買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜西安電子科技大學(xué)申請(qǐng)的專利基于Transformer網(wǎng)絡(luò)的干擾信號(hào)識(shí)別方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115081475B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-15發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202210652879.2，技術(shù)領(lǐng)域涉及：G06F18/24；該發(fā)明授權(quán)基于Transformer網(wǎng)絡(luò)的干擾信號(hào)識(shí)別方法是由張敏;趙檬;王海;李闊仰;張鎮(zhèn)暉設(shè)計(jì)研發(fā)完成，并于2022-06-08向國家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于Transformer網(wǎng)絡(luò)的干擾信號(hào)識(shí)別方法在說明書摘要公布了：本發(fā)明提出了一種基于Transformer網(wǎng)絡(luò)的干擾信號(hào)識(shí)別方法，主要解決現(xiàn)有方法對(duì)干擾信號(hào)進(jìn)行特征提取的過程復(fù)雜、難度大且提取不完全的技術(shù)問題。方案包括：1仿真通信信號(hào)數(shù)據(jù)和干擾信號(hào)數(shù)據(jù)，構(gòu)建單一干擾和復(fù)合干擾數(shù)據(jù)集，并進(jìn)行劃分和標(biāo)簽標(biāo)注；2構(gòu)建局部特征提取模塊；3構(gòu)建全局特征融合模塊；4構(gòu)建基于局部特征提取模塊和全局特征融合模塊的干擾識(shí)別網(wǎng)絡(luò)；5使用構(gòu)建的數(shù)據(jù)集對(duì)干擾信號(hào)識(shí)別網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和驗(yàn)證，得到最終的干擾信號(hào)識(shí)別網(wǎng)絡(luò)模型；7利用模型各對(duì)類干擾信號(hào)進(jìn)行準(zhǔn)確識(shí)別。本發(fā)明能夠?qū)崿F(xiàn)對(duì)干擾信號(hào)全局和局部特征的全面提取，以及時(shí)域和頻域特征的充分融合，有效提升了干擾信號(hào)的識(shí)別準(zhǔn)確率。

本發(fā)明授權(quán)基于Transformer網(wǎng)絡(luò)的干擾信號(hào)識(shí)別方法在權(quán)利要求書中公布了：1.一種基于Transformer網(wǎng)絡(luò)的干擾信號(hào)識(shí)別方法，其特征在于，將Transformer網(wǎng)絡(luò)應(yīng)用于信號(hào)處理領(lǐng)域，以經(jīng)典Transformer網(wǎng)絡(luò)的編碼器結(jié)構(gòu)為基礎(chǔ)框架，結(jié)合干擾信號(hào)的特征構(gòu)建干擾識(shí)別網(wǎng)絡(luò)，并構(gòu)造單一干擾與復(fù)合干擾數(shù)據(jù)集，用于網(wǎng)絡(luò)的訓(xùn)練、驗(yàn)證和測(cè)試；具體包括如下步驟：1構(gòu)建單一干擾數(shù)據(jù)集，包括單一干擾時(shí)域數(shù)據(jù)集、單一干擾幅度譜數(shù)據(jù)集和單一干擾相位譜數(shù)據(jù)集：1.1利用MATLAB生成正交相移鍵控QPSK中頻數(shù)字調(diào)制信號(hào)作為基礎(chǔ)通信信號(hào)；1.2利用MATLAB生成單音干擾、多音干擾、線性掃頻干擾、部分頻帶噪聲干擾和噪聲調(diào)頻干擾；在[-10dB,20dB]的干噪比區(qū)間內(nèi)，每種干擾每間隔2dB生成n條樣本數(shù)據(jù)，每條樣本在時(shí)域上有1024個(gè)采樣點(diǎn)，分別與高斯白噪聲疊加得到干擾信號(hào)；1.3將步驟1.1中生成的基礎(chǔ)通信信號(hào)與1.2中得到的干擾信號(hào)疊加，生成單一干擾時(shí)域數(shù)據(jù)集；1.4將單一干擾時(shí)域數(shù)據(jù)集中的各個(gè)