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！

龙图腾网获悉电子科技大学申请的专利一种将分布式压缩感知和深度学习相结合的针对OTFS系统信道估计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：CN118233258B 。

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：202410459178.6，技术领域涉及：H04L25/02；该发明授权一种将分布式压缩感知和深度学习相结合的针对OTFS系统信道估计方法是由武畅;焦曙阳;吴沛洲设计研发完成，并于2024-04-17向国家知识产权局提交的专利申请。

本一种将分布式压缩感知和深度学习相结合的针对OTFS系统信道估计方法在说明书摘要公布了：本发明提供了一种将分布式压缩感知和深度学习相结合的针对OTFS系统的信道估计算法的方法，属于信道估计技术领域，包括以下步骤：首先接收时延多普勒信号，并对其进行预处理；通过Bi‑LSTM神经网络捕捉每列之间的相关性确定非零项位置，联合测量矩阵进行支撑集更新；通过支撑集更新稀疏度；获得迭代之后的残次r，当迭代次数或残差达到要求时停止循环，输出信道估计结果。相较于OMP算法与SBL算法，本发明提出的算法在低信噪比的情况下具有更好的表现，并且当路径增加或非零项位置发生变化时具有更强的鲁棒性。同时，由于其继承了贪婪算法的低复杂度，所以计算时间也远小于SBL算法，保证了算法的实时性。因此，该算法在复杂通信环境下具有一定的发展潜力，有助于推进OTFS系统信道估计领域的发展。

本发明授权一种将分布式压缩感知和深度学习相结合的针对OTFS系统信道估计方法在权利要求书中公布了：1.一种将分布式压缩感知和深度学习相结合的针对OTFS系统的信道估计算法的方法，其特征在于，包括以下步骤： S1、接收时延多普勒信号，并对其进行预处理，其中，所述步骤S1包括： S101、信号经过OTFS调制，在通过SFFT后得到时延-多普勒域接收信号，其中OTFS正交时频空间OrthogonalTimeFrequencySpace是一种利用时频格子表示数据，克服多径干扰，提高频谱利用率和系统性能的调制技术；SFFT辛有限傅立叶变换SymplecticFiniteFourierTransform是一种用于处理有限维辛相空间中信号和数据的数学工具，它类似于传统的傅立叶变换，但适用于辛结构的相空间，在辛有限傅立叶变换中，信号或系统被表示为辛结构，并通过傅立叶变换将其从时域转换到频域； S102、将得到时延-多普勒域接收信号保存，并使用分布式压缩感知和深度学习相结合的Bi-LSTM-CS算法进行信道估计，其中Bi-LSTM-CS是双向长短期记忆网络BidirectionalLongShort-TermMemory在压缩感知场景下的应用，利用压缩感知技术提高神经网络训练的效率和性能； S2、通过Bi-LSTM神经网络捕捉每列之间的相关性确定非零项位置，其中，所述步骤S2包括以下步骤： S201、搭建前向LSTM与后向LSTM架构，将二者组合成Bi-LSTM神经网络架构； S202、通过Bi-LSTM神经网络架构来查找每个输入向量r的p，然后通过p来确定非零概率更高的条目，其中p为向量中每个元素不为零的概率； S203、其中it、ft、ot、ct分别为输入门、遗忘门、输出门和单元状态向量，Wpi,i＝1,2,3为窥视孔连接，Wreci和Wi,i＝1,2,3,4分别为循环连接和输入连接，g·为tanh·函数，σ·为sigmoid函数，我们使用这种架构来查找每个输入向量r的p，然后通过p来确定非零概率更高的条目，各个向量之间的关系如下： it＝σW2rt+Wrec1pt-1+Wp2ct-1 ft＝σW1rt+Wrec2pt-1+Wp1ct-1 ot＝σW4rt+Wrec3pt-1+Wp3ct at＝gW3rt+Wrec4pt-1 ct＝ft⊙ct-1+it⊙at pt＝ot⊙gct 其中⊙表示哈达玛积，哈达玛积是逐元素相乘的运算，用于两个具有相同维度的矩阵或向量，生成一个新的矩阵或向量，其每个元素都是对应位置上两个输入的元素相乘的结果； S204、每个通道的残差r即为接收信号向量y，然后将这些残差向量输入神经网络； S205、借助网络中的各个Bi-LSTM模型使用输入权重矩阵Wi,i＝1,2,3,4来捕获输入内容的特征，再通过循环权重矩阵Wrec和单元状态向量c来捕获残差向量之间的相关性，最后通过变换矩阵U将Bi-LSTM的输出P∈Cncell×1转换到稀疏向量空间v∈CP×1，其中ncell为模型的单元数，P为稀疏向量长度； S206、在转换到稀疏向量空间之后，使用softmax来确定该输出向量的每个条目不为零的概率，如下式所示，第i条通道输出向量的第j个条目表示为： 其中softmax函数将向量映射到概率分布，通过指数函数将每个元素转化为正数，然后归一化以得到概率分布，常用于多分类问题的输出层； S3、联合测量矩阵进行支撑集更新，其中，所述步骤S3包括以下步骤： S301、为了计算出模型中各个权重矩阵和变换矩阵的具体参数，我们需要让训练集的交叉熵代价函数最小化； S302、通过计算，可以将参数计算转换为求解如下优化问题： Lk,l,i,jΛ＝-S0,k,l,ijlogsk,l,ij 其中，M和N分别为训练集小批量分割数和对应大小，L为神经网络通道数，P为稀疏向量的长度，即输入信号矩阵的列数和行数，Λ则表示模型参数的集合，s0为每一次迭代中在其非零条目处值为1其余为0的独热向量； S303、为了解决上式的优化问题，我们使用结合Nesterov动量的随时间反向传播算法： ΔΛk＝Λk-Λk-1 其中Nesterov动量是一种优化算法，先向前预测下一步参数，然后在梯度下降方向上调整，增强了收敛性和稳定性，ε是学习率，μk是由训练方案决定的动量参数，为代价函数的梯度： S304、为了得出计算式我们根据已知量得到： 其中vi为第i条通道的输出向量，因为s0为一个独热向量，所以β总是等于1，又由vi＝UPi得： S305、最终，计算式可以表示为； S4、通过支撑集更新稀疏度，获得迭代之后的残次r，当迭代次数或残差达到要求时停止循环，输出信道估计结果，其中，所述步骤S4包括以下步骤： S401、在确定了各个位置的不为零概率之后，选择概率最大位置并联合测量矩阵对支撑集进行更新； S402、通过最小二乘法来确定当前迭代中稀疏向量的具体估计结果得到下次迭代中的残差向量： S403、当循环迭代次数达到稀疏向量的长度P或小于预设残差ResMin时，算法停止循环，输出最后一次得到的估计结果。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。