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！

龙图腾网获悉大连理工大学申请的专利一种基于条件扩散模型的频谱态势预测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：CN120546805B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202511037815.1，技术领域涉及：H04B17/382；该发明授权一种基于条件扩散模型的频谱态势预测方法是由李轩衡;程思科设计研发完成，并于2025-07-28向国家知识产权局提交的专利申请。

本一种基于条件扩散模型的频谱态势预测方法在说明书摘要公布了：本发明属于智能无线通信领域，公开了一种基于条件扩散模型的频谱态势预测方法。首先，通过多头注意力机制从历史频谱数据中提取时间、频率与空间维度的全局特征，并通过跨注意力融合形成统一条件向量；然后，将该条件向量输入条件扩散模型，在前向过程中逐步向未来频谱数据注入噪声为网络训练提供样本，学习噪声演化规律；在后向过程以高斯噪声为起点，通过噪声估计网络逐步去噪还原未来频谱状态。该方法可在频谱观测缺失场景下实现高精度预测，为频谱预分配、干扰规避与功率控制等无线资源管理任务提供前瞻性支持。

本发明授权一种基于条件扩散模型的频谱态势预测方法在权利要求书中公布了：1.一种基于条件扩散模型的频谱态势预测方法，其特征在于，步骤如下： 1构建“时‑频‑空”特征提取网络； “时‑频‑空”特征提取网络用于从历史频谱数据中充分挖掘时间维度、频率维度和空间维度的相关性，构建高维融合特征；其中， 为历史采样周期数，为监测节点数，为频点数； 实现过程如下： 1.1时间特征提取； 采用多头注意力机制对历史频谱数据的时间维度进行建模，以充分捕获历史频谱数据的全局时域相关性；首先将历史频谱数据沿时间维度展平得到二维矩阵；随后，引入位置编码以保留历史频谱数据的时间顺序信息，得到位置嵌入后的矩阵： 1； 其中，表示位置编码矩阵；接着，通过三组线性变换生成每个注意力头的查询矩阵、键矩阵、值矩阵： 2； 其中，、、是可学习的线性映射矩阵；随后，进行多头注意力计算得到每个注意力头的输出为： 3； 其中，表示键矩阵的转置，表示对注意力得分进行归一化操作，是每个注意力头的维度；对所有注意力头的输出进行特征融合，并输入到带有激活函数的前馈神经网络中；最后，为了保证训练稳定性和加速收敛，在残差连接后加入归一化操作得到时间维度的全局特征； 1.2频率特征提取；为了捕捉不同地理位置内历史频谱数据中各频率点之间的相关性，对历史频谱数据的频率维度上引入自注意力机制进行频率维度建模；对历史频谱数据沿频率维度展平得到二维矩阵，并进行位置编码、多头注意力计算以及特征融合，与步骤1.1的操作过程相同，得到频率维度的全局特征； 1.3空间特征提取；为了捕捉不同地理位置之间的空间相关性，对历史频谱数据的空间维度上引入自注意力机制进行频率维度建模；接着，对历史频谱数据沿空间维度展平得到二维矩阵，并进行位置编码、多头注意力计算以及特征融合，与步骤1.1的操作过程相同，得到空间维度相关性的全局特征； 1.4“时‑频‑空”特征融合； 为了将从时间维度、频率维度和空间维度中提取的特征进行统一整合，引入跨注意力机制，融合时间维度的全局特征与包含频率维度和空间维度相关性的全局特征；首先通过线性映射生成跨注意力机制所需的查询矩阵、键矩阵和值矩阵： 4； 其中，、、为可学习的权重矩阵；最后，对、、进行注意力计算得到“时‑频‑空”融合特征；2构建频谱态势预测生成网络； 在前向过程中，通过向真实未来频谱数据逐步注入高斯噪声，构造出不同扩散时间步对应的带噪声数据，用于监督噪声估计网络学习不同扩散时间步中所注入噪声的分布； 随后，训练该噪声估计网络以精准拟合噪声分布；噪声估计网络训练完成后，在后向过程中以标准高斯噪声作为起点，利用已训练的噪声估计网络逐步估计并去除每一步所对应的噪声量，最终还原出高保真度的未来频谱数据；实现过程如下： 2.1前向过程； 前向过程为噪声估计网络提供训练样本，从真实未来频谱数据出发，按照如下扩散公式向其中逐步注入高斯噪声，生成带噪声数据： 5； 其中，表示扩散时间步对应的带噪声数据，表示扩散时间步；表示累计保留系数，表示每一步添加的噪声强度，是预设的噪声调度参数；表示服从高斯分布的真实噪声；为单位协方差矩阵； 噪声估计网络采用U‑Net结构，其输入为扩散时间步、对应的带噪声数据以及“时‑频‑空”特征提取网络得到的“时‑频‑空”融合特征，输出为当前时间步的估计噪声： 6； 其中，为噪声估计网络参数；训练过程中，优化的目标是最小化估计噪声与真实噪声之间的均方误差： 7； 通过对式7进行梯度下降，同时更新噪声估计网络和“时‑频‑空”特征提取网络中的所有可学习参数； 2.2后向过程； 当噪声估计网络和“时‑频‑空”特征提取网络训练完成后，先使用“时‑频‑空”特征提取网络从历史频谱数据中提取“时‑频‑空”融合特征作为噪声估计网络的条件输入，从纯噪声开始，利用训练好的噪声估计网络后向逐步去噪，重构未来频谱数据；每一步的后向采样过程为： 8； 其中，为后向过程中的噪声尺度系数，表示标准高斯噪声；重复上述过程直到，即得到最终预测的未来频谱数据。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路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”。

以上内容由龙图腾AI智能生成。