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！

龙图腾网获悉北京破晓云依科技有限公司申请的专利一种基于深度学习的无码本近场波束赋形方法、装置、设备、介质及产品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：CN119210539B 。

龙图腾网通过国家知识产权局官网在2025-08-29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：202411307741.4，技术领域涉及：H04B7/06；该发明授权一种基于深度学习的无码本近场波束赋形方法、装置、设备、介质及产品是由崔原豪;聂佳莉;张迪;巩译设计研发完成，并于2024-09-19向国家知识产权局提交的专利申请。

本一种基于深度学习的无码本近场波束赋形方法、装置、设备、介质及产品在说明书摘要公布了：本申请公开了一种基于深度学习的无码本近场波束赋形方法、装置、设备、介质及产品，涉及近场通信领域，该方法包括构建并训练卷积神经网络模型；所述卷积神经网络模型包括多个特征提取模块，每个特征提取模块均包括两层卷积层、两层正则化层和两层激活层；在第一层卷积时，设置填充为1，卷积核大小为2×2，在第二层卷积时，设置填充为0，卷积核大小为2×2；将当前的信道状态信息输入至训练好的卷积神经网络模型中，确定最优波束赋形矢量；基于所述最优赋形矢量调整天线阵列的发射信号形成定向波束，完成近场波束赋形。本申请不仅能有效减少波束训练的带来的开销，而且能获得更高的波束赋形精度。

本发明授权一种基于深度学习的无码本近场波束赋形方法、装置、设备、介质及产品在权利要求书中公布了：1.一种基于深度学习的无码本近场波束赋形方法，其特征在于，包括： 构建并训练卷积神经网络模型；所述卷积神经网络模型包括多个特征提取模块，每个特征提取模块均包括两层卷积层、两层正则化层和两层激活层；在第一层卷积时，设置填充为1，卷积核大小为2×2，在第二层卷积时，设置填充为0，卷积核大小为2×2；所述卷积神经网络能有效提取信道状态信息的实部信息、虚部信息、以及等效相位，同时保证数据在所述特征提取模块处理前后尺寸不变；所述等效相位为信道状态信息的实部信息结合虚部信息； 将当前的信道状态信息输入至训练好的卷积神经网络模型中，确定最优波束赋形矢量； 基于所述最优赋形矢量调整天线阵列的发射信号形成定向波束，完成近场波束赋形； 信道状态信息的表达式为： hk＝[h1,h2,…,hn…,hN] 其中，hk为采集到的第k个用户的信道状态信息，hn为第n个天线单元和用户之间的子载波的下行链路信道，N为天线单元的数量，βn为第n个天线单元路径衰减系数，r为中心天线与用户之间的距离，d为天线单元的间距，θ为中心天线与用户之间的角度； 在构建并训练卷积神经网络模型之前，还包括： 构建基站和用户间的近场通信模型，采集信道状态信息； 所述卷积神经网络模型的训练过程包括： 将采集到的信道状态信息输入至所述卷积神经网络模型中，输出波束赋形系数的等效相位； 采用欧拉公式将所述等效相位转换为波束赋形矢量； 基于所述波束赋形矢量和采集到的信道状态信息计算用户可达速率； 基于所述用户可达速率构建损失函数； 通过所述损失函数调整所述卷积神经网络模型的参数，完成卷积神经网络模型的训练； 所述通过所述损失函数调整所述卷积神经网络模型的参数具体为：采用损失函数计算损失，然后通过反向传播更新卷积神经网络模型参数。

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北京破晓云依科技有限公司，其通讯地址为：100080 北京市海淀区丰慧中路7号新材料创业大厦10层10层北侧办公1357；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”。

以上内容由龙图腾AI智能生成。