买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于一阶卷积神经网络的自适应波束成形方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115310512B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210781154.3，技术领域涉及：G06F18/20；该发明授权一种基于一阶卷积神经网络的自适应波束成形方法是由雷世文;张英豪;李天阳;胡皓全;陈波;田径;杨伟;何子远;唐璞;包永芳设计研发完成，并于2022-07-04向国家知识产权局提交的专利申请。

本一种基于一阶卷积神经网络的自适应波束成形方法在说明书摘要公布了：本发明提供一种基于一阶卷积神经网络的自适应波束成形方法，针对大型阵列波束赋形计算复杂度高，实时响应慢的问题，分析阵列结构、波束特性等参量与子阵激励的映射关系，构建自适应波束赋形问题的一阶卷积神经网络框架对阵元激励特征的强化表征方法，通过一阶卷积神经网络自适应实时预测阵元激励，针对不同赋形波束指标要求生成理想波束方向图，满足实时响应场景需求。同时针对现有深度学习方法占用内存大，样本需求大的问题，为了在样本量不变的前提下，进一步提高神经网络预测阵元激励的精度，在全连接层基础上连接一阶卷积层，通过将低维特征向高维转换，丰富特征的多样性，强化神经网络的特征映射能力，实现非线性关系的多样性表征。

本发明授权一种基于一阶卷积神经网络的自适应波束成形方法在权利要求书中公布了：1.一种基于一阶卷积神经网络的自适应波束成形方法，其特征在于，包括以下步骤： 步骤一：设置波束变量参数，所述波束变量参数包括零陷方向、零陷数量以及零陷宽度，通过半正定规划算法生成对应的阵元激励；将进行了实部、虚部的分离与归一化处理的零陷方向的阵列导向矢量矩阵的向量形式r以及阵元激励z构建训练集{r,z}； 步骤二：构建实现阵列导向矢量与阵元激励之间映射关系的一阶卷积神经网络；一阶卷积神经网络是由多层一阶卷积层与全连接深度神经网络组成，多层一阶卷积层用于丰富输入数据的特征维数，全连接深度神经网络用于根据前者学习到的数据特征预测阵元激励； 步骤三：确定一阶卷积神经网络的最优结构，输入训练集完成对一阶卷积神经网络的训练； 步骤四：根据需要的波束变量参数生成阵列导向矢量矩阵的向量形式并输入至训练好的一阶卷积神经网络，再根据从一阶卷积神经网络输出的阵元激励来完成波束合成； 其中，在第l个一阶卷积层中有以下操作： 输入向量：其中表示第l-1个一阶卷积层的输出的数据尺寸，[l-1]表示第l-1个一阶卷积层，M [l-1]表示第l-1个一阶卷积层每个通道的输出向量长度，表示第l-1个一阶卷积层的输出通道个数，C[l-1]为第l个一阶卷积层的输入向量来自上一层l-1的输出； 输出向量：上一层的输出向量作为本层输入与过滤器参数通过元素乘法再求和得到输出 其矩阵计算表示为： 其中，m表示输出向量的第m个元素，m＝1,...,M[l]和 表示第l层第q个过滤器，i和k表示过滤器的尺寸，i是过滤器的长度，k是过滤器的通道数；表示第l层输入向量，ξm-1+i表示输入至第l层第q个过滤器中输入向量对应的第ξm-1+i位元素； 激活函数设置为ReLU函数，第l层输出向量O[l]经过激活函数f后作为第l+1层的输入向量C[l]； 一阶卷积神经网络的最优结构为：所述多层一阶卷积层由2层一阶卷积层组成，全连接型深度神经网络由1层输入层、4层隐藏层以及1层输出层组成。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区（西区）西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。