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一种基于深度学习的信道均衡方法、系统、设备及介质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：CN120151141B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202510280645.3，技术领域涉及：H04L25/02；该发明授权一种基于深度学习的信道均衡方法、系统、设备及介质是由李赞;胡良彭;郝本建;王宇轩;荣飞;宋钰;陈小军;刘培洲设计研发完成，并于2025-03-11向国家知识产权局提交的专利申请。

本一种基于深度学习的信道均衡方法、系统、设备及介质在说明书摘要公布了：一种基于深度学习的信道均衡方法、系统、设备及介质，其方法为，构造数据集，并划分为训练集、验证集和测试集，用于训练、验证和测试深度学习均衡器；构建深度学习均衡网络，实现信道均衡；对深度学习均衡网络进行训练、验证和测试，对最终深度学习均衡网络进行性能评估，完成基于深度学习的信道均衡；其系统、设备及介质，基于深度学习的信道均衡方法实现信道均衡；本发明能显著提升信号的恢复精度和系统的通信质量，特别适用于高动态和复杂环境下的现代通信系统。

本发明授权一种基于深度学习的信道均衡方法、系统、设备及介质在权利要求书中公布了：1.一种基于深度学习的信道均衡方法，其特征在于，具体包括以下步骤： 步骤1，数据集构造；首先生成比特流，经过调制生成传输信号，对生成的传输信号成型滤波并调制成符合通信要求的形式，进行模拟传输，最终，将经过信道传输后的输出信号构成数据集，并划分为训练集、验证集和测试集； 步骤2，构建符合步骤1数据集格式的深度学习均衡网络，基于卷积自编码器CAE，集成残差网络结构ResNet、自注意力机制Self-Attention、层归一化LayerNorm以及Swish激活函数，以实现信道均衡；具体为： 步骤2.1构建深度学习的均衡网络，包括残差网络结构ResNet、自注意力机制Self-Attention、层归一化LayerNorm以及Swish激活函数； 步骤2.1.1在特征提取方面，在编码器和解码器中均引入残差网络结构ResNet，残差网络结构ResNet由连续的Conv1D层组成，每层Conv1D层后接入层归一化和激活函数以提高训练稳定性；在残差网络结构ResNet的末端，采用跳跃连接SkipConnection，将输入直接加到输出上，以缓解梯度消失问题，并确保信息能够在深度学习的均衡网络中有效传递； 其中，残差网络结构ResNet的前向传播公式为： hl+1＝Fhl,Wl+hl F·为残差函数，包括卷积、层归一化和激活函数；反向传播时，梯度计算分解为两条路径： 即使残差函数F·的梯度趋近于零，跳跃连接仍能通过单位矩阵I保留至少与输入同量级的梯度 步骤2.1.2残差网络结构ResNet将从接收信号y到发送信号x的完整映射Hy＝x重构为学习残差函数Fy＝Hy-y；深度学习均衡网络输出应满足其中，Δ为信道失真补偿量，则深度学习的均衡网络只需拟合信道失真补偿量Δ： 通过将完整映射重构为残差映射，使得深度学习均衡网络从学习绝对映射转化为学习相对修正量；信道失真能够分解为线性部分Hlineary和非线性干扰∈y，残差网络结构ResNet分层逼近线性部分Hlineary和非线性干扰∈y： Hlineary＝W2·σW1y+b1+b2 其中，σ为激活函数，φ·为高阶非线性函数； 步骤2.2在步骤2.1残差网络结构后引入自注意力机制Self-Attention，以增强深度学习的均衡网络的全局特征建模能力； 采用多头自注意力Multi-HeadAttention,MHA结构，对低维特征进行信息增强； 假设残差网络结构输出信号为多头自注意力Multi-HeadAttention,MHA结构首先生成查询矩阵Q、键矩阵K值矩阵V： Q＝YWQ,K＝YWK,V＝YWV 其中，为可学习参数；注意力权重矩阵A通过缩放点积计算： Aij表示位置i对位置j的关注度；最终输出为加权值矩阵： 步骤2.3在深度学习的均衡网络中引入层归一化LayerNormalization,LN技术，通过层归一化LayerNormalization,LN对单个样本的所有特征维度进行独立归一化； 步骤2.3.1设第l层输出的特征张量为其中，C为通道数，H×W为空间维度，层归一化LayerNormalization,LN的归一化过程为： 其中，γc和βc为可学习的缩放与偏移参数，每个通道的特征分布独立归一化，无需等待批量数据积累； 步骤2.3.2通过层归一化LayerNormalization,LN，每个通道的特征分布相互独立，能够抑制梯度异常传播，反向传播第l层的梯度计算： 梯度项的数值范围被约束，避免了深度学习均衡网络梯度幅度的指数级衰减或增长； 步骤2.4选择Swish作为激活函数，提升训练的稳定性和均衡能力，Swish数学表达式如下： 在x＜0时允许负值通过； Swish的一阶导数计算如下： 其中，x为函数输入，表示输入至Swish的变量； 步骤3，对深度学习均衡网络进行训练、验证和测试；首先，将训练集输入深度学习均衡网络，学习信号的均衡特征，并利用验证集监控训练过程，防止过拟合；训练过程中，采用均方误差MSE作为损失函数，并使用Adam优化器进行参数更新，以提高训练效率并加快收敛速度；在验证阶段，使用平均绝对误差MAE评估深度学习均衡网络在验证集上的表现，帮助调整训练策略；训练完成后，使用测试集对最终深度学习均衡网络进行评估，检验其在测试集上的泛化能力及均衡性能，完成基于深度学习的信道均衡。

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。