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)的專利非高斯噪聲下MIMO-OFDM空時(shí)編碼方式識(shí)別方法、系統(tǒng)、設(shè)備及介質(zhì)獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116192592B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-29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：202310203805.5，技術(shù)領(lǐng)域涉及：H04L27/26；該發(fā)明授權(quán)非高斯噪聲下MIMO-OFDM空時(shí)編碼方式識(shí)別方法、系統(tǒng)、設(shè)備及介質(zhì)是由劉明騫;范亞奇;張衛(wèi)東設(shè)計(jì)研發(fā)完成，并于2023-03-06向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本非高斯噪聲下MIMO-OFDM空時(shí)編碼方式識(shí)別方法、系統(tǒng)、設(shè)備及介質(zhì)在說(shuō)明書(shū)摘要公布了：非高斯噪聲下MIMO?OFDM空時(shí)編碼方式識(shí)別方法、系統(tǒng)、設(shè)備及介質(zhì)，方法包括：提取適用于非高斯噪聲環(huán)境下MIMO?OFDM信號(hào)的相關(guān)性特征，構(gòu)建用于特征優(yōu)化選擇的特征空間；構(gòu)建基于極端梯度提升序列浮動(dòng)后向選擇算法的特征優(yōu)化選擇模型，根據(jù)特征重要性確定用于最終分類的特征集合；構(gòu)建基于樹(shù)增強(qiáng)樸素貝葉斯的分類器模型，根據(jù)特征優(yōu)化選擇出的特征對(duì)空時(shí)編碼方式進(jìn)行分類識(shí)別；系統(tǒng)、設(shè)備及介質(zhì)基于非高斯噪聲下MIMO?OFDM空時(shí)編碼方式識(shí)別方法進(jìn)行空時(shí)編碼方式識(shí)別；本發(fā)明提取適用于非高斯噪聲環(huán)境下MIMO?OFDM信號(hào)的時(shí)滯相關(guān)峰值特征，構(gòu)建特征選擇模型并進(jìn)行特征優(yōu)化選擇以確定最終分類的特征集合，實(shí)現(xiàn)非高斯噪聲下MIMO?OFDM空時(shí)編碼方式的識(shí)別，在低廣義信噪比的條件下具有良好的識(shí)別性能。

本發(fā)明授權(quán)非高斯噪聲下MIMO-OFDM空時(shí)編碼方式識(shí)別方法、系統(tǒng)、設(shè)備及介質(zhì)在權(quán)利要求書(shū)中公布了：1.一種非高斯噪聲下MIMO-OFDM空時(shí)編碼方式識(shí)別方法，其特征在于，具體包括以下步驟：步驟一，提取適用于非高斯噪聲環(huán)境下MIMO-OFDM信號(hào)的時(shí)滯相關(guān)峰值特征，構(gòu)建用于特征優(yōu)化選擇的特征空間；具體過(guò)程為：首先，非高斯噪聲下從第i個(gè)接收天線接收到的信號(hào)的第n個(gè)樣本可以表示為： 其中，hfi表示第f個(gè)發(fā)射天線和第i個(gè)接收天線之間的信道，Lh表示所有發(fā)射-接收天線對(duì)中信道數(shù)量，其中i＝0，1，…，Nr,sfn是從天線f上發(fā)送的序列sf的第n個(gè)元素；win是與sfn彼此獨(dú)立的服從α穩(wěn)定分布的噪聲；計(jì)算不同接收天線下接收信號(hào)的時(shí)滯相關(guān)，其表達(dá)式為： 其中，λ表示空時(shí)編碼類別，Lλ是λ空時(shí)編碼方式的塊長(zhǎng)度，τ代表不同時(shí)滯,y·表示不同接收天線的接收信號(hào)；通過(guò)使用不同相關(guān)特征函數(shù)來(lái)計(jì)算接收信號(hào)的時(shí)滯相關(guān)，分別提取在時(shí)滯τ＝1,2,4的時(shí)滯相關(guān)峰值：Fλτ＝maxAλn,τ,其中，τ＝1,2,4將提取到的不同相關(guān)特征函數(shù)下的多個(gè)峰值特征作為特征優(yōu)化選擇的特征空間；所用的相關(guān)特征函數(shù)如下：1相關(guān)函數(shù)1特征，其表達(dá)式為：RBNC-1X,Y＝Eg1Xg2Y，其中，gx＝2πarctanπx2；2相關(guān)函數(shù)2特征，其表達(dá)式為：RBNC-2X,Y＝Eg1Xg2Y，其中，gx＝x1+|x|；3分?jǐn)?shù)低階相關(guān)FLOC特征，其表達(dá)式為： 其中，zp＝|z|p-1z*,z∈C；4相位分?jǐn)?shù)低階相關(guān)PFLOC特征，其表達(dá)式為： 其中，z-q＝z*q＝zq*＝|z|q-1z**＝|z|q-1z,z∈C；5基于廣義高斯核函數(shù)的相關(guān)熵的相關(guān)特征，其表達(dá)式為： 其中，廣義高斯核函數(shù)表達(dá)式為： 其中，β∈R+表示廣義高斯分布函數(shù)的特征指數(shù)，μ∈R表示位置參數(shù)；6基于高斯核函數(shù)的相關(guān)熵的相關(guān)特征，其表達(dá)式為： 