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！

龙图腾网获悉南京邮电大学申请的专利一种基于混合神经网络的脉冲噪声参数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：CN119341658B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202411476943.1，技术领域涉及：H04B13/02；该发明授权一种基于混合神经网络的脉冲噪声参数估计方法是由冯晓;田峰;吴晓欢设计研发完成，并于2024-10-22向国家知识产权局提交的专利申请。

本一种基于混合神经网络的脉冲噪声参数估计方法在说明书摘要公布了：本发明涉及水声通信与信号技术领域，公开了一种基于混合神经网络的脉冲噪声参数估计方法，步骤一、构建非高斯参数估计的非线性映射模型；步骤二、建立噪声样本数据库；步骤三、建立基于混合神经网络噪声参数估计器；步骤四、网络训练和线上部署：通过噪声训练样本集分别进行网络训练，网络训练后保存网络参数，进行线上部署应用；步骤五、接收实测噪声样本进行参数离线估计，得到噪声参数，反馈给通信接收机；步骤六：通信接收机利用接收到的噪声参数设计信号检测器，优化脉冲噪声下的信号检测效果；本方案利用混合神经网络实现小样本、快速精确的参数估计，适用于脉冲噪声下通信系统的噪声参数估计模块的有效部署。

本发明授权一种基于混合神经网络的脉冲噪声参数估计方法在权利要求书中公布了：1.一种基于混合神经网络的脉冲噪声参数估计方法，其特征在于，所述基于混合神经网络的脉冲噪声参数估计方法主要包括如下步骤： 步骤一、构建非高斯参数估计的非线性映射模型：通过噪声模型或实测噪声获取噪声样本X，构建非线性映射函数f·，将噪声样本输入、目标参数作为输出，参数估计问题表示为： 式中，为估计的参数； 步骤二、建立噪声样本数据库：通过概率分布拟合确定噪声的非高斯性，结合典型的海洋非高斯噪声模型α稳态噪声模型和高斯混合噪声模型，生成样本X和标签Θ； 步骤三、建立基于混合神经网络噪声参数估计器：通过混合神经网络建立噪声样本的特征表征，针对噪声的时序特征，t时刻的噪声样本表示为xt，将多个时刻的噪声样本作为输入，将目标参数作为输出，参数估计问题表示为 式中，为估计的参数，X＝{xt,xt-1,…,xt-T+1}，表示多层网络嵌套的估计函数，T为历史数据的时间窗长度； 步骤四、网络训练和线上部署：通过噪声训练样本集分别进行网络训练，网络训练后保存网络参数，进行线上部署应用； 步骤五、接收实测噪声样本进行参数离线估计，得到噪声参数，反馈给通信接收机； 步骤六：通信接收机利用接收到的噪声参数设计信号检测器，优化脉冲噪声下的信号检测效果； 步骤三中利用卷积神经层和LSTM模块充分探索脉冲噪声的时间特征脉冲信号的特征通过卷积层进行精炼和提取，并将高级特征输入到堆叠的LSTM层中进行时间特征的学习和输出估计结果，具体包括： 假设噪声样本长度为L，将样本分为T个样本段，每部分长度为向下取整操作，卷积核大小为1，卷积层的输出为： 式中，Wc和Bc分别表示卷积层的加权矩阵和偏差，Xin为卷积层的输入，Xoutput为输出特征，表示卷积操作，Activation·表示非线性激活函数； 选择两层的卷积层与输入数据进行卷积，卷积核尺寸分别为1×c1和1×c2，采用‘same’填补模式，数据通过两层的卷积层，内部时序信息集成合并，卷积层的输出为： 式中，表示输入和输出特征的映射函数； 噪声时序特征Xc＝{xc,t-T+1,…,xc,t}输入多层LSTM进行第二阶段的特征学习和参数估计，LSTM设计遗忘门fg,t，输入门ig,t和输出门og,t，遗忘门fg,t决定了前时间步的信息哪些应该被丢弃，输入门ig,t决定了当前的输入信息，表示为： fg,t＝σWf,hht-1+Wf,xxt+Wf,cct-1+bf ig,t＝σWi,hht-1+Wi,xxt+Wi,cct-1+bi 式中，Wh，Wx和Wc表示前输出状态ht-1，输入xt和前状态ct-1，b表示偏差向量，权重和偏差分别由下标f，i等区分，σ表示sigmoid激活函数； 数据通过LSTM后，输出cell状态更新为： ct＝fg,t⊙ct-1+ig,t⊙cg,t 式中，cg,t＝tanhWc,hht-1+Wc,xxt+bc表示输入通过tanh函数生成的候选状态向量，⊙表示Hadamard积； LSTM输出过程表示为： og,t＝σWo,hht-1+Wo,xxt+Wo,cct-1+bo， ht＝og,t⊙tanhct 在堆叠LSTM中，LSTM模块的输出是下一个LSTM的输入，每个LSTM块考虑T个时间步长数据，通过堆叠LSTM层，利用噪声特征Xc中的高层时间特征，将堆叠LSTM的最后一步隐藏状态作为输出，返回聚合信息，堆叠LSTM的输出被输入到一个全连接层，该全连接层将输出转换成参数集Θ。

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南京邮电大学，其通讯地址为：210000 江苏省南京市文苑路9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。