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！

龙图腾网获悉浙江大学申请的专利一种基于深度学习的智能反射面辅助的无线计算成像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：CN117527487B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202311500206.6，技术领域涉及：H04L25/02；该发明授权一种基于深度学习的智能反射面辅助的无线计算成像方法是由李米丽;陈晓明;应铭;高佳宝设计研发完成，并于2023-11-10向国家知识产权局提交的专利申请。

本一种基于深度学习的智能反射面辅助的无线计算成像方法在说明书摘要公布了：本发明公开了一种基于深度学习的智能反射面辅助的无线计算成像方法，具体步骤为：利用智能反射面相位预测深度神经网络对基站的接收信号进行特征提取，得到智能反射面相位预测结果；利用目标感知区检测卷积神经网络对目标感知区进行重建，得到目标感知区的一维目标散射系数估计序列；对一维目标散射系数估计序列进行后处理，得到三维像素估计序列，即实现目标感知区的计算成像。本发明提出的基于深度学习的智能反射面辅助的无线计算成像方法，不仅能够在智能反射面辅助下有效地处理高维数据，确保在大数据背景下的高准确率成像，同时可以自动提取图像或信号中的关键特征，提高成像的准确性。

本发明授权一种基于深度学习的智能反射面辅助的无线计算成像方法在权利要求书中公布了：1.一种基于深度学习的智能反射面辅助的无线计算成像方法，其特征在于，包括如下步骤： S1.基站向环境中发射感知信号，所述感知信号经智能反射面反射，到达目标感知区并经所述目标感知区反射，得到反射感知信号，将所述反射感知信号以原路径返回到所述基站，获取所述基站到所述智能反射面的信道状态信息、所述智能反射面到所述目标感知区的信道状态信息、所述基站的接收信号； S2.获取一个经过训练的智能反射面相位预测深度神经网络，利用所述智能反射面相位预测深度神经网络对所述接收信号进行特征提取，得到智能反射面相位预测结果； S3.获取一个经过训练的目标感知区检测卷积神经网络，利用所述目标感知区检测卷积神经网络对所述目标感知区进行重建，将所述智能反射面相位预测结果输入所述目标感知区检测卷积神经网络中，得到所述目标感知区的一维目标散射系数估计序列； S4.对所述一维目标散射系数估计序列进行后处理，将所述一维目标散射系数估计序列逆映射为三维像素估计序列，即实现目标感知区的计算成像； 所述接收信号的获取方法为： S11.获取所述基站到所述智能反射面的信道矩阵为第一莱斯信道获取所述智能反射面所述到目标感知区的信道矩阵为第二莱斯信道所述第一莱斯信道H的函数形式为： 所述第二莱斯信道G的函数形式为： 其中，∈是莱斯因子；lp1是第一信道路径损失，lp2是第二信道路径损失；HLoS是第一信道直射部分，GLoS是第二信道直射部分；HNLoS是服从标准正态分布的第一信道散射部分，GNLoS是服从标准正态分布的第二道散射部分；表示复数集；M为所述基站的收发天线数量；N为所述智能反射面的反射单元数量； S12.所述智能反射面的反射系数其中，e表示自然常数；是所述反射系数的相位；[ρ1,…,ρN]是所述反射系数的幅度，假设所述幅度均为1；其中，·T表示矩阵转置； S13.对所述目标感知区进行预处理，得到所述一维目标散射系数序列； 所述预处理过程为：先将所述目标感知区进行离散化处理得到三维像素序列s＝[s1,…,sK]T，再对所述三维像素序列进行映射，得到一维目标散射系数序列x＝[x1,…,xK]T，其中第i个所述三维像素si的散射系数为xi；其中，若第i个所述三维像素是真实目标，则将第i个所述三维像素si的散射系数x取值为0≤1；反之，则将第i个所述三维像素s的散射系数x取值为0，i∈[1,2,…,K]；K为所述三维像素序列长度；x为所述一维目标散射系数序列的第i个样本； S14.假设所述目标感知区的真实目标像素个数远远小于环境目标像素个数，则所述一维目标散射系数序列x＝[x,…,x]的稀疏先验概率密度服从均值为0、协方差矩阵为R＝diagγ的高斯分布，其中，diag·表示对角化，γ表示方差，α为所述方差的逆，α服从Gamma分布，α的函数形式如下： 其中，Γ·是Gamma函数，a和b是控制稀疏度的参数；·-1表示逆运算； S15.