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！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉南京航天工業(yè)科技有限公司申請的專利用于接收系統(tǒng)的自適應(yīng)功率匹配方法和裝置獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119172012B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-20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?zhí)?專利號為：202411624338.4，技術(shù)領(lǐng)域涉及：H04B17/21；該發(fā)明授權(quán)用于接收系統(tǒng)的自適應(yīng)功率匹配方法和裝置是由王玉紅;蘇航;陶琨;張小凡;王平;劉傲杰設(shè)計研發(fā)完成，并于2024-11-14向國家知識產(chǎn)權(quán)局提交的專利申請。

本用于接收系統(tǒng)的自適應(yīng)功率匹配方法和裝置在說明書摘要公布了：本發(fā)明公開了一種用于接收系統(tǒng)的自適應(yīng)功率匹配方法和裝置，該方法包括采集功率信號，構(gòu)建測地線方程進(jìn)行分解，生成幾何特征向量，計算穩(wěn)定性指標(biāo)；構(gòu)建標(biāo)準(zhǔn)化特征矩陣，獲得展開系數(shù)序列，計算得到融合熵特征和信息完備度指標(biāo)；進(jìn)行遞歸分解，獲得頻譜特征向量和模態(tài)參數(shù)集；構(gòu)建混合預(yù)測模型，得到預(yù)測置信度和預(yù)測值序列；進(jìn)行多目標(biāo)約束優(yōu)化，獲得優(yōu)化解和約束滿足度；進(jìn)行反饋修正和穩(wěn)定性分析，輸出修正控制量；進(jìn)行自優(yōu)化反饋調(diào)節(jié)，輸出優(yōu)化參數(shù)集；計算功率調(diào)整控制信號并執(zhí)行功率調(diào)整，得到調(diào)整后的實際功率值；進(jìn)行閉環(huán)校正，實現(xiàn)自適應(yīng)功率匹配控制。本發(fā)明實現(xiàn)了自動、高效、精確的功率匹配，提高了系統(tǒng)的穩(wěn)定性和可靠性。

本發(fā)明授權(quán)用于接收系統(tǒng)的自適應(yīng)功率匹配方法和裝置在權(quán)利要求書中公布了：1.用于接收系統(tǒng)的自適應(yīng)功率匹配方法，其特征在于，包括如下步驟：S1、采集接收系統(tǒng)的功率信號并將其轉(zhuǎn)換為功率序列；將功率序列投影到黎曼流形上，構(gòu)建測地線方程進(jìn)行分解，得到本征模態(tài)函數(shù)集；基于本征模態(tài)函數(shù)集，計算黎曼度量張量，生成幾何特征向量；基于幾何特征向量，對功率序列進(jìn)行動態(tài)奇異值分解，獲得動態(tài)特征矩陣和主奇異值序列；基于動態(tài)特征矩陣和主奇異值序列，計算拓?fù)潇兀换谕負(fù)潇睾椭髌娈愔敌蛄?，計算穩(wěn)定性指標(biāo)；S2、基于穩(wěn)定性指標(biāo)、動態(tài)特征矩陣和幾何特征向量，計算動態(tài)均值和動態(tài)標(biāo)準(zhǔn)差并進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化特征矩陣；對標(biāo)準(zhǔn)化特征矩陣進(jìn)行廣義Gegenbauer多項式展開，獲得展開系數(shù)序列；利用變分模式分解方法對標(biāo)準(zhǔn)化特征矩陣進(jìn)行處理，得到模態(tài)集合；基于模態(tài)集合和展開系數(shù)序列，構(gòu)建廣義Lasso問題并求解，獲得稀疏特征表示和特征重要度指標(biāo)；基于稀疏特征表示和特征重要度指標(biāo)，計算得到融合熵特征和信息完備度指標(biāo)；S3、基于融合熵特征和信息完備度指標(biāo)，采用廣義Christoffel函數(shù)進(jìn)行處理，得到最優(yōu)核函數(shù)；基于最優(yōu)核函數(shù)，構(gòu)建多層級Hankel矩陣并進(jìn)行遞歸分解，獲得特征序列和動態(tài)特征矩陣；