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！

龙图腾网获悉中南大学申请的专利基于神经网络的时频分析的多普勒穿墙雷达定位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：CN117761655B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202311792313.0，技术领域涉及：G01S7/41；该发明授权基于神经网络的时频分析的多普勒穿墙雷达定位方法是由丁一鹏;东野广鑫;丁旻昊;彭意群设计研发完成，并于2023-12-25向国家知识产权局提交的专利申请。

本基于神经网络的时频分析的多普勒穿墙雷达定位方法在说明书摘要公布了：本发明公开了一种基于神经网络的时频分析的多普勒穿墙雷达定位方法，包括构建多目标运动在多普勒穿墙雷达解调后的回波信号；通过Winger‑Ville分布针对信号进行时频分析处理，获得对应的时频分布，构建融合数据集；构建多输入神经网络模型，采用融合数据集针对模型进行训练处理，同时更新模型参数，构建最优时频分布预测模型；获取实时采集的回波信号，通过分布进行时频分析处理，获得对应的时频分布，同时构建实时融合数据集；获得预测时频分布；提取预测时频分布的多目标瞬时频率，通过多普勒穿墙雷达定位算法估计目标的距离和角度信息，完成对多目标的定位；本发明方法消除时频分布交叉项的干扰、定位精度提高、时频分析效果提升。

本发明授权基于神经网络的时频分析的多普勒穿墙雷达定位方法在权利要求书中公布了：1.一种基于神经网络的时频分析的多普勒穿墙雷达定位方法，包括如下步骤： S1.构建多目标运动在多普勒穿墙雷达解调后的回波信号； S2.通过Winger-Ville分布针对步骤S1构建的回波信号进行时频分析处理，获得对应的时频分布，并采用获得的时频分布和构建的回波信号构建融合数据集； S3.构建多输入神经网络模型，采用步骤S2构建融合数据集针对构建的模型进行训练处理，同时更新模型参数，构建最优时频分布预测模型；具体包括： 3-1构建多输入神经网络模型： 多输入神经网络模型包括多输入编码结构、交叉项抑制结构、输出部分； 1多输入编码结构包括输入信号、二维卷积编码、一维复数卷积编码Convl； 输入包括一维复数信号和Winger-Ville分布-时频分布，其中，一维复数信号包括信号实部和信号虚部； 二维卷积编码包括三个二维卷积层； 一维复数卷积编码Convl包括两个一维卷积层； 输入的WVD-TFR，通过二维卷积编码，得到二维卷积编码的输出矩阵； 定义实部信号经过一维卷积得到的矩阵为，虚部信号经过一维卷积得到的矩阵为 ，采用下述公式计算输出维度： 通过上述计算得到的输出维度，再通过重组后得到的矩阵与矩阵进行Concat融合 处理，得到输出矩阵，作为交叉项抑制结构的输入； 2在交叉项抑制结构中，包括15个残差结构编码器和15个残差结构解码器；每一个残 差结构编码器包括一个大小为的二维卷积层、一个Relu激活函数；每一个残差结构 解码器包括一个大小为的二维反卷积层、一个Relu激活函数； 在编码器与解码器的连接中，第一个编码器的输出作为第二个编码器的输入，同时也作为第十五个解码器的输入；第二个编码器的输出作为第三个编码器的输入，也作为第十四个解码器的输入；第三个编码器的输出作为第四个编码器的输入，也作为第十三个解码器的输入；第四个编码器的输出作为第五个编码器的输入，也作为第十二个解码器的输入；第五个编码器的输出作为第六个编码器的输入，也作为第十一个解码器的输入；第六个编码器的输出作为第七个编码器的输入，也作为第十个解码器的输入；第七个编码器的输出作为第八个编码器的输入，也作为第九个解码器的输入；第八个编码器的输出作为第九个编码器的输入；第九个编码器的输出作为第十个编码器的输入，也作为第七个解码器的输入；第十个编码器的输出作为第十一个编码器的输入，也作为第六个解码器的输入；第十一个编码器的输出作为第十二个编码器的输入，也作为第五个解码器的输入；第十二个编码器的输出作为第十三个编码器的输入，也作为第四个解码器的输入；第十三个编码器的输出作为第十四个编码器的输入，也作为第三个解码器的输入；第十四个编码器的输出作为第十五个编码器的输入，也作为第二个解码器的输入；第十五个编码器的输出作为第一个编码器的输入； 步骤1中通过融合到的矩阵不仅作为残差结构编码器的输入，还与残差结构解码器 输出的特征矩阵相融合，共同作为交叉项抑制结构的输出，得到交叉项抑制结构的输出 矩阵； 3步骤2中得到的交叉项抑制结构的输出矩阵，通过一个二维卷积层，得到特征矩 阵；最后通过一个二维卷积层，降维后得最终的优化谱图；通过对优化谱图进行反向传 播处理，实现对网络中的参数的优化； 3-2训练模型： 采用步骤S1构建的融合数据集训练步骤3-1构建的多输入神经网络模型，同时采用验证集数据，针对模型的准确度进行估计处理； 选取步骤S1构建的融合数据集中的部分数据，组成验证集数据； 选取步骤S1构建的融合数据集中的部分数据，组成验证集数据； 3-3构建最优时频分布预测模型： 重复上述步骤3-2，基于上一次的训练结果，针对模型的参数进行调整，直至满足设定条件，停止模型的重复训练，获得最优时频分布预测模型； 设定条件包括判断多输入神经网络模型输出的增强时频谱图的时频分辨率是否在设定范围内，如果时频分辨率在设定范围内，则停止模型训练，并将对应的模型确定为最优时频分布预测模型；如果时频分辨率不在设定范围内，则继续对网络模型进行训练，直至时频分辨率包括在设定范围内； S4.获取实时采集的回波信号，通过Winger-Ville分布进行时频分析处理，获得对应的时频分布，同时采用实时采集的回波信号和对应的时频分布，构建实时融合数据集； S5.采用步骤S4构建的实时融合数据集，通过步骤S3构建的最优时频分布预测模型，获得预测时频分布； S6.提取步骤S5获得的预测时频分布的多目标瞬时频率，通过多普勒穿墙雷达定位算法估计目标的距离和角度信息，完成对多目标的定位。

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南大学，其通讯地址为：410083 湖南省长沙市岳麓区麓山南路932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。