買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜西安電子科技大學申請的專利基于Transformer網絡的干擾信號識別方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115081475B 。

龍圖騰網通過國家知識產權局官網在2025-04-15發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210652879.2，技術領域涉及：G06F18/24；該發明授權基于Transformer網絡的干擾信號識別方法是由張敏;趙檬;王海;李闊仰;張鎮暉設計研發完成，并于2022-06-08向國家知識產權局提交的專利申請。

本基于Transformer網絡的干擾信號識別方法在說明書摘要公布了：本發明提出了一種基于Transformer網絡的干擾信號識別方法，主要解決現有方法對干擾信號進行特征提取的過程復雜、難度大且提取不完全的技術問題。方案包括：1仿真通信信號數據和干擾信號數據，構建單一干擾和復合干擾數據集，并進行劃分和標簽標注；2構建局部特征提取模塊；3構建全局特征融合模塊；4構建基于局部特征提取模塊和全局特征融合模塊的干擾識別網絡；5使用構建的數據集對干擾信號識別網絡模型進行訓練和驗證，得到最終的干擾信號識別網絡模型；7利用模型各對類干擾信號進行準確識別。本發明能夠實現對干擾信號全局和局部特征的全面提取，以及時域和頻域特征的充分融合，有效提升了干擾信號的識別準確率。