基于特征序列和動態(tài)特征矩陣，構(gòu)建概率流方程并求解，得到概率分布和狀態(tài)轉(zhuǎn)移矩陣；基于概率分布，構(gòu)建廣義Prony模型并進(jìn)行參數(shù)估計，獲得頻譜特征向量和模態(tài)參數(shù)集；基于頻譜特征向量、模態(tài)參數(shù)集和狀態(tài)轉(zhuǎn)移矩陣，構(gòu)建混合預(yù)測模型，得到預(yù)測置信度和預(yù)測值序列；S4、基于混合預(yù)測模型、預(yù)測置信度和預(yù)測值序列，使用Hamilton-Jacobi框架，構(gòu)建性能指標(biāo)優(yōu)化問題并求解，輸出最優(yōu)控制策略和性能評估指標(biāo)；基于最優(yōu)控制策略和性能評估指標(biāo)，構(gòu)建廣義Chebyshev控制器，得到控制器參數(shù)集和魯棒性指標(biāo)；基于控制器參數(shù)集和魯棒性指標(biāo)，構(gòu)建多層級補償策略，生成補償信號和補償效果評估；基于補償信號和補償效果評估，進(jìn)行多目標(biāo)約束優(yōu)化，獲得優(yōu)化解和約束滿足度；基于優(yōu)化解和約束滿足度，進(jìn)行反饋修正和穩(wěn)定性分析，輸出修正控制量；S5、基于修正控制量、最優(yōu)控制策略和補償信號，采用動態(tài)權(quán)重融合方法，生成最終控制量和融合權(quán)重集；基于最終控制量和融合權(quán)重集，構(gòu)建Bernstein預(yù)測補償器，輸出預(yù)測補償量；基于最終控制量和預(yù)測補償量，進(jìn)行自適應(yīng)濾波與平滑處理，得到平滑控制量；基于平滑控制量和預(yù)存儲的系統(tǒng)響應(yīng)數(shù)據(jù)，進(jìn)行實時性能評估，獲得性能評估結(jié)果；基于性能評估結(jié)果和預(yù)存儲的系統(tǒng)運行狀態(tài)，進(jìn)行自優(yōu)化反饋調(diào)節(jié)，輸出優(yōu)化參數(shù)集；S6、基于優(yōu)化參數(shù)集、平滑控制量和預(yù)測補償量，計算功率調(diào)整控制信號并執(zhí)行功率調(diào)整，得到調(diào)整后的實際功率值；基于調(diào)整后的實際功率值，進(jìn)行閉環(huán)校正，實現(xiàn)自適應(yīng)功率匹配控制，輸出功率匹配評估值；步驟S1進(jìn)一步為：S11、采集接收系統(tǒng)的功率信號，采用預(yù)定采樣頻率的模數(shù)轉(zhuǎn)換器對功率信號進(jìn)行同步采樣，輸出功率序列；S12、基于功率序列，構(gòu)建黎曼流形上的測地線方程；利用投影算子將功率序列從歐氏空間投影到黎曼流形上，得到投影后的信號；基于測地線方程，對投影后的信號進(jìn)行分解，得到本征模態(tài)函數(shù)集；S13、基于本征模態(tài)函數(shù)集，計算切空間基底，構(gòu)建黎曼度量張量；基于黎曼度量張量，計算黎曼曲率；基于黎曼曲率，獲取曲線參數(shù)化和單位法向量，計算得到測地曲率和形狀算子；將黎曼曲率、測地曲率和形狀算子組合形成幾何特征向量；S14、基于功率序列和幾何特征向量，構(gòu)建時間延遲和嵌入維數(shù)的動態(tài)嵌入矩陣；基于幾何特征向量的二范數(shù)和功率序列的標(biāo)準(zhǔn)差，計算動態(tài)窗口大小；基于動態(tài)窗口大小，對動態(tài)嵌入矩陣進(jìn)行奇異值分解，得到動態(tài)特征矩陣和主奇異值序列；S15、基于動態(tài)特征矩陣和主奇異值序列，計算歸一化奇異值；基于歸一化奇異值，計算拓?fù)潇?；基于拓?fù)潇亍㈩A(yù)設(shè)參考熵值、主奇異值序列的方差和最大奇異值，計算穩(wěn)定性指標(biāo)；基于穩(wěn)定性指標(biāo)，確定系統(tǒng)的狀態(tài)標(biāo)識；步驟S2進(jìn)一步為：S21、基于穩(wěn)定性指標(biāo)、動態(tài)特征矩陣和幾何特征向量，計算動態(tài)均值和動態(tài)標(biāo)準(zhǔn)差；基于動態(tài)均值和動態(tài)標(biāo)準(zhǔn)差，進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化特征矩陣；S22、基于標(biāo)準(zhǔn)化特征矩陣，構(gòu)建n階廣義Gegenbauer