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！

龙图腾网获悉中国人民解放军空军工程大学申请的专利基于时频特征融合和无锚检测头的智能信号检测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：CN119415831B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202411471611.4，技术领域涉及：G06F18/10；该发明授权基于时频特征融合和无锚检测头的智能信号检测识别方法是由向新;李春辉;王瑞;尹立言;李桥;梁源;毛虎;王洪迅设计研发完成，并于2024-10-21向国家知识产权局提交的专利申请。

本基于时频特征融合和无锚检测头的智能信号检测识别方法在说明书摘要公布了：公开一种基于时频特征融合和无锚检测头的智能信号检测识别方法，包括下列步骤：无线信号宽带捕获；时频变换预处理；基于神经网络的信号检测识别；时频信息转换。本方法提出一种适合信号检测识别的网络，该网络分为骨干网络、颈部网络和检测头网络三部分。提出一种由组件‑卷积块架构组成的骨干网络，能够灵活调整网络复杂度，以有效提取特征；在颈部网络中插入一个多尺度时频特征聚合模块以高效进行特征融合；还将检测头网络改为无锚机制以提高输出效率；网络最终的输出通过时频信息转换后得到信号的带宽和持续时间等参数。本发明方法能够为快速、自动信号检测识别提供支撑，有效解决军事通信情报侦察中人为参与度高以及信号检测识别率等问题。

本发明授权基于时频特征融合和无锚检测头的智能信号检测识别方法在权利要求书中公布了：1.基于时频特征融合和无锚检测头的智能信号检测识别方法，其特征在于，包括下列步骤： 步骤1：无线信号宽带捕获； 根据任务设置中心频率和接收带宽，以捕获包含目标信号的复基带IQ信号流；接收信号中还存在其他信号以及带内噪声的干扰； 步骤2：时频变换预处理； 时频变换预处理使用短时傅里叶变换STFT、小波分析时频变换将时域信号转换到时频域并生成信号时频图，进而将其作为深度学习的数据集；若xt是采样后的复数时间序列，则xt的STFT结果表示为： 其中，Sn,m是通过短时傅里叶变换得到的时频矩阵，n和m分别是频率和时间索引；wk是长度为N的分析窗，O是相邻窗之间的重叠点数；将Sn,m的模值或者对数化之后的模值保存为时频图；经过时频变换预处理后，信号的表示形式从一维时间序列变成二维时频图像中的前景信号； 步骤3：基于神经网络的信号检测识别； 将步骤2中变换后的时频图送入训练好的神经网络中，由神经网络自动输出信号的类别、回归坐标这些参数； 一种适合信号检测识别的神经网络，该神经网络被细化为骨干网络、颈部网络和检测头网络三个部分，骨干网络利用多尺度时频特征上下文聚合以及门控注意力组件实现时频特征融合；将有锚检测头网络替换为无锚机制； 在训练阶段，输入批大小为B的RGB三通道时频图像，经过骨干网络提取信号时频特征、颈部网络特征融合后，在检测头网络得到类别、定位回归、目标三部分输出；神经网络输出继续经过非极大值抑制、时频信息转换这些后处理，得到信号的类别、起止时间、中心频率及带宽这些时频信息； 1骨干网络 骨干网络整体架构分为多个卷积块，每个卷积块是由多个基础CBR组件串联组成；CBR组件包括一个卷积层、一个批归一化层和一个Relu激活函数的组合； 骨干网络CRB组件中的卷积操作不断提高网络的感受野，随着网络的加深也增加CBR组件中卷积层的输出通道数，得到信号丰富的时频特征；同时，在每个卷积块的第一个卷积操作中设置卷积步长为2，使得卷积后的特征图在长宽上变为原来特征图的一半，由此得到不同卷积块输出的不同尺度的特征图； 2颈部网络 颈部网络为多尺度时频特征聚合模块，由多尺度时频特征上下文聚合以及门控注意力组件两部分组成； 将骨干网络中不同卷积块输出的不同尺度的特征图取出，分别经过对应的空间金字塔池化，得到不同尺度上丰富的上下文特征信息；将不同尺度的特征图通过卷积操作以及最近邻插值统一到相同分辨率上； 选择直接加和或者沿通道维度连接不同尺度的特征图来得到融合后的特征图；在经过多尺度时频特征上下文聚合后增加门控注意力组件； 每一个特征图Xi输入不同的门控注意力组件分支；在对应的门控注意力组件分支中输入被分为两路，一路保持原有的特征图Xi不变，另一路依次经过CBR组件、卷积层、Sigmoid激活函数后转换为门控权重Wi，之后这两路进行元素相乘得到该分支加权后的输出；不同门控注意力组件分支的输出经过加权和运算得到最终的融合特征图Y，如式2所示： 其中，Y、CBR.、Conv.分别表示门控注意组件输出的最终融合后的特征图、CBR组件以及卷积层；S是从骨干网络中取出的不同尺度的特征图的数量；σ为Sigmoid激活函数，⊙为元素相乘，通过注意力门控对特征图进行像素级的融合；权重Wi随着网络收敛，门控权重逐渐抑制无用的信息并融合多尺度特征图中有利于后端检测的信息； 3检测头网络 检测头网络采用无锚解码方式加解耦头的结构，解耦头是指分类和回归分支不共用； 颈部网络融合后的特征Y经过CBR组件后将特征解耦，进而通过卷积层及Sigmoid激活函数得到三个输出分支，根据不同输出分支起到的作用，分别将其命名为类别分支、定位分支和目标分支；其中类别分支用于输出信号类别的置信度；定位分支用于输出信号预测框的坐标；目标分支是使网络额外输出一个预测框的质量分数以评判预测框的好坏，进而在标签分配时抑制远离中心目标的低质量预测框； 网络训练时的损失函数由三部分组成，如式3所示： Ldet＝Lcls+λLreg+μLobj3 其中，Ldet为总的代价函数，Lcls和Lobj分别为类别损失和目标损失，在训练中分别使用焦点损失函数以及二分类交叉熵函数；Lreg是定位回归函数，在训练中使用L1损失函数；λ和μ是超参数，用于平衡权重； 步骤4：时频信息转换； 神经网络输出的参数包括信号类别、信号框的起止x轴坐标x1,x2和起止y轴坐标y1,y2；假设信号的采样率为fs，时频图的观察时间为Td，则信号的带宽转换为：fs×x2-x1，信号的持续时间转换为Td×y2-y1。

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人民解放军空军工程大学，其通讯地址为：710051 陕西省西安市灞桥区长乐东路甲字1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。