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！

龍圖騰網恭喜北京航空航天大學合肥創新研究院申請的專利一種基于深度學習的寬帶寬頻率頻譜分析方法及系統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：CN119538074B 。

龍圖騰網通過國家知識產權局官網在2025-05-09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：202510104306.X，技術領域涉及：G06F18/2411；該發明授權一種基于深度學習的寬帶寬頻率頻譜分析方法及系統是由劉少峰;操岳恒設計研發完成，并于2025-01-23向國家知識產權局提交的專利申請。

本一種基于深度學習的寬帶寬頻率頻譜分析方法及系統在說明書摘要公布了：本發明公開了一種基于深度學習的寬帶寬頻率頻譜分析方法及系統，方法包括頻譜信號采集、頻譜預處理、異常干擾檢測、頻譜趨勢預測和頻譜調度管理。本發明涉及寬頻率頻譜分析技術領域，具體是指一種基于深度學習的寬帶寬頻率頻譜分析方法及系統，本方案采用異常干擾檢測—頻譜趨勢預測—頻譜調度管理的三步走方法，通過逐層遞進的深度學習和強化學習技術，能夠實現對頻譜異常的實時檢測、未來趨勢的精準預測，以及動態資源優化分配；采用結合特征增強的聯合改進多分類支持向量機方法，進行異常干擾檢測；采用結合一維卷積特征提取的時序集成網絡，進行頻譜趨勢預測；采用近端策略優化算法增強的強化學習方法，進行頻譜調度管理。

本發明授權一種基于深度學習的寬帶寬頻率頻譜分析方法及系統在權利要求書中公布了：1.一種基于深度學習的寬帶寬頻率頻譜分析方法，其特征在于：該方法包括以下步驟：步驟S1：頻譜信號采集，通過寬帶頻譜數據采集，進行寬帶款頻率頻譜數據采集，得到寬頻率頻譜分析原始數據集；步驟S2：頻譜預處理，通過進行信號去噪、數據歸一化和數據質量優化操作，得到頻譜分析優化數據；步驟S3：異常干擾檢測，用于檢測頻譜信號中的異常數據并進行異常分類，具體為依據所述頻譜分析優化數據，采用結合特征增強的聯合改進多分類支持向量機方法，進行異常干擾檢測，得到異常干擾檢測數據，具體包括以下步驟：步驟S31：構建多分類支持向量機基本模型；步驟S32：線性判別特征降維優化；步驟S33：多維線性聯合改進；步驟S34：改進多分類支持向量機迭代訓練；步驟S35：異常干擾檢測；步驟S4：頻譜趨勢預測，用于預測并構建頻譜數據的變化趨勢，具體為依據所述頻譜分析優化數據和異常干擾檢測數據，采用結合一維卷積特征提取的時序集成網絡，進行頻譜趨勢預測，得到頻譜趨勢預測數據；步驟S5：頻譜調度管理，用于結合異常干擾檢測和頻譜趨勢預測的結果進行頻譜動態優化和頻譜資源分配優化，具體為依據所述頻譜分析優化數據、所述異常干擾檢測數據和所述頻譜趨勢預測數據，采用近端策略優化算法增強的強化學習方法，進行頻譜調度管理，得到寬帶寬頻率分析調度參考數據，具體包括以下步驟：步驟S51：強化學習環境建構，具體為通過強化學習建模，構建強化學習環境，并依據所述強化學習環境進行強化學習訓練，所述強化學習建模，具體包括狀態參數構建、動作參數構建和獎勵函數構建；所述狀態參數，包括頻譜信號占用率參數、歷史頻譜趨勢參數、異常故障干擾參數和預測趨勢參數；所述動作參數，包括帶寬分配調整動作、頻譜資源時隙調度動作和高負載區域頻譜使用規劃動作；所述獎勵函數，具體通過資源利用率最大化目標、干擾最小化目標和系統時延最小化目標加權結合計算；步驟S52：構建近端策略梯度優化算法，具體為通過限制策略更新幅度，并構建裁剪目標函數，進行近端策略梯度優化算法構建；步驟S53：近端策略強化學習增強，具體為通過應用所述近端策略梯度優化算法，依據所述強化學習環境，進行近端策略優化算法增強的強化學習訓練，直至訓練收斂，進行強化學習增強；步驟S54：頻譜調度管理模型訓練，具體為通過所述強化學習環境建構、所述近端策略梯度優化算法和所述近端策略強化學習增強，進行頻譜調度管理模型訓練，得到頻譜調度管理模型ModelSM；步驟S55：頻譜調度管理，具體為使用所述頻譜調度管理模型ModelSM，依據所述頻譜分析優化數據、所述異常干擾檢測數據和所述頻譜趨勢預測數據，進行頻譜調度管理，得到寬帶寬頻率分析調度參考數據。

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北京航空航天大學合肥創新研究院，其通訊地址為：230012 安徽省合肥市合肥新站高新區魏武路999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”。