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！

龙图腾网获悉西安电子科技大学申请的专利一种基于深度强化学习的波形自适应遴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：CN115561723B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202211277900.1，技术领域涉及：G01S7/40；该发明授权一种基于深度强化学习的波形自适应遴选方法是由张向荣;阮恒宇;朱进;陶海红;郭晶晶;张天扬;张超;曹雁军;韩丽设计研发完成，并于2022-10-19向国家知识产权局提交的专利申请。

本一种基于深度强化学习的波形自适应遴选方法在说明书摘要公布了：本发明公开了一种基于深度强化学习的波形自适应遴选方法，包括：首先通过构建离散系统状态空间模型，对仿真场景进行建模；再通过最小化目标参数估计的克拉美罗下界构建目标熵状态，通过前后时刻的真实熵状态构建波形参数选择动作的真实熵奖励；再利用容积卡尔曼滤波器对当前时刻不同波形参数选择动作的下一时刻目标状态进行预测；再根据预测的熵状态构建预测熵奖励组成前馈循环通路；最后针对多节点场景设计下动作奖励函数，利用DQN网络对不同状态下不同动作的奖励期望进行价值逼近，得到最终的波形参数选择动作；本发明能够在动态环境中快速的适应环境学习动作选择策略，根据环境的反馈快速自适应的选择发射波形参数动作，鲁棒性强。

本发明授权一种基于深度强化学习的波形自适应遴选方法在权利要求书中公布了：1.一种基于深度强化学习的波形自适应遴选方法，其特征在于，包括： 步骤S1：通过构建离散系统状态空间模型，对仿真场景进行建模，基于该仿真场景，初始化离散系统状态空间模型，并对DQN网络的权重进行随机初始化； 步骤S2：通过最小化目标参数估计的克拉美罗下界构建目标熵状态，通过前后时刻的真实熵状态构建波形参数选择动作的真实熵奖励；即构建认知感知器和认知控制器； 步骤S3：利用容积卡尔曼滤波器对当前时刻不同波形参数选择动作的下一时刻目标状态进行预测； 步骤S4：根据预测的熵状态构建预测熵奖励组成前馈循环通路； 步骤S5：针对多节点场景设计下动作奖励函数，利用DQN网络对不同状态下不同动作的奖励期望进行价值逼近，得到最终的波形参数选择动作； 所述步骤S4，包括： 步骤S41：从DQN价值逼近网络中获取奖励期望高的N组波形参数动作选择； 步骤S42：将N组波形参数动作作为步骤S22中容积卡尔曼滤波器的输入，得到N组下一时刻目标状态的估计误差协方差矩阵预测值； 步骤S43：将N组k+1时刻的估计误差协方差矩阵预测值传递给步骤S2中的认知控制器得到动作选择的预测熵状态，得到规划阶段的预测熵奖励为： 其中： 为k时刻的预测熵状态； 为k时刻的熵状态； 步骤S44：将N组预测熵奖励作为k+1时刻发射波形参数选择的依据； 步骤S45：存储N组目标状态、波形参数选择动作、获得的预测熵奖励。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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”。