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！

龙图腾网获悉北京邮电大学申请的专利一种基于残差网络的通感一体化波形超分辨率感知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：CN119906607B 。

龙图腾网通过国家知识产权局官网在2026-01-30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：202411805398.6，技术领域涉及：H04L25/02；该发明授权一种基于残差网络的通感一体化波形超分辨率感知方法是由尹美宇;黎京汶;刘杨;刘喜庆;彭木根设计研发完成，并于2024-12-09向国家知识产权局提交的专利申请。

本一种基于残差网络的通感一体化波形超分辨率感知方法在说明书摘要公布了：本发明涉及一种基于残差网络的通感一体化波形超分辨率感知方法，包括：步骤1：网络模型构建；步骤2：信号处理流程；步骤3：模型训练过程。本发明所述基于残差网络的通感一体化波形超分辨率感知方法的优越技术效果在于：利用残差网络较好的图像处理能力和注意力机制的特征选择能力，对二维MUSIC感知谱图像进行处理，在分离相近目标上实现了更高的精度；本发明所述方法，将感知参数的估计问题建模为回归预测问题，直接输出感知参数，相较于划分网格并预测谱峰位置的多分类间接估计方法，本发明所述方法的感知性能不受网格分辨率的限制。

本发明授权一种基于残差网络的通感一体化波形超分辨率感知方法在权利要求书中公布了：1.一种基于残差网络的通感一体化波形超分辨率感知方法，包括： 步骤1，网络模型构建：步骤1.1第一层神经网络由普通的卷积层和池化层构成，卷积层的卷积核大小为3×3，步长为1，输出通道数为64，在卷积层后面添加一层批归一化层，并使用ReLu函数作为批归一化层的输出函数，最大池化层被放置在ReLu层后，核大小为3×3，步长为2； 步骤1.2：第二层和第三层神经网络分别由一个经典的残差块构成，每个残差块内部包含两层卷积层，每个卷积层的卷积核大小设置为3×3，步长为1，第二层残差块的输出通道为64，第三层残差块的输出通道为128； 步骤1.3：第四层和第五层神经网络则在残差块的基础上添加了注意力机制，第四与第五层残差块的内部参数设置与前两层一样，输出通道数量分别设置为256和512，残差块后面被加入了一层SENet，降维比例分别设置为8和16； 步骤1.4：第五层后面通过一层全局平均池化层对数据进行降维，随后接上一个全连接层作为输出层，输出神经元的数量设置为其中为感知目标的数量； 步骤2，信号处理流程：步骤2.1：设置参数N、M和其中：N为OFDM符号数，M为子载波数，为调制阶数，信源根据待传输的内容生成长度为的串行比特数据流，并对该数据流进行阶数字调制映射为MN个星座符号，其中：m＝0，...，M-1，n＝0，...，N-1； 步骤2.2：对MN个星座符号首先通过串并变换将其摆放在时间-频率域网格上，得到时频域的待发送符号，记为A[m，n]，发射端对A[m，n]的每一行进行M点离散逆傅里叶变换InverseDiscreteFourierTransform，IDFT得到离散时域样本，再通过发射脉冲成型函数将其转化为连续的时域待发射信号xt，如下式1： 式1中，Δf为子载波间隔，Ts为一个带循环前缀Cyclicprefix，CPOFDM符号的持续时间，满足Ts＝T+Tcp，且T＝1Δf为OFDM符号信息部分的持续时间，Tcp为CP部分的持续时间，gtxt为发射脉冲成型函数； 步骤2.3：设置感知参数ρk，dk和vk，其中为感知目标的数量，ρk，dk和vk分别为第k个目标对应的信道增益，距离和速度，且有 步骤2.4：根据感知参数构建时间-时延域信道冲激响应其中δ·为狄拉克德尔塔函数，τk和vk分别为第k条径对应的时延和多普勒，满足τk＝2dkc和vk＝2υkfcc，c表示光速，fc表示发射信号的中心载频； 步骤2.5：发射的信号通过感知信道到达感知接收端，接收信号rt通过发送信号xt与时间-时延域信道冲激响应ht，τ的积分得到，如下式2： 式2中，nt为接收机接收到的加性高斯白噪声，接收端通过对接收信号以时间间隔TM进行采样可以得到离散形式的接收信号，除去采样数据中属于循环前缀的部分，并对每M个采样点进行DFT，即得到时频域的接收信号矩阵Y[m，n]：如下式3 时频域接收矩阵看作是发送符号A[m，n]乘以信道复增益再加上噪声的结果，则有Y＝A⊙Hd，v+N，其中⊙表示哈达玛积，Hd，v为时间-频率域的信道冲激响应矩阵，和表示待估计的感知参数向量，令表示信道增益向量，则Hd，v进一步被拆解为Hd，v＝UddiagΓBvT，其中Ud和Bv分别表示由时延和多普勒对应的相移矩阵，如下式4： 式4中，步骤2.6：估计算法需要接收信号矩阵中与信道相关的信息，需要将接收矩阵Y以元素级除法除以发送符号A得到待估计矩阵O： 上式5中，待估计矩阵O的行方向包含着每个目标的距离信息，列方向包含着每个目标的速度信息，表示噪声矩阵； 步骤2.7：将O重新排列，令列向量逐一拼接到一起，将距离信息和速度信息摆放在同一个维度上，定义转向矢量其中：表示克罗内克积，则重新排列后的O用如下式6表示： 式6中，表示重新排列后的向量，vec·表示列向量化操作； 步骤2.8：将q与其共轭转置qH相乘，计算协方差矩阵Qxx＝qqH； 步骤2.9：计算协方差矩阵Qxx的特征值和对应的特征向量，得到Qxx的特征值分解Qxx＝EΛEH，其中：Λ＝diagλ1，...