樣本經(jīng)過傅里葉變換得到單一干擾幅度譜和單一干擾相位譜數(shù)據(jù)，與單一干擾時(shí)域數(shù)據(jù)一起，共同構(gòu)成了網(wǎng)絡(luò)訓(xùn)練、驗(yàn)證和測(cè)試所需的單一干擾數(shù)據(jù)集；2構(gòu)建復(fù)合干擾數(shù)據(jù)集，包括復(fù)合干擾時(shí)域數(shù)據(jù)集、復(fù)合干擾幅度譜數(shù)據(jù)集和復(fù)合干擾相位譜數(shù)據(jù)集：2.1選取步驟1.2中五種干擾樣式中的多音干擾、線性掃頻干擾和部分頻帶噪聲干擾，兩兩疊加形成三種復(fù)合干擾，同時(shí)將這三類干擾全部疊加形成第四種復(fù)合干擾樣式；在[-10dB,20dB]的干噪比區(qū)間內(nèi)，每種復(fù)合干擾每間隔2dB生成n條樣本數(shù)據(jù)，每條樣本在時(shí)域上有1024個(gè)采樣點(diǎn)，分別與高斯白噪聲疊加得到復(fù)合干擾信號(hào)；2.2將步驟1.1中生成的基礎(chǔ)通信信號(hào)與步驟2.1中得到的復(fù)合干擾信號(hào)疊加，生成復(fù)合干擾時(shí)域數(shù)據(jù)集；2.3將復(fù)合干擾時(shí)域數(shù)據(jù)集中的各個(gè)樣本經(jīng)過傅里葉變換得到復(fù)合干擾幅度譜和復(fù)合干擾相位譜數(shù)據(jù)，與復(fù)合干擾時(shí)域數(shù)據(jù)一起，共同構(gòu)成了網(wǎng)絡(luò)訓(xùn)練、驗(yàn)證和測(cè)試所需的復(fù)合干擾數(shù)據(jù)集；3數(shù)據(jù)集的劃分：將單一干擾數(shù)據(jù)集和復(fù)合干擾數(shù)據(jù)集中每個(gè)干噪比情況下的每n條樣本按6:2:2的比例分別劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；4數(shù)據(jù)集的標(biāo)簽標(biāo)注：以每類干擾信號(hào)的獨(dú)熱編碼向量作為對(duì)應(yīng)的標(biāo)簽對(duì)各條樣本進(jìn)行標(biāo)注；5構(gòu)建基于Transformer的干擾信號(hào)識(shí)別網(wǎng)絡(luò)模型：5.1構(gòu)建CNN-Transformer局部特征提取模塊，用于提取干擾信號(hào)的局部相鄰特征：將單一干擾數(shù)據(jù)集中的時(shí)域數(shù)據(jù)、幅度譜數(shù)據(jù)和相位譜數(shù)據(jù)作為局部特征提取模塊CNN-Transformer的輸入，利用三個(gè)相同的卷積層分別對(duì)三路干擾信號(hào)序列進(jìn)行掃描，提取相鄰采樣點(diǎn)之間的局部特征信息；然后，在每一個(gè)卷積操作之后進(jìn)行批規(guī)范化和ReLU激活函數(shù)處理，最終得到CNN-Transformer局部特征提取模塊的三路輸出，再分別經(jīng)過位置編碼處理后作為Self-Cross-Attention全局特征融合模塊的輸入；5.2構(gòu)建Self-Cross-Attention全局特征融合模塊，用于融合干擾信號(hào)的時(shí)域和頻域特征：5.2.1通過自注意力機(jī)制提取各自域內(nèi)的全局特征：經(jīng)過CNN-Transformer局部特征提取模塊后的干擾信號(hào)時(shí)域數(shù)據(jù)ft經(jīng)過線性映射構(gòu)造查詢向量Qt，鍵向量Kt，值向量Vt，計(jì)算得到自注意力分布值ft1： 計(jì)算干擾信號(hào)的幅度譜數(shù)據(jù)和相位譜數(shù)據(jù)的自注意力分布值，得到fa1和fp1；5.2.2通過交叉注意力機(jī)制融合時(shí)域和頻域的全局特征：將經(jīng)過自注意力機(jī)制后的時(shí)域數(shù)據(jù)特征矢量序列ft1經(jīng)過線性映射后構(gòu)造查詢向量Qt1，同樣地，將幅度譜特征矢量序列fa1和相位譜特征矢量序列fp1經(jīng)過線性映射后分別構(gòu)造自己的鍵向量Ka1、Kp1和值向量Va1、Vp1，之后將Qt1、Ka1和Va1進(jìn)行交叉注意力計(jì)算，得到一次交叉融合后的特征向量fta，將Qt1、Kp1和Vp1進(jìn)行交叉注意力計(jì)算得到特征向量ftp；之后，將fta經(jīng)過線性映射后構(gòu)造查詢向量Qta,ftp經(