多項式基函數(shù)；基于標(biāo)準(zhǔn)化特征矩陣和n階廣義Gegenbauer多項式基函數(shù)，構(gòu)建第一目標(biāo)函數(shù)；通過最小化第一目標(biāo)函數(shù)，得到最優(yōu)形狀參數(shù)和展開系數(shù)序列；S23、基于標(biāo)準(zhǔn)化特征矩陣，構(gòu)建優(yōu)化問題；采用增廣拉格朗日法對優(yōu)化問題進(jìn)行求解，得到模態(tài)集合；S24、基于模態(tài)集合和展開系數(shù)序列，構(gòu)建廣義Lasso問題min12||Ax-b||2+γ||Wx||1，其中A為觀測矩陣，W為加權(quán)矩陣，γ為正則化參數(shù)，x為待求解的稀疏表示，b表示表示觀測數(shù)據(jù)向量；采用迭代算法求解廣義Lasso問題，得到稀疏特征表示和特征重要度指標(biāo)；其中加權(quán)矩陣W的更新規(guī)則為Wii=1|xi|+η，η為小正數(shù)，xi表示稀疏表示x的第i個元素；S25、基于稀疏特征表示和特征重要度指標(biāo)，計算預(yù)定個尺度的Tsallis熵；基于預(yù)定個尺度的Tsallis熵，采用自適應(yīng)權(quán)重進(jìn)行融合，得到融合熵特征和信息完備度指標(biāo)；步驟S3進(jìn)一步為：S31、基于融合熵特征和信息完備度指標(biāo)，構(gòu)建廣義Christoffel函數(shù)；基于廣義Christoffel函數(shù)和預(yù)設(shè)目標(biāo)核函數(shù)，構(gòu)建第二目標(biāo)函數(shù)；通過最小化第二目標(biāo)函數(shù)，得到最優(yōu)核函數(shù)；S32、基于最優(yōu)核函數(shù)，構(gòu)建多層級Hankel矩陣；對每個層級的Hankel矩陣進(jìn)行奇異值分解，得到分解結(jié)果；基于分解結(jié)果和預(yù)設(shè)閾值參數(shù)，計算得到動態(tài)秩；基于動態(tài)秩，提取對應(yīng)的特征模式，形成特征序列；將提取的特征模式進(jìn)行組合，形成動態(tài)特征矩陣；S33、基于特征序列和動態(tài)特征矩陣，構(gòu)建概率流方程，包括擴散系數(shù)矩陣和漂移向量場；使用自適應(yīng)系數(shù)更新規(guī)則更新擴散系數(shù)矩陣；基于更新后的擴散系數(shù)矩陣和漂移向量場，求解概率流方程，得到概率分布；獲取系統(tǒng)的狀態(tài)變化，基于概率分布和狀態(tài)變化，構(gòu)建狀態(tài)轉(zhuǎn)移矩陣；S34、基于概率分布，構(gòu)建廣義Prony模型；獲取時間序列數(shù)據(jù)，基于時間序列數(shù)據(jù)和廣義Prony模型，構(gòu)建參數(shù)估計問題；采用迭代最小二乘法求解參數(shù)估計問題，得到頻譜特征向量和模態(tài)參數(shù)集；S35、基于頻譜特征向量、模態(tài)參數(shù)集和狀態(tài)轉(zhuǎn)移矩陣，構(gòu)建混合預(yù)測模型；使用混合預(yù)測模型，生成預(yù)測值；獲取實際觀測值，基于實際觀測值和預(yù)測值，計算個體預(yù)測誤差；基于個體預(yù)測誤差，采用自適應(yīng)權(quán)重更新規(guī)則，計算自適應(yīng)權(quán)重；基于自適應(yīng)權(quán)重的分布，計算預(yù)測置信度；基于自適應(yīng)權(quán)重和預(yù)測值，通過加權(quán)平均的方法進(jìn)行集成預(yù)測，生成預(yù)測值序列；步驟S4進(jìn)一步為：S41、基于混合預(yù)測模型、預(yù)測置信度和預(yù)測值序列，構(gòu)建性能指標(biāo)J=∫[αe2t+βu2t+γe*2t]dt和Hamilton函數(shù)Hx，u，λ，t=Lx，u+λTfx，u，其中et為功率匹配誤差，ut為控制輸入，e*t表示功率匹配誤差的時間導(dǎo)數(shù)，α、β、γ為權(quán)重系數(shù)，d表示微分算子，t表示時間變量，Lx，u為瞬時代價，fx，u為系統(tǒng)動態(tài)方程，λ為協(xié)態(tài)變量，x表示系統(tǒng)狀態(tài)變量；基于性能指標(biāo)，求解Hamilton函數(shù)，得到最優(yōu)控制策略和性能評估指標(biāo)；S42、基