，λMN，E＝[e1，...，eMN]，λl和el分别是协方差矩阵Qxx的特征值和对应的特征向量； 步骤2.10：将计算得到的特征值进行降序排序，使得排序后的特征值序列满足其中特征向量也同时按照特征值的顺序进行重新排列，重新排列后的特征向量矩阵记为 步骤2.11：最大的前个特征值被认为是个目标的反射信号对应的特征值，其余的个特征值则认为是噪声特征值，根据协方差矩阵Qxx的特征值分解和排序结果，接收信号被分解为信号子空间和噪声子空间，子空间分解的结果用下面的式子表示： 式7中，和分别表示信号子空间和噪声子空间，基于上述的分解操作，二维MUSIC谱表示为下式8： 式8中，d和v分别表示距离和速度，cd，v为步骤2.7中定义的转向矢量，表示噪声子空间，·H表示共轭转置； 步骤2.12：设置参数Nd和Nv，分别表示沿距离轴和速度轴方向上对二维MUSIC谱进行采样时的采样点数； 步骤2.13：根据步骤B5中描述的转向矢量ud和bv，计算二维MUSIC算法估计的最大距离范围Drange和最大速度范围Vrange，分别满足和即有下式9： 步骤2.14：确认算法应用场景下感知目标可以达到的的最大距离dmax和最大速率vmax，满足0≤dk≤dmax和-νmax≤vk≤vmax，其中：同时需要保证保证波形参数的设置使得Drange≥dmax和Vrange≥vmax2； 步骤2.15：根据上述三个步骤设置或计算的参数，对二维MUSIC谱沿着距离轴和速度轴进行采样，记采样后的二维离散MUSIC谱为Pmusic，如下式10: 式10中，nd＝0，...，Nd，nv＝0，...，Nv，通常的做法是将每个采样点距离轴采样点和速度轴采样点分别设置为DrangendNd和VrangenvNv-0.5，使得二维MUSIC谱估计的距离和速度范围分别为[0，Drange]和[-Vrange，Vrange]2，其中：速度采样点的设置是为了能够兼顾实际应用中正负速率的存在；然而距离轴采样点的设置使得感知谱峰通常出现在二维MUSIC谱的一侧，这样的情况会使得模型的训练和预测效果受到影响，令β＝dmaxDrange≤1，通过式10距离轴采样点的设置能够使得二维度MUSIC谱Pmusic中的距离轴上谱峰出现的位置位于[1-β，1+β]Nd2之间，即出现在二维谱中心的概率增大； 步骤2.16：将获得的二维MUSIC谱Pmusic输入训练好的模型中，得到归一化后的感知参数集和 步骤2.17：将获得的感知参数集换算为感知目标对应的距离和速度，换算方法如下式11所示： 根据上式11得到感知参数的估计结果和 步骤3，模型训练过程：步骤3.1：设定参数Drange，Vrange，dmax，vmax，感知目标的数量设置为设定距离模糊度ηd和速度模糊度ηv，表示两个目标感知参数的相近程度，生成第一个感知目标对应的距离d1和v1，满足0≤d1≤dmax和-vmax≤v1≤vmax，第二个感知目标对应的距离和速度根据模糊度计算如下式12： 步骤3.2：根据步骤C1生成训练用的数据，生成20000个大小为Nd×Nv＝40×40的2D-MUSIC谱作为训练数据来训练模型，训练数据中两个谱峰的中心位置在MUSIC谱上随机分布，速度模糊度ηv在0-0.5之间均匀分布，距离模糊度ηd在0-0.9之间均匀分布，同时5000个以相同方式生成的2D-MUSIC谱数据被生成作为验证集，在测试集中，目标的距离模糊度以0.1为步进，从0增加到0.9，其它参数与训练集相同，每个距离模糊度生成5000个数据，即测试集的总大小为50000； 步骤3.3：在模型训练过程中将均方误差函数作为损失函数： 式13中，表示归一化的感知参数集，且有下式14： 式14中，k＝1,2，使用Adam优化器对参数进行优化；批大小设置为128；权重衰减率设置为0.00001；初始的学习率设置为0.001，当验证集误差在3轮内下降幅度不超过百分之一时，学习率除以10；模型总共训练60轮。

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北京邮电大学，其通讯地址为：100876 北京市海淀区西土城路10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。