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！

龙图腾网获悉南京航空航天大学申请的专利一种基于深度学习的无线通信干扰信号开集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：CN119917913B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202510082800.0，技术领域涉及：G06F18/241；该发明授权一种基于深度学习的无线通信干扰信号开集识别方法是由周博;杜子铭;李佳浩;李繁华;吴启晖设计研发完成，并于2025-01-20向国家知识产权局提交的专利申请。

本一种基于深度学习的无线通信干扰信号开集识别方法在说明书摘要公布了：本发明公开了一种基于深度学习的无线通信干扰信号开集识别方法，直接利用原始IQ数据实现通信信号的开集干扰识别，充分利用复值信号，从而能准确描述干扰信号的语义空间，并通过自适应阈值分类器实现准确的开集识别。另外，本发明针对训练集与测试集数据分布不同的情况，引入了对抗域适应，将目标域中的已知样本与源域中的已知样本对齐，确保模型具有域不变性，能够在现实复杂电磁环境中实现对干扰模式的准确开集识别。

本发明授权一种基于深度学习的无线通信干扰信号开集识别方法在权利要求书中公布了：1.一种基于深度学习的无线通信干扰信号开集识别方法，其特征在于，所述方法包括以下步骤： 步骤A，采用复值全连接自编码器提取IQ信道之间的交互特征，并将其与输入的IQ数据并联后融合为增强数据样本； 步骤B，构建干扰特征提取模块，干扰特征提取模块包括编码器、解码器以及闭集分类器，编码器用于提取输入干扰信号的特征信息，解码器用于将提取到的特征信息重构为输入信号，闭集分类器利用SoftMax函数对已知干扰模式进行分类； 步骤C，将增强数据样本作为干扰特征提取模块的训练数据，对干扰信号的特征空间进行约束，以最小化特征空间中的类内距离；将编码器输出的各类已知样本的特征向量的均值作为各已知模式的中心向量； 步骤D，利用训练好的编码器提取待检测增强IQ样本的特征向量，利用开集分类模块计算特征向量到各中心向量的最小距离，将该最小距离与设定的自适应阈值进行比较，如果大于自适应阈值，则判定为未知类；如果小于该阈值，则将待检测增强IQ样本识别为距其最近的中心向量所属类别； 所述编码器包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层和池化层；编码器将增强数据样本作为输入并经过卷积和池化操作将其映射到特征空间；在编码器的训练过程中，引入中心损失函数最小化类内空间使提取到的特征空间变得紧凑，同时引入边界约束函数以进一步压缩特征空间； 所述解码器包括依次连接的第一反卷积层、第二反卷积层、第三反卷积层和第四反卷积层；解码器将提取到的特征重构为输入，在解码器的训练过程中引入均方误差作为重构损失以使自编码器提取到的特征向量包含表征原始数据的特征； 所述闭集分类器包括输入层、展平层、第一全连接层、第二全连接层和第三全连接层；闭集分类器通过多个全连接层将特征向量转换成预测概率分布，在闭集分类器的训练过程中引入交叉熵损失函数以提高对已知干扰模式的分类准确性； 所述干扰特征提取模块在训练过程中通过最小化联合损失函数以对干扰特征进行聚类： ； 其中、、、代表权重系数； 其中，中心损失为： ； 其中，代表增强后的训练样本，表示Mahalanobis距离，代表从训练样本中提取的特征向量，代表类的中心向量，表示训练样本数量； 边界约束为： ； 其中是编码器学习到的最小距离； 重构损失为： ； 其中，代表解码器的重构输出； 交叉熵损失为： ； 其中，代表闭集分类器输出的概率向量，表示真实的标签概率分布。

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南京航空航天大学，其通讯地址为：211106 江苏省南京市江宁区将军大道29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。