于最優(yōu)控制策略和性能評估指標(biāo)，構(gòu)建廣義Chebyshev多項式；基于廣義Chebyshev多項式，構(gòu)建控制律；基于控制律，引入魯棒性約束，構(gòu)建約束優(yōu)化問題；對約束優(yōu)化問題進(jìn)行求解，輸出控制器參數(shù)集和魯棒性指標(biāo)；S43、基于控制器參數(shù)集和魯棒性指標(biāo)，構(gòu)建補償函數(shù)Ct=Σwit·giet，其中wit為自適應(yīng)權(quán)重，gi為基本補償函數(shù)，et為功率匹配誤差；基于補償函數(shù)，采用動態(tài)補償更新規(guī)則，得到補償信號和補償效果評估；S44、基于補償信號和補償效果評估，構(gòu)建第三目標(biāo)函數(shù)；基于第三目標(biāo)函數(shù)，采用障礙函數(shù)法引入約束，構(gòu)建增廣目標(biāo)函數(shù)；對增廣目標(biāo)函數(shù)進(jìn)行求解，得到優(yōu)化解；對優(yōu)化解進(jìn)行評估，得到約束滿足度；S45、基于優(yōu)化解和約束滿足度，構(gòu)建Lyapunov函數(shù)；基于Lyapunov函數(shù)，進(jìn)行穩(wěn)定性分析，得到穩(wěn)定性指標(biāo)；基于穩(wěn)定性指標(biāo)，計算修正量，得到修正控制量；基于穩(wěn)定性指標(biāo)和修正控制量，進(jìn)行綜合評估，得到控制系統(tǒng)總體評估結(jié)果；步驟S5進(jìn)一步為：S51、基于修正控制量、最優(yōu)控制策略和補償信號，構(gòu)建融合函數(shù)；基于融合函數(shù)，計算局部性能指標(biāo)；基于局部性能指標(biāo)的梯度，采用自適應(yīng)更新規(guī)則，更新融合函數(shù)的權(quán)重，得到最終控制量和融合權(quán)重集；S52、基于最終控制量和融合權(quán)重集，構(gòu)建Bernstein多項式預(yù)測器Px=Σbk·Bn，kx，其中Bn，kx為Bernstein基函數(shù)，bk為預(yù)測系數(shù)；基于Bernstein多項式預(yù)測器，計算預(yù)測補償量；基于預(yù)測補償量和實際觀測值，計算預(yù)測誤差；基于預(yù)測誤差，生成預(yù)測精度指標(biāo)；S53、基于最終控制量和預(yù)測補償量，構(gòu)建廣義矩估計；基于廣義矩估計，通過加權(quán)求和進(jìn)行自適應(yīng)濾波，得到濾波輸出；基于濾波輸出，進(jìn)行平滑處理，得到平滑控制量；S54、基于平滑控制量和系統(tǒng)實時采集的響應(yīng)數(shù)據(jù)，構(gòu)建性能指標(biāo)集，并計算性能評估結(jié)果；獲取系統(tǒng)運行狀態(tài)數(shù)據(jù)，基于性能評估結(jié)果，對系統(tǒng)運行狀態(tài)數(shù)據(jù)進(jìn)行優(yōu)化，得到優(yōu)化參數(shù)集；步驟S6進(jìn)一步為：S61、基于優(yōu)化參數(shù)集、平滑控制量和預(yù)測補償量，計算數(shù)字控制衰減器的衰減控制碼；將衰減控制碼轉(zhuǎn)換為目標(biāo)衰減值；S62、將衰減控制碼通過數(shù)字接口發(fā)送至數(shù)字控制衰減器，采集數(shù)字控制衰減器的輸入端功率值和輸出端功率值，計算實際衰減值；S63、基于目標(biāo)衰減值和實際衰減值，計算衰減誤差；基于衰減誤差，構(gòu)建誤差補償函數(shù)；使用誤差補償函數(shù)，更新衰減控制碼，得到修正后的衰減控制碼；基于修正后的衰減控制碼，獲取調(diào)整后的輸出端功率值，作為調(diào)整后的實際功率值；S64、基于調(diào)整后的實際功率值，計算功率匹配誤差；基于功率匹配誤差，采用動態(tài)評估函數(shù)，計算功率匹配評估值；當(dāng)評估值超過預(yù)設(shè)閾值時，重新回到步驟S1，計算得到最終的功率匹配評估值。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人南京航天工業(yè)科技有限公司，其通訊地址為：210016 江蘇省南京市秦淮區(qū)后標(biāo)營35號；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)”。