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！

龙图腾网获悉哈尔滨工程大学申请的专利非高斯环境下基于深度学习的脉冲信号重构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：CN119377887B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202411501068.8，技术领域涉及：G06F18/25；该发明授权非高斯环境下基于深度学习的脉冲信号重构方法是由付进;李研赫;邹男;杜致尧;杨震宇;李悦铭;马鹏博;刘群设计研发完成，并于2024-10-25向国家知识产权局提交的专利申请。

本非高斯环境下基于深度学习的脉冲信号重构方法在说明书摘要公布了：非高斯环境下基于深度学习的脉冲信号重构方法，本发明涉及基于深度学习的脉冲信号重构方法。本发明的目的是解决现有海洋环境噪声往往具有非高斯统计特性，基于高斯分布假设的传统方法在非高斯干扰与低输入信干噪比背景下的脉冲信号重构准确率低的问题，而提出非高斯环境下基于深度学习的脉冲信号重构方法。非高斯环境下基于深度学习的脉冲信号重构方法具体过程为：构建训练集；构建深度神经网络模型；基于训练集对构建的深度神经网络模型进行训练，获得训练好的深度神经网络模型；将接收到的水声脉冲信号输入训练好的深度神经网络模型，训练好的深度神经网络模型输出重构后的脉冲信号。本发明用于脉冲信号重构领域。