jīng)過線性映射后構(gòu)造鍵向量Ktp和值向量Vtp，計(jì)算交叉注意力分布值，最終得到二次交叉融合后的特征向量ftap；5.3構(gòu)建基于CNN-Transformer和Self-Cross-Attention模塊的干擾信號(hào)識(shí)別網(wǎng)絡(luò)模型：以經(jīng)典Transformer模型的編碼器結(jié)構(gòu)為基礎(chǔ)框架、局部特征提取模塊CNN-Transformer和全局特征融合模塊Self-Cross-Attention為基礎(chǔ)功能模塊、單一干擾數(shù)據(jù)集中的時(shí)域數(shù)據(jù)、幅度譜數(shù)據(jù)和相位譜數(shù)據(jù)為網(wǎng)絡(luò)輸入，構(gòu)建干擾信號(hào)識(shí)別網(wǎng)絡(luò)，具體結(jié)構(gòu)依次為：CNN-Transformer局部特征提取模塊-批規(guī)范化BatchNormalization-ReLU激活函數(shù)-位置編碼PositionalEmbedding-Self-Cross-Attention全局特征融合模塊-殘差連接-層規(guī)范化LayerNormalization-全連接層FeedForward-殘差連接-層規(guī)范化-一維反卷積ConvTranspose1d層-線性層Linear-SoftMax歸一化；6使用訓(xùn)練集對(duì)干擾信號(hào)識(shí)別網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練：6.1將步驟3中劃分得到的單一干擾時(shí)域訓(xùn)練集、幅度譜訓(xùn)練集和相位譜訓(xùn)練集輸入步驟5中所構(gòu)建的干擾信號(hào)識(shí)別網(wǎng)絡(luò)模型，使用Adam優(yōu)化函數(shù)迭代更新模型的參數(shù)，利用CrossEntropyLoss交叉熵?fù)p失函數(shù)計(jì)算每次迭代的訓(xùn)練誤差值，直到損失函數(shù)收斂為止，得到在初始參數(shù)設(shè)置下訓(xùn)練好的干擾識(shí)別網(wǎng)絡(luò)模型；6.2調(diào)整干擾識(shí)別網(wǎng)絡(luò)模型的各個(gè)參數(shù)，將不同參數(shù)情況下的模型都進(jìn)行充分訓(xùn)練至損失函數(shù)收斂；6.3將步驟3中劃分生成的復(fù)合干擾時(shí)域訓(xùn)練集、幅度譜訓(xùn)練集和相位譜訓(xùn)練集輸入步驟5中所構(gòu)建的干擾信號(hào)識(shí)別網(wǎng)絡(luò)模型中，并在不同參數(shù)情況下對(duì)模型進(jìn)行充分訓(xùn)練；7使用驗(yàn)證集對(duì)不同參數(shù)設(shè)置下的干擾信號(hào)識(shí)別網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證，確定最優(yōu)參數(shù)：分別將單一干擾和復(fù)合干擾驗(yàn)證集輸入步驟6中在不同參數(shù)下訓(xùn)練完成的干擾信號(hào)識(shí)別網(wǎng)絡(luò)，判別各個(gè)樣本的輸出結(jié)果，以各類干擾的正確判別樣本數(shù)目與樣本總數(shù)目的百分比作為評(píng)價(jià)指標(biāo)，即識(shí)別準(zhǔn)確率，比較不同網(wǎng)絡(luò)參數(shù)下對(duì)于各類干擾信號(hào)的識(shí)別準(zhǔn)確率，以識(shí)別準(zhǔn)確率最高時(shí)對(duì)應(yīng)的參數(shù)作為最優(yōu)的模型參數(shù)，并將最優(yōu)參數(shù)所對(duì)應(yīng)的訓(xùn)練好的模型作為最終的干擾信號(hào)識(shí)別網(wǎng)絡(luò)模型；8干擾信號(hào)識(shí)別：將單一干擾和復(fù)合干擾測(cè)試集作為最終干擾信號(hào)識(shí)別網(wǎng)絡(luò)模型的輸入，得到各類干擾信號(hào)的識(shí)別準(zhǔn)確率。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人西安電子科技大學(xué)，其通訊地址為：710071 陜西省西安市太白南路2號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。