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！

龙图腾网获悉中国海洋大学申请的专利基于深度复值卷积注意力残差网络的DOA估计方法及系统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：CN120670808B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202510512662.5，技术领域涉及：G06F18/213；该发明授权基于深度复值卷积注意力残差网络的DOA估计方法及系统是由吕婷婷;樊一;于淏;于枫琳;周岩茜;李吉祥设计研发完成，并于2025-04-23向国家知识产权局提交的专利申请。

本基于深度复值卷积注意力残差网络的DOA估计方法及系统在说明书摘要公布了：本发明公开的基于深度复值卷积注意力残差网络的DOA估计方法及系统，属于阵列信号处理技术领域，解决目前现有DOA估计方法在低信噪比、有限快拍数等恶劣条件下存在精度低、鲁棒性差的技术问题。本发明包括以互质阵列采集数据并预处理得到SCM数据，作为DOA估计的原始输入信息；构建深度复值卷积注意力残差网络直接处理复数域的协方差矩阵信息，利用初始二维复值卷积层、级联的复值卷积块注意力网络及跨层残差连接结构，深度提取与空间角度相关的复值特征；DOA估计模块负责将提取到的高维复值特征向量最终映射到与DOA估计任务直接相关的表示空间，输出模块将波达方向DOA估计模块输出的内部特征表示转换为用户可解释的DOA估计结果。

本发明授权基于深度复值卷积注意力残差网络的DOA估计方法及系统在权利要求书中公布了：1.基于深度复值卷积注意力残差网络的DOA估计方法，其特征在于，包括步骤如下： S1、数据预处理模块获得复数数据，以互质阵列Coprime Array， CA采集数据并预处理得到复值采样协方差矩阵Sample Covariance Matrix，SCM数据，作为DOA估计的原始输入信息； 步骤S1中，获得复值SCM数据具体包括： 通过将两个阵元数互为质数的均匀线阵叠加排布建立互质阵列，其中第一个子阵的阵元数为M，阵元间距为Nd；第二个子阵的阵元数为N，阵元间距为Md；M和N互为质数且MN，d为信号的半波长，所述互质阵列的总阵元数为P=M+N‑1； 接收J个远场窄带信号，形成阵列接收信号数据模型： ； 其中，为在时刻t的阵列接收信号，为高斯白噪声，是M+N‑1×J维的阵列流型矩阵，，为第j个信号对应的阵列导向矢量； 根据L个快拍数据计算SCM数据，具体为： ； 其中，为一个P×P维的复数矩阵，L表示快拍数， 表示求共轭转置的操作； S2、特征提取模块，构建深度复值卷积注意力残差网络Deep Complex‑Valued Convolutional Attention Residual Network，DC‑CARN直接处理复数域的协方差矩阵信息，所述深度复值卷积注意力残差网络利用初始二维复值卷积层、复值卷积块注意力网络及跨层残差连接结构，深度提取与空间角度相关的复值特征； 步骤S2中，在特征提取模块中嵌入复值卷积块注意力网络Complex‑valued Convolutional Block Attention Module，CV‑CBAM，包含专门为复数特征设计的通道注意力和空间注意力子模块，具体接收步骤S1中获得的复值SCM数据，通过通道注意力和空间注意力机制，使上述子模块网络能够自适应地学习并强调对当前任务最重要的特征通道和空间位置，抑制噪声和无关特征的干扰，并通过初始二维复值卷积层、级联的复值卷积块注意力模块及跨层残差连接结构，深度提取与空间角度相关的复值特征向量； S3、DOA估计模块；包括多层复值全连接网络层Complex‑Valued Fully Connected Neural Network，CV‑FCNN，该模块负责将提取到的高维复值特征向量最终映射到与DOA估计任务直接相关的表示空间，即用于将复值特征映射至角度域；其中，所述复值全连接网络层，对一维复值特征向量进行非线性变换和映射，将步骤S2中提取到的高维复值特征向量映射到与DOA估计任务直接相关的表示空间； S4、输出模块，用于将完成DOA估计任务后角度域特征表示转换为用户可解释的DOA估计概率分布结果。

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中国海洋大学，其通讯地址为：266000 山东省青岛市崂山区松岭路238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。