其中，高斯核函數(shù)：σ是核函數(shù)核長(zhǎng)參數(shù)；步驟二，構(gòu)建基于極端梯度提升序列浮動(dòng)后向選擇算法的特征優(yōu)化選擇模型，根據(jù)特征重要性確定用于最終分類的特征集合；具體過(guò)程為：基于極端梯度提升算法，建立空時(shí)編碼方式和相關(guān)特征空間的映射數(shù)據(jù)集為:D＝{xi,yi∣i＝1～n,xi∈Rm,yi∈R}數(shù)據(jù)集有m個(gè)特征，n個(gè)訓(xùn)練樣本，每個(gè)樣本對(duì)應(yīng)一個(gè)標(biāo)簽y；其中m為特征空間中提取的特征點(diǎn)個(gè)數(shù)，yi為第i個(gè)樣本對(duì)應(yīng)的空時(shí)編碼方式；而且每個(gè)決策樹(shù)的輸出yi的定義如下: 其中，k是決策樹(shù)的數(shù)量，ft·為回歸樹(shù)，F(xiàn)是所有可能的回歸樹(shù)集合；為了避免過(guò)擬合，極端梯度提升算法使用樹(shù)的復(fù)雜度函數(shù)作為目標(biāo)損失函數(shù)的常數(shù)項(xiàng)；極端梯度提升算法的目標(biāo)函數(shù)的詳細(xì)公式如下： 其中，C是常數(shù)，xi是輸入向量，Tt表示樹(shù)中的葉子數(shù)，w是第k棵樹(shù)的葉節(jié)點(diǎn)權(quán)重值；yi和分別表示類別的實(shí)際值和預(yù)測(cè)值；γ是葉節(jié)點(diǎn)的系數(shù)，λ是葉權(quán)重懲罰的標(biāo)準(zhǔn)項(xiàng)，γ和λ用來(lái)限制模型過(guò)擬合的可能性；l·是平方損失函數(shù)，ft·為回歸樹(shù)，Ω·是回歸函數(shù)模型；同時(shí)，極端梯度提升算法對(duì)目標(biāo)函數(shù)執(zhí)行二階泰勒展開(kāi)；根據(jù)泰勒公式，目標(biāo)函數(shù)Gt近似表示如下： 其中，gi和分別是泰勒展開(kāi)式中第一項(xiàng)和二次項(xiàng)的系數(shù)；利用特征空間中的所有特征，基于極端梯度提升算法生成模型過(guò)程中的信息，通過(guò)使目標(biāo)函數(shù)Gt一階導(dǎo)數(shù)為0來(lái)求解最佳權(quán)重，以此來(lái)確定分割樣本的特征，選用被用作分割樣本的特征的次數(shù)weight作為特征的重要性度量分?jǐn)?shù)；weight＝|X|其中，X是所求特征分類到葉子節(jié)點(diǎn)的集合；得到特征的重要性度量分?jǐn)?shù)并按降序排序；之后再結(jié)合改進(jìn)的序列后向搜索策略，即從特征空間的原始候選集合開(kāi)始，每輪減少一個(gè)無(wú)關(guān)特征，依次從當(dāng)前完整特征集中剔除該輪迭代中特征重要性度量得分最低即排序最靠后的特征，再根據(jù)評(píng)價(jià)算法計(jì)算待剔除特征與其他剩余特征的皮爾遜相關(guān)系數(shù)： 其中，covX,Y是兩個(gè)特征屬性變量X,Y之間的協(xié)方差，δX，δY分別是X,Y的樣本標(biāo)準(zhǔn)差；之后并行地選出與度量分?jǐn)?shù)排序末尾特征相關(guān)的靠后的特征，并剔除該特征，重新進(jìn)行新一輪的預(yù)測(cè)和排序，記錄每輪迭代過(guò)程中保留特征集下的預(yù)測(cè)分類準(zhǔn)確率，用于確定預(yù)測(cè)分類準(zhǔn)確率最高的保留特征子集，遍歷所有子集的分類預(yù)測(cè)準(zhǔn)確率情況，選擇分類準(zhǔn)確度最高且特征數(shù)量最少的特征子集作為最優(yōu)特征子集，即為最終特征優(yōu)化選擇的結(jié)果；步驟三，構(gòu)建基于樹(shù)增強(qiáng)樸素貝葉斯的分類器模型，根據(jù)特征優(yōu)化選擇出的特征對(duì)空時(shí)編碼方式進(jìn)行分類識(shí)別；具體過(guò)程為：樹(shù)增強(qiáng)樸素貝葉斯中，加入類變量屬性，屬性之間的關(guān)聯(lián)性的前提是要在某一分類屬性確定下進(jìn)行重新計(jì)算，不同的類屬性值會(huì)有不同的屬性關(guān)聯(lián)性，利用條件互信息描述在給定類變量Z時(shí)，特征屬性變量X,Y之間的依賴強(qiáng)度如下所示： 其中，z為類別屬性時(shí)，x,y為特征屬性，Px|z表示在z發(fā)生的條件下，出現(xiàn)x情況的概率；計(jì)算完特征選擇之后的各個(gè)屬性對(duì)的互信息值后，進(jìn)行貝葉斯網(wǎng)絡(luò)的構(gòu)建，每一個(gè)節(jié)點(diǎn)的條件概率表用以下公式表示： 其中，xi代表子特征，πi代表子特征依賴的所有父特征的集合，θ代表子特征的條件概率表，所有特征的條件概率表的集合用Θ表示，再加上貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)G，用以下公式表示整個(gè)貝葉斯網(wǎng)絡(luò)：B＝＜G,Θ＞從而估計(jì)類條件概率，得到新樣本的類別；通過(guò)訓(xùn)練集D計(jì)算PC,Px1|C,…,Pxn|C的估計(jì)值,根據(jù)最大似然原理,當(dāng)給定一個(gè)未知類別的測(cè)試數(shù)據(jù)x1,…xn,能夠使得最大的類別C即是x1,…xn所屬的類別： 其中，PC為類概率估計(jì)，表示屬于類別C的概率，PXi|C為條件概率估計(jì)。

如需購(gòu)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 陜西省西安市雁塔區(qū)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)”。