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！

龙图腾网获悉温州职业技术学院申请的专利一种基于深度学习的噪声信号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：CN120929796B 。

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：202511476840.X，技术领域涉及：G06F18/21；该发明授权一种基于深度学习的噪声信号识别方法是由麻敏觉设计研发完成，并于2025-10-16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噪声信号识别方法在说明书摘要公布了：本发明公开了一种基于深度学习的噪声信号识别方法，方法包括原始信号采集、信号预处理、噪声识别特征提取、建立噪声信号识别模型和噪声信号智能识别。本发明涉及数字信号数据处理技术领域，具体是指一种基于深度学习的噪声信号识别方法，本方案创新地提出了基于能量阈值判断和能量极差值判断联合判断机制的自适应信号模态分解方法，能够有效完成对原始信号中不同频率带宽信息的解耦与保留，提升非平稳通信噪声的识别准确率；引入基于高斯函数构建的频带滤波器组，实现了通信信号识别的准确性提升；创新地提出融合图神经网络结构建模与原有类型参考向量匹配机制构建噪声识别模型的方法，提升了模型对非平稳通信干扰信号的识别稳健性。

本发明授权一种基于深度学习的噪声信号识别方法在权利要求书中公布了：1.一种基于深度学习的噪声信号识别方法，其特征在于：该方法包括以下步骤： 步骤S1：原始信号采集，通过信号采集操作，得到信号识别原始数据； 步骤S2：信号预处理，进行信号数据清洗和信号标准化，并采用基于能量阈值判断和能量极差值判断的联合判断机制，对变分模态分解算法进行改进，实现对标准化信号的自适应多模态分解，得到最终模态分量集合； 步骤S3：噪声识别特征提取，首先对所述最终模态分量集合执行短时傅里叶变换，获取其时频功率谱，随后构建基于高斯函数的频带滤波器组，对时频功率谱加权处理，计算能量响应值，再结合对数变换与离散余弦变换生成频谱形态特征向量，同时提取频带动态变化特征向量，最终将将两类特征向量进行拼接，生成噪声识别特征向量；具体包括以下步骤： 步骤S31：时频功率谱获取，具体为对最终模态分量集合执行短时傅里叶变换获得各时间帧的频谱分布，并计算对应的功率谱； 步骤S32：频谱形态特征向量获取，具体为构建一组基于高斯函数的频带滤波器组，并将其作用于功率谱，计算每个滤波器通道的能量响应值，随后，对滤波器能量进行对数变换，并施加离散余弦变换，得到一组频谱形态特征向量；所用公式如下： ； 式中，表示第m个滤波器中心频率，表示第m个滤波器标准差，表示第m个滤波器在的输出能量值，f表示频率索引，表示时间帧索引； 步骤S33：频带动态变化特征向量获取，具体为将功率谱划分为若干频带区间，对每个频带计算最大与最小功率值的对数比值，得到频带动态变化特征向量； 步骤S34：多特征融合向量获取，具体为将频谱形态特征向量与频带动态变化特征向量进行拼接，得到噪声识别特征向量； 步骤S4：建立噪声信号识别模型，用于构建具备多类型信号判别能力的深度识别模型，通过将噪声识别特征向量序列映射为帧级图结构，采用图卷积网络结合多头注意力机制对图结构进行深度特征编码，提取结构增强噪声识别向量，并引入原有类型参考向量进行类型匹配，基于图结构优化损失、信号类型识别损失和信号类型区分损失构建联合损失函数，对识别模型进行联合训练，得到训练后的噪声信号识别模型； 步骤S5：噪声信号智能识别，具体为将实时信号数据输入至训练后的噪声信号识别模型，输出噪声信号实时识别结果，并根据识别结果进行分级响应处理，实现对正常信号、已知干扰及新型噪声类型的有效判别与处理。

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温州职业技术学院，其通讯地址为：325000 浙江省温州市茶山高教园区及温州市蒋家桥81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。