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基于多任务解耦学习的卫星变调制下个体识别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：CN119025991B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411061364.0，技术领域涉及：G06F18/241；该发明授权基于多任务解耦学习的卫星变调制下个体识别方法是由李林;孟京龙;臧博;张文博;姬红兵;朱志刚设计研发完成，并于2024-08-05向国家知识产权局提交的专利申请。

本基于多任务解耦学习的卫星变调制下个体识别方法在说明书摘要公布了：本发明公开了一种基于多任务解耦学习的卫星变调制下个体识别方法，主要解决现有技术在变调制情况下提取的个体特征表征性能差的问题。其实现方案是：接收通过某观测轨道的下行通信链路信号，并划分训练集与测试集；建立由复值多尺度嵌入单元与注意力门控单元构成的两个知识提取块和一个共享知识提取块，并将这三个知识提取块并联组成特征提取模块；堆叠特征提取模块并连接分类器组成多任务解耦网络；将训练集数据输入到多任务解耦网络中进行训练；将测试集数据输入到训练好的多任务解耦网络，输出调制类型和卫星身份结果。本发明减轻了因调制变化引起的特征损失，能在调制方式变化下提取丰富的个体信息，增强对复杂信号识别性能，可用于信源卫星的电子侦察与识别。

本发明授权基于多任务解耦学习的卫星变调制下个体识别方法在权利要求书中公布了：1.一种基于多任务解耦学习的卫星变调制下个体识别方法，其特征在于：包括如下步骤： 1使用宽带接收机接收通过某观测轨道的下行通信链路信号，并对其进行预处理，再将预处理的数据按照7：3的比例划分为训练集与测试集； 2构建多任务解耦网络： 2a建立由多个复值多尺度嵌入单元并联后并串联注意力门控单元的知识提取块； 2b将三个知识提取块并联组成特征提取模块，分别用于提取调制知识、共享知识和个体知识； 2c将多个特征提取模块上下串联堆叠成特征提取层； 2d建立两个均由全连接层构成的分类器，分别用于对调制类型进行分类和对个体特征进行分类，将这两个分类器分别连接到特征提取层的两个输出端，组成多任务解耦网络； 3将训练集数据输入到多任务解耦网络中，采用梯度下降法对模型进行训练，直至损失函数趋于收敛，获得训练好的多任务解耦网络；所述将训练集数据输入到多任务解耦网络中，具体是通过前向传播计算预测输出： 3.2.1给定归一化后的下行通信链路信号的信号输入序列x； x＝zpq＝{[I1,Q1]T,[I2,Q2]T,…,[Ii,Qi]T,…,[In,Qn]T} 其中[Ii,Qi]T表示经过预处理的下行通信链路信号第i个采样点的实部与第i个采样点的的虚部组成的列向量xi，[·]T表示取转置，Ii＝realzpqi，real·表示取实部，Qi＝imagzpqi，imag·表示取虚部； 3.2.2构造复值卷积核：W＝[WI,WQ]T,其中WI与WQ分别表示复值卷积的实部与虚部： 3.2.3将信号输入序列x与复值卷积核W进行卷积，即利用并联的1×3、1×5、1×7三种不同尺度的复值卷积核对信号进行多尺度特征提取，得到知识向量fθx： 其中，表示卷积运算； 3.2.4信号输入序列x经过第一知识提取块A中并联的第i个复值多尺度嵌入单元提取知识向量EA,i,并将mA个知识向量进行拼接，得到拼接后的特征向量EA： 其中，mA表示第一知识提取块A中复值多尺度嵌入单元的数量，d表示信息嵌入的维度，EA,i＝fθx，i∈1,mA； 3.2.5信号输入序列x经过第二知识提取块B中并联的第j个复值多尺度嵌入单元提取知识向量EB,j,并将mB个知识向量进行拼接，得到拼接后的特征向量EB： 其中，mB表示第二知识提取块B中复值多尺度嵌入单元的数量；d表示信息嵌入的维度，EB,j＝fθx，j∈1,mB； 3.2.6信号输入序列x经过共享知识提取块S中并联的第k个复值多尺度嵌入单元提取知识向量ES,k,并将mS个知识向量进行拼接，得到拼接后的特征向量ES： 其中，mS表示共享知识提取块S中复值多尺度嵌入单元的数量；d表示信息嵌入的维度，ES,k＝fθx，k∈1,mS； 3.2.7将上述两个特征向量EA与ES进行拼接，并将拼接后的特征向量[EA,ES]作为第一知识提取块A的门控单元输入，得到每个知识向量对应的注意力值并对这些注意力值进行拼接得到知识向量的注意力权重向量gA： 其中，Eα表示输入特征向量中的第α个知识向量，α∈1,mA+mS，||·||p表示特征向量的p范数,p＝2； 3.2.8将注意力权重向量gA与第一知识提取块A的门控单元输入[EA,ES]进行矩阵乘法得到第一知识提取块A的调制知识输出GA： GA＝gA×[EA,ES] 3.2.9将上述两个特征向量EB与ES进行拼接，并将拼接后的特征向量[EB,ES]作为第二知识提取块B的门控单元输入，得到每个知识向量对应的注意力值并对这些注意力值进行拼接得到知识向量的注意力权重向量gB： 其中，Eα表示输入特征向量中的第β个知识向量，β∈1,mB+mS； 3.2.10将注意力权重向量gB与第二知识提取块B门控单元输入[EB,ES]进行矩阵乘法得到第二知识提取块B的个体知识输出GB： GB＝gB×[EB,ES] 3.2.11将上述三个特征向量EA、EB与ES进行拼接，并将拼接后的特征向量[EA,EB,ES]作为共享知识提取块S的门控单元输入，得到每个知识向量对应的注意力值ωEγ,并对这些注意力值进行拼接得到知识向量的注意力权重向量gS： 其中，Eγ表示输入特征向量中的第γ个知识向量，γ∈1,mA+mB+mS； 3.2.12将注意力权重向量gS与共享知识提取块S门控单元输入[EA,EB,ES]进行矩阵乘法得到共享知识提取块S的共享知识输出GS： GS＝gS×[EA,EB,ES] 3.2.13将多个特征提取模块上下串联堆叠成特征提取层，以输出调制特征和个体特征，具体而言，将信号输入序列x作为第一个堆叠的特征提取模块的输入，将第一层的第一知识提取块A1输出调制知识GA1作为第二层第一知识提取块A2的输入；将第一层第二知识提取块B1的输出个体知识GB1作为第二层第二知识提取块B2的输入；将第一层共享提取块S1输出的共享知识GS1作为第二层共享提取块S2的输入；以此类推，经过六层的前向传播，最终输出调制特征GA和个体特征GB； 4将测试集数据输入到训练好的多任务解耦网络，输出调制类型结果和卫星身份结果。

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”。

以上内容由龙图腾AI智能生成。