本发明授权非高斯环境下基于深度学习的脉冲信号重构方法在权利要求书中公布了：1.非高斯环境下基于深度学习的脉冲信号重构方法，其特征在于：所述方法具体过程为： 步骤一：构建训练集； 步骤二：构建深度神经网络模型； 步骤三：基于训练集对构建的深度神经网络模型进行训练，获得训练好的深度神经网络模型； 步骤四：将接收到的水声脉冲信号输入训练好的深度神经网络模型，训练好的深度神经网络模型输出重构后的脉冲信号； 所述步骤二中构建深度神经网络模型；具体过程为： 深度神经网络模型包括编码器、分离器和解码器； 深度神经网络模型的工作过程为： 将接收水听器接收信号的时频域表示作为深度神经网络模型的输入信号，输入信号通道数为2，分别为信号短时傅里叶变换的实部与虚部；T、F分别为输入信号时频域表示的时间帧及频率帧总数；为实数； 输入信号经过编码器提取信号特征Encoder_Out，信号特征Encoder_Out经由分离器得到信号掩膜Mask； 信号特征Encoder_Out与信号掩膜Mask的乘积作为解码器的输入，解码器输出重构后的信号 所述编码器依次包括第一膨胀模块、第九单元； 所述第一膨胀模块包括第一单元、第二单元、第三单元、第四单元、第五单元、第六单元、第七单元、第八单元、第一跳跃连接结构、第二跳跃连接结构、第三跳跃连接结构； 所述第一单元、第二单元、第三单元、第四单元、第五单元、第六单元、第七单元、第八单元、第九单元中每个单元依次包括：膨胀卷积层、ReLU激活函数层； 所述编码器的工作过程为： 输入数据输入第一单元，第一单元输出特征A； 特征A输入第二单元，第二单元输出特征B； 特征A输入第一跳跃连接结构，第一跳跃连接结构输出特征C； 特征B输入第三单元，第三单元输出特征D； 特征B输入第二跳跃连接结构，第二跳跃连接结构输出特征E； 特征D输入第四单元，第四单元输出特征F； 特征D输入第三跳跃连接结构，第三跳跃连接结构输出特征G； 特征F输入第五单元，第五单元输出特征H； 特征H和第三跳跃连接结构输出特征G输入第六单元，第六单元输出特征I； 特征I和第二跳跃连接结构输出特征E输入第七单元，第七单元输出特征J； 特征J和第一跳跃连接结构输出特征C输入第八单元，第八单元输出特征K； 特征K输入第九单元，第九单元输出特征L，特征L为编码器输出特征Encoder_Out； 表达式为： Encoder_Out＝ReLUDilated_ConvDilation_BlockX2其中，Dilation_Block为膨胀模块DilationBlock，Dilated_Conv为膨胀卷积层DilatedConv，ReLU为ReLU激活函数层； 所述分离器包括归一化层、第四卷积层、R个双路自注意力机制Transformer模块、第五卷积层、第一PReLU激活函数层、第六卷积层、第二Tanh激活函数层、第七卷积层、第二Sigmiod激活函数层、第八卷积层、第二ReLU激活函数层； 所述分离器的工作过程为： 编码器输出特征Encoder_Out依次输入归一化层、第四卷积层，第四卷积层输出特征F′； 特征F′依次输入R个双路自注意力机制Transformer模块，R个双路自注意力机制Transformer模块输出特征H′； 特征H′依次输入第五卷积层、第一PReLU激活函数层，第一PReLU激活函数层输出特征I′； 特征I′依次输入第六卷积层、第二Tanh激活函数层，第二Tanh激活函数层输出特征J′； 特征I′依次输入第七卷积层、第二Sigmiod激活函数层，第二Sigmiod激活函数层输出特征K′； 特征J′和特征K′进行点乘，得到特征L′； 特征L′依次输入第八卷积层、第二ReLU激活函数层，第二ReLU激活函数层输出特征M′； 特征M′为分离器输出信号掩膜Mask； 所述解码器依次包括第二膨胀模块、第十八单元； 所述第二膨胀模块包括第十单元、第十一单元、十二单元、十三单元、十四单元、十五单元、十六单元、十七单元、第四跳跃连接结构、第五跳跃连接结构、第六跳跃连接结构； 所述第十单元、第十一单元、十二单元、十三单元、十四单元、十五单元、十六单元、十七单元中每个单元依次包括：膨胀卷积层、ReLU激活函数层； 所述十八单元依次包括：膨胀卷积层、Tanh激活函数层； 所述解码器的工作过程为： 将编码器输出特征Encoder_Out与分离器的输出Mask相乘，得到特征 第二单元输出特征B与分离器的输出Mask相乘，得到特征 第三单元输出特征D与分离器的输出Mask相乘，得到特征 第四单元输出特征F与分离器的输出Mask相乘，得到特征 第五单元输出特征H与分离器的输出Mask相乘，得到特征 第六单元输出特征I与分离器的输出Mask相乘，得到特征 第七单元输出特征J与分离器的输出Mask相乘，得到特征 第八单元输出特征K与分离器的输出Mask相乘，得到特征 特征输入第十单元，第十单元输出特征 特征输入第四跳跃连接结构，第四跳跃连接结构输出特征δ； 特征和特征输入第十一单元，第十一单元输出特征 特征输入第五跳跃连接结构，第五跳跃连接结构输出特征δ′； 特征和特征输入第十二单元，第十二单元输出特征 特征输入第六跳跃连接结构，第六跳跃连接结构输出特征δ″； 特征和特征输入第十三单元，第十三单元输出特征 特征和特征输入第十四单元，第十四单元输出特征 特征特征和特征δ″输入第十五单元，第十五单元输出特征 特征特征和特征δ′输入第十六单元，第十六单元输出特征 特征特征和特征δ输入第十七单元，第十七单元输出特征 特征输入第十八单元，第十八单元输出特征特征为解码器得到期望信号的估计值； 所述第四跳跃连接结构、第五跳跃连接结构、第六跳跃连接结构中每个跳跃连接结构工作过程为： 输入特征A′依次输入第一卷积层、第一ReLU激活函数层，第一ReLU激活函数层输出特征B′； 输入特征A′依次输入第一最大池化层、第二卷积层、第一Tanh激活函数层，第一Tanh激活函数层输出特征C′； 输入特征A′依次输入第二最大池化层、第三卷积层、第一Sigmiod激活函数层，第一Sigmiod激活函数层输出特征D′； 将特征B′、特征C′、特征D′进行点乘，得到特征E′； 特征E′作为跳跃连接结构的输出特征。

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哈尔滨工程大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区南通大街145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。