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！

龙图腾网获悉贵州大学申请的专利一种用于射电干涉阵列的主波束合成波束耦合效应消除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：CN119417715B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202411436232.1，技术领域涉及：G06T5/60；该发明授权一种用于射电干涉阵列的主波束合成波束耦合效应消除方法是由张利;马帅;杨代虎设计研发完成，并于2024-10-15向国家知识产权局提交的专利申请。

本一种用于射电干涉阵列的主波束合成波束耦合效应消除方法在说明书摘要公布了：本发明公开了一种用于射电干涉阵列的主波束合成波束耦合效应消除方法，属于射电天文成像领域，实现步骤包括：S1：构建残差处理模块RpDH‑Deeplab；S2：构建分割网络中的编码器结构；S3：构建分割网络中的解码器结构；S4：将S1中得到的结果与S3得到的解码器结果相结合，并使用激活函数Tanh,得到RpDH‑Deeplab网络的输出结果；相比与其他主波束效应与合成波束分开校正的方法，本发明实现统一校正，避免校正过程中两效应相互影响的场景；深度学习神经网络模型在训练完成后，训练好的神经网络模型可以对数据实现精准地建模，实现对主波束效应特征的提取，神经网络模型具有出色的泛化能力，即便不在数据集中的射电天体结构，训练好的神经网络模型也同样适用。

本发明授权一种用于射电干涉阵列的主波束合成波束耦合效应消除方法在权利要求书中公布了：1.一种用于射电干涉阵列的主波束合成波束耦合效应消除方法，其特征在于，方法实现步骤具体包括： S1：在RpDH-Deeplab网络中构建残差处理模块，对输入的含效应的图像进行处理，能够为后续网络带来最全面、有效的输入图像的信息Fout，有助于更有效地实现主波束效应的校正； S2：在RpDH-Deeplab网络中构建分割网络的编码器结构，该结构中通过主干网络MobileNetv2实现对输入图像的不同级别特征提取，对于最高级别特征，采用DH-ASPP模块进行进一步的特征提取，最终得到DH-ASPP模块输出部分DH-ASPPout； S3：在RpDH-Deeplab网络中构建分割网络的解码器结构，解码器部分的作用是将编码器中输出的低级别特征与高级别特征DH-ASPPout进行特征融合，多特征的融合保证了更多的上下文信息被输入到神经网络当中，以确保能够对耦合效应实施更好的校正，最终得到解码器的输出Decoderout； S4：将步骤S1中的通过残差处理模块得到的结果Fout与步骤S3得到的解码器输出结果Decoderout相结合，并使用激活函数Tanh,得到RpDH-Deeplab网络的输出结果；通过不断地训练，网络结构中的参数被更新，使得RpDH-Deeplab网络最后的输出能够实现对主波束合成波束效应的精确校正； 步骤S2中所述的分割网络部分，在Deeplabv3+的基础上进行了改进，使其能更好地对输入的主波束效应图像中的天体结构进行有效的提取；分割网络属于编解码结构，有利于对特征实现更好地提取； RpDH-Deeplab网络中采用了MobileNetv2作为分割网络的主干网络； MobileNetv2中采用了倒残差结构，相比于一般的残差结构，倒残差结构中先进行1×1的卷积操作进行升维，然后进行3×3深度可分离卷积，最后通过1×1的卷积进行降维；MobileNetv2由多个倒残差结构叠加而成；其中扩展因子为倒残差结构中重复结构的数量，通道指每次操作前后的特征通道数变化情况，步距只针对每个重复结构的第一层； MobileNetv2中一共设置了4次步长为2的卷积操作，因此特征尺寸的变化一共有4次，分别为184×184、92×92、46×46和23×23，一共对应F2、F4、F8和F16共4个不同尺度的特征，其中F16为最高级别特征；在RpDH-Deeplab网络中，F16会输入DH-ASPP模块，进一步进行特征提取，而F2、F4和F8会被输入解码器Decoder部分，进行特征融合； 其中，在ASPP模块的基础上，并结合射电天体结构的特点，加入了密集连接与混合空洞卷积，并最终构建了所述的RpDH-Deeplab网络中的DH-ASPP模块的网络结构。

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贵州大学，其通讯地址为：550025 贵州省贵阳市花溪区贵州大学；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。