获取所述基站的发射总功率P、长度为L的所述基站的发射信号将所述一维目标散射系数序列x进行对角化，得到目标感知区散射系数对角矩阵X＝diagx；将所述反射系数的相位进行对角化，得到智能反射面相位对角矩阵利用所述发射总功率、所述发射信号、所述第一莱斯信道、所述第二莱斯信道、所述智能反射面相位对角矩阵、所述目标感知区散射系数对角矩阵，构建所述接收信号，所述接收信号的函数形式为： 其中，N是服从均值为0、方差为σ2的加性高斯白噪声；表示矩阵共轭转置； S16.根据矩阵向量化性质，对所述接收信号进行向量化，得到向量化接收信号，所述向量化接收信号y的函数形式为： 其中，vec·表示向量化； 所述智能反射面相位预测深度神经网络由一个带有激活函数的第一全连接层、一个第一Dropout层、一个带有激活函数的第二全连接层、一个第二Dropout层、一个不带有激活函数的第三全连接层依次级联而成；所述第一全连接层和所述第二全连接层的神经元个数均为256，激活函数为Relu；所述第一Dropout层与所述第二Dropout层的dropoutrate均设为0.5；所述第三全连接层的神经元个数为N，激活函数为Sigmoid； 所述目标感知区检测卷积神经网络由D个稀疏贝叶斯层依次级联而成，每一个所述稀疏贝叶斯层均由一个自定义Lambda层、一个第一Reshape层、一个带有激活函数的第一卷积层、一个带有激活函数的第二卷积层、一个第二Reshape层依次级联而成，所述第一卷积层的卷积核大小为5×5×5、卷积核个数为8；所述第二卷积层的卷积核大小为5×5×5、卷积核个数为1；所述激活函数均为Relu； 所述S2步骤具体过程为：将所述基站的发射总功率Pt、所述发射信号S、所述第一莱斯信道H、所述第二莱斯信道G、所述加性高斯白噪声的标准差σ作为所述智能反射面相位预测深度神经网络超参数，每个所述智能反射面相位预测深度神经网络超参数的取值固定；随机初始化所述相位将所述一维目标散射系数序列x＝[x1,…,xK]T输入到所述智能反射面相位预测深度神经网络中，得到所述智能反射面相位预测结果其中表示所述智能反射面相位预测深度神经网络，表示实数集； 所述S3步骤的具体过程为：由所述智能反射面相位预测结果对所述智能反射面相位对角矩阵进行更新，得到智能反射面相位对角更新矩阵由所述智能反射面相位对角更新矩阵对所述接收信号进行更新，得到更新接收信号，所述更新接收信号yopt的函数形式为： 引入中间更新变量将yopt和Aopt作为所述目标感知区检测卷积神经网络超参数，每个所述目标感知区检测卷积神经网络超参数的取值固定；随机初始化所述协方差矩阵将所述一维目标散射系数序列x＝[x1,…,xK]T输入到所述目标感知区检测卷积神经网络中，得到所述一维目标散射系数估计序列其中表示所述目标感知区检测卷积神经网络；⊙是Khatri-Rao积，·*表示矩阵共轭； 在第d个所述稀疏贝叶斯层中，由第d-1个所述稀疏贝叶斯层中输出所述协方差矩阵的更新值将所述更新接收信号yopt、所述中间更新变量Aopt、所述协方差矩阵的更新值输入到所述第d个所述稀疏贝叶斯层中，更新所述方差γd，更新所述协方差矩阵其中，d∈[1,…,D]； 所述自定义Lambda层根据所述一维目标散射系数序列x的稀疏先验，用最小均方误差滤波器进行所述一维目标散射系数序列x的初步估计，得到更新后验均值和更新第一方差 所述更新后验均值的函数形式为： 所述更新第一方差的函数形式为： 其中，I为单位矩阵； 所述智能反射面相位预测深度神经网络在训练时采用的损失函数为所述接收信号的噪比，对所述智能反射面相位预测深度神经网络的网络参数进行更新，所述接收信号的噪比的函数形式为： 其中，NS为训练样本总数；表示矩阵的Frobenius-范数的平方；Φj为Φ的第j个样本； 所述目标感知区检测卷积神经网络采用所述一维目标散射系数序列x＝[x1,…,xK]T与所述目标感知区的一维目标散射系数估计序列的均方误差为损失函数，对所述目标感知区检测卷积神经网络的网络参数进行更新，所述均方误差的函数形式为： 其中，xj为x的第j个样本；为的第j个样本。

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大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。