵E进行自注意力机制操作，所述自注意力机制操作过程如下： 首先生成Query查询矩阵Q1、Key键矩阵K1和Value值矩阵V1： 其中，分别是维数为300的权重方阵，方阵中元素的具体值经过预训练得到，预训练共确定十八个权重方阵，所述十八个权重方阵都为维数为300的权重方阵，预训练使用的数据集在正文开头加上了单词“start”，在对应摘要的结尾加上了单词“eos”，经过预训练之后，权重方阵会包含“start”和“eos”的特征信息；qi,ki,vi为维度为300的行向量，其中qi为矩阵E中第i个行向量的查询向量，ki为矩阵E中第i个行向量的键向量，vi为矩阵E中第i个行向量的值向量； 令Query查询矩阵Q1中的查询向量分别与矩阵K1中的所有键向量进行score运算； 以Query查询矩阵Q1中的查询向量q1为例，查询向量q1与键向量kii∈[1,n]做score运算，结果记作α1,m,m＝i；所述score运算的公式为： 将所有结果α1,1,α1,2,…,α1,m,…,α1,n进行soft-max归一化操作得到所述soft-max是深度学习中常用的函数，可以把输入映射成0～1之间的实数，并且保证所有输入映射到的实数的和为1，soft-max归一化操作的公式为： 再将分别与Value值矩阵V1中的对应的值向量v1,v2,…vi,…,vn相乘得到加权向量z1,z2,…zm,…,zn，相乘操作为将加权向量z1,z2,…zm,…,zn相加得到思想向量b1； 将上述操作进行n次，得到向量b1,b2,…,bi,…,bn，公式如下： 至此，生成了矩阵E中所有行向量对应的思想向量b1,b2,…,bi,…,bn； 2.3将步骤2.2得到的思想向量b1,b2,…,bi,…,bn通过前馈神经网络输出向量f1,f2,…,fi,…,fn，所述前馈神经网络由两次变换构成，第一次通过ReLU激活函数做非线性映射，第二次使用线性激活函数恢复到原始梯度； 2.4将步骤2.3得到的向量f1,f2,…,fi,…,fn记作矩阵F，对矩阵F进行自注意力机制操作，本次自注意力机制操作中，将矩阵F分别与权重方阵相乘来生成Query查询矩阵、Key键矩阵和Value值矩阵，其余具体操作过程同步骤2.2，得到矩阵F中所有行向量对应的思想向量d1,d2,…,di,…,dn，并将思想向量d1,d2,…,di,…,dn通过前馈神经网络输出向量 将向量记作特征矩阵 步骤3：对步骤2得到的特征矩阵进行解码，得到语义信息； 步骤4：对步骤3得到的语义信息生成256bit的扩频码，通过该扩频码对语义信息进行分组扩频，得到扩频后的信号并传输至接收端； 步骤5：接收端生成与发送端一致的256bit扩频码，通过识别同步位来获取发送端传输的扩频后的信号并进行解扩，得到语义信息； 步骤6：将步骤5得到的语义信息转成语音，完成传输。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市下城区潮王路18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”。