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！

龙图腾网获悉杭州市滨江区浙工大人工智能创新研究院申请的专利基于域增量学习的信号调制识别方法及系统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：CN121396715B 。

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：202511964293.X，技术领域涉及：H04L27/00；该发明授权基于域增量学习的信号调制识别方法及系统是由司光振;章志恒;孙春凤;侯嘉烨;陈壮志;徐东伟;宣琦;尹鹏设计研发完成，并于2025-12-24向国家知识产权局提交的专利申请。

本基于域增量学习的信号调制识别方法及系统在说明书摘要公布了：本发明涉及信号调制识别技术领域，特别是涉及一种基于域增量学习的信号调制识别方法及系统。本发明将当前域样本和历史域样本分别输入至残差卷积神经网络进行多层次特征提取，并结合多层次域对抗学习、跨域对比学习机制和双原型管理系统计算总损失函数；当最小化总损失函数达到全局最小值且待学习域为空时，则将当前域最后一次更新的残差卷积神经网络作为域增量学习模型进行信号调制识别；如果不为空，则将当前域最后一次更新的残差卷积神经网络作为下一个域第一次多层次特征提取的残差卷积神经网络进行下一个域增量学习。本发明结合跨域对比学习机制和双原型管理系统，通过动态调节对抗学习有效缓解域偏移问题，进一步地提高信号调制识别准确率。

本发明授权基于域增量学习的信号调制识别方法及系统在权利要求书中公布了：1.一种基于域增量学习的信号调制识别方法，其特征在于，所述方法包括： 步骤S1：从多个域中选取任意一个作为当前域，并获取当前域样本和历史域样本；当前域样本包括当前域对应的多个样本，历史域样本包括从记忆缓冲区中采集历史域对应的多个样本，所述样本包括不同调制类型对应的调制信号； 步骤S2：将当前域样本和历史域样本分别输入至残差卷积神经网络进行多层次特征提取，获得当前域样本对应的多层特征和历史域样本对应的多层特征； 步骤S3：根据当前域样本对应的多层特征和历史域样本对应的多层特征，结合多层次域对抗学习、跨域对比学习机制和双原型管理系统，计算总损失函数； 步骤S4：通过Adam优化器最小化总损失函数，并判断最小化后的函数是否达到全局最小值；如果未达到全局最小值，则更新残差卷积神经网络参数，并返回“步骤S2”；如果达到全局最小值，则执行“步骤S5”； 步骤S5：判断待学习域是否为空；如果为空，则将当前域最后一次更新的残差卷积神经网络作为域增量学习模型，以便后续利用域增量学习模型进行信号调制识别；如果不为空，则将当前域最后一次更新的残差卷积神经网络作为下一个域第一次多层次特征提取的残差卷积神经网络，并从待学习域中任意选取一个域作为当前域，同时获取当前域样本和历史域样本，并返回“步骤S2”； 所述根据当前域样本对应的多层特征和历史域样本对应的多层特征，结合多层次域对抗学习、跨域对比学习机制和双原型管理系统，计算总损失函数，具体包括： 根据当前域样本对应的多层特征和历史域样本对应的多层特征，采用多层次域对抗学习进行训练，获得多层次域对抗损失值； 根据当前域样本对应的深层特征和历史域样本对应的深层特征，采用跨域对比学习机制进行计算，获得对比学习损失值； 基于双原型管理系统确定原型对比损失值； 根据多层次域对抗损失值、对比学习损失值和原型对比损失值构建总损失函数； 所述根据当前域样本对应的多层特征和历史域样本对应的多层特征，采用多层次域对抗学习进行训练，获得多层次域对抗损失值，具体包括： 计算当前域样本对应的深层特征与相对应的历史域样本对应的深层特征之间的最大均值差异值； 根据最大均值差异值计算当前域样本与相对应的历史域样本之间的域相似度； 根据域相似度计算动态对抗强度系数； 在残差卷积神经网络的第三卷积层、第五卷积层和全连接层上分别设置域判别器； 将当前域样本对应的多层特征和历史域样本对应的多层特征分别输入至对应的判别器，采用多层次域对抗学习进行训练，获得各层对应的域对抗损失值； 根据动态对抗强度系数和各层对应的域对抗损失值计算多层次域对抗损失值； 所述根据当前域样本对应的深层特征和历史域样本对应的深层特征，采用跨域对比学习机制进行计算，获得对比学习损失值，具体包括： 对当前域各样本对应的深层特征与相对应的历史域各样本对应的深层特征进行拼接，获得拼接特征矩阵； 对拼接特征矩阵进行相似度处理，获得各样本之间的样本相似度矩阵； 采用跨域对比学习机制计算加权正样本矩阵； 根据样本相似度矩阵和加权正样本矩阵确定对比学习损失值； 所述基于双原型管理系统确定原型对比损失值，具体包括： 基于当前域样本对应的深层特征及对应的标签建立双原型管理系统，并利用双原型管理系统确定各类别对应的域不变原型和域特定原型； 计算当前域各类别所有样本的深层特征均值； 采用动量更新策略，利用当前域各类别所有样本的深层特征均值分别对各类别对应的域不变原型和域特定原型进行更新； 根据更新后各类别对应的域不变原型和域特定原型进行加权相似度计算，得到各样本对应的综合分类向量； 根据各样本对应的综合分类向量与真实标签进行对比损失计算，获得原型对比损失值。

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杭州市滨江区浙工大人工智能创新研究院，其通讯地址为：310056 浙江省杭州市滨江区长河街道湖西路575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。