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！

龙图腾网获悉广东技术师范大学申请的专利自适应梯度神经动力学优化方法及其在AOA定位中的应用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：CN116702828B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202310201690.6，技术领域涉及：G06N3/04；该发明授权自适应梯度神经动力学优化方法及其在AOA定位中的应用是由易称福;陈婧婧设计研发完成，并于2023-03-02向国家知识产权局提交的专利申请。

本自适应梯度神经动力学优化方法及其在AOA定位中的应用在说明书摘要公布了：本发明涉及神经网络和无线传感器定位技术领域，且公开了自适应梯度神经动力学优化方法。将实际的工程应用需求转化为线性优化问题并建模；模型在满足李雅普诺夫稳定性定理的前提下设计了自适应参数，通过基于梯度下降的ADRNN模型进行求解使得求解的值逼近最优解，从而目标函数的loss值进一步降低从而具有更高的准确率，同时提升了抵抗噪声干扰的能力。此外，通过理论验证和仿真实验验证模型的有效性及优越性。最后，将所提ADRNN模型应用于AOA定位验证是否可以提升定位精度。本发明相比于其他方法，从根源上避免了自适应参数设置的不当，在实现全局收敛的基础上提升了收敛速度和抗噪声干扰的能力，并可应用于求解复值问题；在应用上提升了AOA定位的精确度。

本发明授权自适应梯度神经动力学优化方法及其在AOA定位中的应用在权利要求书中公布了：1.自适应梯度神经动力学优化方法，其特征在于，包括以下步骤： S1、首先举例求解时变方程StXt＝Wt的CGNN模型和CZNN模型； S11、基于CGNN模型的设计过程，求解StXt＝Wt的CGNN模型设计过程如下：首先构造能量函数εt，其次通过进行迭代更新Xt，使εt的值最小，最终得到CGNN模型为 S12、基于CZNN模型的设计过程，求解StXt＝Wt的CZNN模型设计过程如下：首先定义误差函数为：EXt,t＝StXt-Wt；基于CZNN的设计形式得到CZNN模型为 S2、基于CGNN模型和CZNN模型定义一种自适应梯度鲁棒负反馈神经网络，其次根据李雅普诺夫稳定性定理定义模型基于误差函数的自适应系数，然后理论分析自适应递归神经网络ADRNN模型在实值问题和复值问题中的收敛性； 基于CGNN模型和CZNN模型定义一种自适应梯度鲁棒负反馈神经网络，然后根据李雅普诺夫稳定性定理定义模型基于误差函数的自适应系数，最后理论分析自适应递归神经网络ADRNN模型在实值问题中的收敛性，其具体步骤如下： S21、定义一个自适应梯度的鲁棒负反馈神经网络为： S22、求解时变方程StXt＝Wt的自适应梯度的鲁棒负反馈神经网络为： S23、针对实值问题，定义李雅普诺夫候选函数为 S24、ADRNN模型在实值问题中的收敛性； 显而易见步骤B3中的Ωt是正定的； 设定以及那么Ωt的时间导数可以描述为： 当|eit|≥1,Ψ·ps可以被表达为当|eit|1,Ψ·ps可以被表达为得到为 定义由于得到 由于μt0，令上述不等式右边为0，得到μt为 为了使我们增加一个时变参数pt，基于李雅普诺夫稳定性理论的自适应系数为： 其中p1,w、p为常数且wpt1； 根据李雅普诺夫稳定性定理，由于Ωt是正定的而是负定的，因此在实值情况下ADRNN模型是收敛的； S3、将噪声注入模型，讨论其在噪声干扰下模型的鲁棒性能； S4、设定参数，进行数值试验和分析，分别给出模型在实施实值例子时，在各种模型和不同的噪声干扰下的计算解和实际解的残差结果；此外，给出本发明在实施复值例子时得到的实际轨迹和理论轨迹的对比图和残差结果，最后，将三维到达角AOA定位转化为数学上的优化问题并将提出的模型应用于AOA定位并举例定位实例以此验证模型的定位效果。

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技术师范大学，其通讯地址为：510630 广东省广州市天河区中山大道西293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”。