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！

龙图腾网获悉江苏开放大学(江苏城市职业学院)申请的专利一种基于多类特征学习的信号识别方法、系统、电子设备和存储介质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：CN116150606B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202310129418.1，技术领域涉及：G06F18/213；该发明授权一种基于多类特征学习的信号识别方法、系统、电子设备和存储介质是由许曈设计研发完成，并于2023-02-17向国家知识产权局提交的专利申请。

本一种基于多类特征学习的信号识别方法、系统、电子设备和存储介质在说明书摘要公布了：本发明公开了一种基于多类特征学习的信号识别方法、系统、电子设备和存储介质，属于闭集识别领域，该方法包括：提取原始信号的多类特征，根据特征的维度高低判断是否分析特征各维度的重要性，对高维特征评价各维度的重要性，并选择出高维特征中重要的维度；将重要高维特征或低维特征送入特征学习网络中，识别出信号的类别，计算在不同信号类别下信号特征的召回率，构建召回率矩阵；将全体测试集分成两部分，利用一部分测试信号修正召回率矩阵，通过多特征决策算法识别出另一部分测试信号所属的类别。着重解决不同的信号在不同特征上有不同区分性，仅通过单一特征无法完成高质量的信号多分类任务这一问题，进一步提高信号识别的能力和准确性。

本发明授权一种基于多类特征学习的信号识别方法、系统、电子设备和存储介质在权利要求书中公布了：1.一种基于多类特征学习的信号识别方法，其特征在于，包括以下步骤： 步骤1：提取原始信号的多类特征，所述原始信号为ADS-B接收机中获得的正交的IQ两路基带信号；根据特征的维度高低判断是否分析特征各维度的重要性，对高维特征评价各维度的重要性，并选择出高维特征中重要的维度；低维特征不作特征选择； 步骤2：设计特征学习网络，将重要高维特征或低维特征送入特征学习网络中，识别出不同信号样本的类别，得到每一种信号特征下的多分类识别结果，计算在不同信号类别下信号特征的召回率，构建召回率矩阵； 所述特征学习网络包含了带权重的卷积层和全连接层；从一维数据输入端到多分类结果输出端依次通过1*7的卷积层、批量归一化层、ReLU层、1*3的最大池化层、Res_2层、Res_1层、自适应平均池化层、全连接层和线性层；所述Res_2层包括1*3的卷积层、1*1的卷积层、ReLU层和批量归一化层；所述Res_1层包括1*3的卷积层、ReLU层和批量归一化层； 步骤3：将全体测试集分成两部分，利用一部分测试信号样本修正召回率矩阵，通过多特征决策算法识别出另一部分测试信号样本所属的类别； 步骤3具体为： 步骤3.1：将全体测试集分成两部分，利用一部分测试信号样本建立修正后的召回率矩阵； 设计若干个备选阈值Thre，得到不同阈值Thre下的多个召回率矩阵R+m,n： 找寻使召回率最大化的阈值 修正后的召回率矩阵R*m,n为： 步骤3.2：从另一部分测试数据中选择一个测试信号样本作为输入，输出多特征决策结果，识别出测试信号属于的信号类别； 具体为：从另一部分测试数据中输入一个测试信号样本，若该信号样本的大部分特征均判定该信号样本属于某同种类别信号，则认为该样本属于该信号类别；反之，则需查询修正后的召回率矩阵，并认为该信号样本属于召回率最大值对应的类别； 测试信号样本类别集合C＝{1,2,...,c}，测试信号样本被识别后判定的种类数集合为M0，根据信号特征判定的信号类别c1,c2,...,cz∈C，多特征决策结果C+用公式表示如下： 式中，z为特征的类别总数。

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江苏开放大学(江苏城市职业学院)，其通讯地址为：210036 江苏省南京市鼓楼区江东北路399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。