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！

龙图腾网获悉电子科技大学申请的专利一种基于多维度图像信息的通信信号自动调制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：CN120567631B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202510752873.6，技术领域涉及：H04L27/00；该发明授权一种基于多维度图像信息的通信信号自动调制识别方法是由陈世博;赵贻玖;周乃馨;赵家铭;王煜森;张益设计研发完成，并于2025-06-06向国家知识产权局提交的专利申请。

本一种基于多维度图像信息的通信信号自动调制识别方法在说明书摘要公布了：本发明公开了一种基于多维度图像信息的通信信号自动调制识别方法，输入信号经过信息融合模型后将同相正交数据转化成星座数据、差分星座图数据和幅度相位数据，再将多维度数据进行自适应带宽的核密度估计，获取融合后的多维度图像数据；然后通过图像特征提取模型提取图像特征，提取后的特征经展平层从二维图像特征转换为一维特征向量，通过分类器中的两次全连接层映射为输入信号调制类别的预测值，实现通信信号的自动调制识别。

本发明授权一种基于多维度图像信息的通信信号自动调制识别方法在权利要求书中公布了：1.一种基于多维度图像信息的通信信号自动调制识别方法，其特征在于，包括以下步骤： 1、从已知调制类型的数据集中抽取训练数据组成训练数据集； 对包含有种调制类型的数据集进行分层抽取，组成训练数据集，其中，每组训练数据为同相或正交数据，表示为：，表示两路正交数据，为正交数据中采样点编号，为训练数据组数； 2、构建基于残差网络与通道注意力机制的调制识别模型； 3、利用训练数据集训练基于残差网络与通道注意力机制的调制识别模型； 3.1、从训练数据集中抽取组训练数据，作为本轮训练的一批次输入，并输入至调制识别模型； 3.2、通过信息融合模型获取每组训练数据的多维度图像数据； 3.2.1、将转化为调制域中的星座数据： ； 其中，和分别代表星座数据的同相分量和正交分量，代表信号的采样周期； 3.2.2、利用自相关函数提取差分星座图数据： ； 其中，和分别代表差分星座图数据的实部分量和虚部分量，表示共轭信号的差分步长，表示虚部； 3.2.3、将转化为时域中的幅度相位数据： ； 其中，和分别代表训练数据的幅度和相位； 3.2.4、利用自适应带宽的核密度估计提取星座图数据、差分星座图数据和幅度相位数据的核密度估计分布： 其中，代表中的任意一组数据，表示的核密度估计函数，分别是核密度估计的带宽，是采样点总数，表示数据核密度估计的核函数，采用高斯核函数；核密度估计的带宽和高斯核由下式得到： ； ； ； 其中，表示路上数据的标准差； 3.2.5、按通道方向将多维度的核密度估计合并成多维度图像数据： ； 3.3、通过特征提取模型从多维度图像数据中提取特征数据； 3.3.1、特征提取模型的输入为多维度图像数据，其尺寸记为；先将通过一个卷积层进行通道扩展，该卷积层的尺寸为，通道数为，步幅为，填充为；再经一个卷积操作后，输出的起始特征为，其尺寸为，尺寸大小满足： ； ； ； 3.3.2、起始特征经过基于通道注意力机制的残差网络进一步提取深层次的特征数据； 该残差网络包括四个残差层堆叠而成，每个残差层包括残差结构和SE模块；残差结构包括顺序连接的卷积层+批量归一层+ReLU层+卷积层+批量归一化层， 起始特征输入至第一个基于通道注意力机制的残差网络，通过第一个残差块获取特征数据，其尺寸为；将残差块输出的特征作为第一个SE模块的输入，将每个通道尺寸为的特征数据表征为维度是1*1的数据，经过两个卷积层的学习表征得到最终输出的维度为的通道权重，最后得到增加通道注意力的输出特征： ； 其中，是第一个残差网络输出的特征数据，其维度是； 3.3.3、将特征数据作为下一个残差网络的输入，然后重复第一个残差网络的操作流程，然后以此类推，经过第四个残差网络操作后获取特征数据，其尺寸为； 3.4、通过分类器模型预测调制信号类型； 分类器模型的输入是特征数据；通过展平层将每个通道尺寸为的特征矩阵展平为一个长度是的特征向量，从而得到展平后的特征向量矩阵，其尺寸为；展平后的向量矩阵经第一个全连接层实现等维度特征变换，第一个全连接层的输入层有E个神经元，输出层有E个神经元，第一个全连接层与批量归一层相连，然后使用ReLU激活层；第二个全连接层的输入层有E个神经元，输出层有M个神经元，第二层神经元使用Softmax激活层；特征向量矩阵经两个全连接层的学习表征后得到M种调制类型的预测概率，最后预测的调制类型结果为： ； 其中，表示第组训练数据属于第种调制类型的概率； 3.5、计算本轮训练后的损失函数值： ； ； 其中，代表加入正则化后的损失函数值，代表加入正则化前的模型的损失函数，是加入的正则化系数，表示第轮迭代时的权重参数，表示第组训练数据对应的真实调制类型概率值，表示当前迭代的轮次； 3.6、判断损失函数值是否收敛或训练次数达到设置的最大值，如果满足，则训练结束，得到训练后的调制识别模型；否则，进入步骤3.7； 3.7、更新调制识别模型的权重参数； 对损失函数进行求导，得到当前第轮迭代时的权重参数： ； 更新权重参数为： 其中，为权重调节系数； 3.8、根据更新后的权重参数初始化调制识别模型，然后返回步骤3.1进行下一轮训练； 4、利用训练后的调制识别模型识别未知调制类型的采样数据，获得采样数据的调整类型。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。