本發明授權基于Transformer網絡的干擾信號識別方法在權利要求書中公布了：1.一種基于Transformer網絡的干擾信號識別方法，其特征在于，將Transformer網絡應用于信號處理領域，以經典Transformer網絡的編碼器結構為基礎框架，結合干擾信號的特征構建干擾識別網絡，并構造單一干擾與復合干擾數據集，用于網絡的訓練、驗證和測試；具體包括如下步驟：1構建單一干擾數據集，包括單一干擾時域數據集、單一干擾幅度譜數據集和單一干擾相位譜數據集：1.1利用MATLAB生成正交相移鍵控QPSK中頻數字調制信號作為基礎通信信號；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頻干擾；在[-10dB,20dB]的干噪比區間內，每種干擾每間隔2dB生成n條樣本數據，每條樣本在時域上有1024個采樣點，分別與高斯白噪聲疊加得到干擾信號；1.3將步驟1.1中生成的基礎通信信號與1.2中得到的干擾信號疊加，生成單一干擾時域數據集；1.4將單一干擾時域數據集中的各個樣本經過傅里葉變換得到單一干擾幅度譜和單一干擾相位譜數據，與單一干擾時域數據一起，共同構成了網絡訓練、驗證和測試所需的單一干擾數據集；2構建復合干擾數據集，包括復合干擾時域數據集、復合干擾幅度譜數據集和復合干擾相位譜數據集：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合干擾，同時將這三類干擾全部疊加形成第四種復合干擾樣式；在[-10dB,20dB]的干噪比區間內，每種復合干擾每間隔2dB生成n條樣本數據，每條樣本在時域上有1024個采樣點，分別與高斯白噪聲疊加得到復合干擾信號；2.2將步驟1.1中生成的基礎通信信號與步驟2.1中得到的復合干擾信號疊加，生成復合干擾時域數據集；2.3將復合干擾時域數據集中的各個樣本經過傅里葉變換得到復合干擾幅度譜和復合干擾相位譜數據，與復合干擾時域數據一起，共同構成了網絡訓練、驗證和測試所需的復合干擾數據集；3數據集的劃分：將單一干擾數據集和復合干擾數據集中每個干噪比情況下的每n條樣本按6:2:2的比例分別劃分為訓練集、驗證集和測試集；4數據集的標簽標注：以每類干擾信號的獨熱編碼向量作為對應的標簽對各條樣本進行標注；5構建基于Transformer的干擾信號識別網絡模型：5.1構建CNN-Transformer局部特征提取模塊，用于提取干擾信號的局部相鄰特征：將單一干擾數據集中的時域數據、幅度譜數據和相位譜數據作為局部特征提取模塊CNN-Transformer的輸入，利用三個相同的卷積層分別對三路干擾信號序列進行掃描，提取相鄰采樣點之間的局部特征信息；然后，在每一個卷積操作之后進行批規范化和ReLU激活函數處理，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構建Self-Cross-Attention全局特征融合模塊，用于融合干擾信號的時域和頻域特征：5.2.1通過自注意力機制提取各自域內的全局特征：經過CNN-Transformer局部特征提取模塊后的干擾信號時域數據ft經過線性映射構造查詢向量Qt，鍵向量Kt，值向量Vt，計算得到自注意力分布值ft1： 計算干擾信號的幅度譜數據和相位譜數據的自注意力分布值，得到fa1和fp1；5.2.2通過交叉注意力機制融合時域和頻域的全局特征：將經過自注意力機制后的時域數據特征矢量序列ft1經過線性映射后構造查詢向量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經過線性映射后分別構造自己的鍵向量Ka1、Kp1和值向量Va1、Vp1，之后將Qt1、Ka1和Va1進行交叉注意力計算，得到一次交叉融合后的特征向量fta，將Qt1、Kp1和Vp1進行交叉注意力計算得到特征向量ftp；之后，將fta經過線性映射后構造查詢向量Qta,ftp經過線性映射后構造鍵向量Ktp和值向量Vtp，計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構建基于CNN-Transformer和Self-Cross-Attention模塊的干擾信號識別網絡模型：以經典Transformer模型的編碼器結構為基礎框架、局部特征提取模塊CNN-Transformer和全局特征融合模塊Self-Cross-Attention為基礎功能模塊、單一干擾數據集中的時域數據、幅度譜數據和相位譜數據為網絡輸入，構建干擾信號識別網絡，具體結構依次為：CNN-Transformer局部特征提取模塊-批規范化BatchNormalization-ReLU激活函數-位置編碼PositionalEmbedding-Self-Cross-Attention全局特征融合模塊-殘差連接-層規范化LayerNormalization-全連接層FeedForward-殘差連接-層規范化-一維反卷積ConvTranspose1d層-線性層Linear-SoftMax歸一化；6使用訓練集對干擾信號識別網絡模型進行訓練：6.1將步驟3中劃分得到的單一干擾時域訓練集、幅度譜訓練集和相位譜訓練集輸入步驟5中所構建的干擾信號識別網絡模型，使用Adam優化函數迭代更新模型的參數，利用CrossEntropyLoss交叉熵損失函數計算每次迭代的訓練誤差值，直到損失函數收斂為止，得到在初始參數設置下訓練好的干擾識別網絡模型；6.2調整干擾識別網絡模型的各個參數，將不同參數情況下的模型都進行充分訓練至損失函數收斂；6.3將步驟3中劃分生成的復合干擾時域訓練集、幅度譜訓練集和相位譜訓練集輸入步驟5中所構建的干擾信號識別網絡模型中，并在不同參數情況下對模型進行充分訓練；7使用驗證集對不同參數設置下的干擾信號識別網絡模型進行驗證，確定最優參數：分別將單一干擾和復合干擾驗證集輸入步驟6中在不同參數下訓練完成的干擾信號識別網絡，判別各個樣本的輸出結果，以各類干擾的正確判別樣本數目與樣本總數目的百分比作為評價指標，即識別準確率，比較不同網絡參數下對于各類干擾信號的識別準確率，以識別準確率最高時對應的參數作為最優的模型參數，并將最優參數所對應的訓練好的模型作為最終的干擾信號識別網絡模型；8干擾信號識別：將單一干擾和復合干擾測試集作為最終干擾信號識別網絡模型的輸入，得到各類干擾信號的識別準確率。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人西安電子科技大學，其通訊地址為：710071 陜西省西安市太白南路2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。