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！

龙图腾网获悉河南国立微智能研究院有限公司;河南垂天科技有限公司申请的专利基于人工智能的环境反向散射系统通信误码率评估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：CN118740343B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202410945307.2，技术领域涉及：H04L1/20；该发明授权基于人工智能的环境反向散射系统通信误码率评估方法是由朱明甫;刘尚鑫;陈亚飞;贾亚平;丁文盛;李青修;顾明;杨国宾;倪水平;赵文俊;武志强;段崇;马竞设计研发完成，并于2024-07-15向国家知识产权局提交的专利申请。

本基于人工智能的环境反向散射系统通信误码率评估方法在说明书摘要公布了：基于人工智能的环境反向散射系统通信误码率评估方法，属于数据处理方法领域，包括以下步骤：S1、数据采集与标注，S2、采用基于量子态演化的SMOTE算法进行数据扩充，S3、采用基于光影随动追踪优化的神经网络算法进行特征提取模型训练，S4：采用改进的自编码神经网络用于特征降维，S5：采用基于稳态冗余剔除的随机森林算法进行分类器模型训练，S6：环境反向散射系统通信误码率分类评估。本发明不仅增加了样本的多样性，也保持了高度的信息保真度，从而提高了模型的训练效果和最终的预测准确性；避免陷入局部最优解，增强模型对新数据的适应能力；减少过拟合的风险并提高模型对未知数据的预测能力。

本发明授权基于人工智能的环境反向散射系统通信误码率评估方法在权利要求书中公布了：1.基于人工智能的环境反向散射系统通信误码率评估方法，其特征在于，包括以下步骤： S1、数据采集与标注 采集的数据来源于环境反向散射系统中的通信节点，通过专有的硬件接口实时监控并记录通信误差事件；采集到的数据存储为结构化的向量数据格式，每个数据点包括多个属性字段； 对采集到的数据进行人工标注，标注类别包括：未发生误码、单比特误码、多比特误码、奇偶校验误码、同步失误误码； S2、数据扩充 采用基于量子态演化的SMOTE算法进行样本生成，进而实现数据扩充；基于量子态演化的SMOTE算法进行样本生成的流程如下： S201、从已标注的训练集中分离出少数类样本，基于量子态演化理论，计算各少数类样本的量子态表示，每个少数类样本bi被映射到一个量子态ψi，表示为： 式中，|k表示量子比特的基态，αik是复数概率幅度，具体为样本bi在基态|k的概率幅度，满足归一化条件K为量子态空间的维度；k为量子态空间维度的索引； S202、选取距离近的样本对进行量子态的叠加运算，利用量子态的干涉原理模拟出新的样本；其中，样本对bi,bj进行量子态的叠加操作，生成新的量子态ψij，表示为： 式中，ψi和ψj分别为样本bi和bj的量子态表示；||||为规范化处理操作符，具体规范方式为L1范数规范，||ψi+ψj||为对于量子态叠加产生的新态ψij进行规范化处理，规范化操作确保ψij仍为合法的量子态；E为量子纠缠操作函数； 量子纠缠操作函数E对于样本bi和bj的量子态ψi和ψj，采用纠缠操作的计算方式表示为： 式中，表示量子态的张量积； ||ψi+ψj||的计算方式表示为： 式中，|αik+αjk|2计算的是新叠加态在基态|k上的复数概率幅度的模长平方； S203、生成的新样本经过一个量子测量过程，确保其在经典数据空间中的有效性和合理性，同时保持数据的多样性和复杂性，量子测量过程用于将量子态ψij转换回经典样本bnew的方式表示为： bnew＝measureψnew 式中，measureψ为量子测量函数，ψ为该量子测量函数的输入；βk是通过量子态ψij的测量得到的概率，具体为βk表示在量子态ψij测量后，基态|k的出现概率，其决定了新样本在各维度的取值；ψnew为新样本的量子态； ψnew的计算方式表示为： 式中，ψij|ψij表示ψij的内积；G为动态自适应量子门操作函数； S204、新生成的样本bnew经过一个验证和调整过程，以确保其在数据分布中的适应性和多样性，表示为： bnew＝λvf·bnew+1-λvf·bi⊕bj 式中，λvf为调整因子，控制新样本接近原始样本对的程度；⊕表示样本特征的中值操作；bi⊕bj表示样本bi和bj的特征中值； bi⊕bj的计算方式表示为： 式中，计算的是样本bi和bj的算术平均值，表示两者特征的中点；bi为第i个生成的样本，bj为第j个生成样本； S3、特征提取模型训练 将扩充后的数据输入到特征提取模型中进行特征提取模型的训练，采用基于光影随动追踪优化的神经网络结构，利用光影变化的模式来捕捉和提取输入数据中的动态特征，准确地提取通信误码特征； 基于光影随动追踪优化的神经网络算法的训练流程如下： S301、设定神经网络的初始架构，包括输入层、2个隐藏层和输出层；模型初始化时，网络参数θ包括权重w和偏置b，参数的初始化表示为： 式中，l表示网络层级，i，j均为正整数，表示该层的神经元索引，σ2是初始化权重的方差，为第l层的权重，为第l层的偏置，表示均值为0、方差为σ2的正态分布； S302、利用扩充后的训练数据，通过前向传播计算每层的输出，然后通过反向传播算法调整网络参数，最小化输出误差，其中，网络的输出y与目标y*之间的误差通过损失函数计算： 而且，在参数更新过程中，反向传播更新权重的方式表示为： 式中，和为更新前的权重和偏置，和为更新后的权重和偏置，y为网络输出，y*为真实目标，和分别是损失函数对第l层权重和偏置的偏导数，IW,b为更新影响因子，η为神经网络的学习率； S303、在每个训练周期结束时，评估模型的性能，如果模型性能未达到预定的提升标准或者训练进展停滞，根据循环重新启动策略调整学习率或重新初始化网络参数，其中，循环重新启动策略通过动态调整学习率η实现，依据训练过程中的损失函数L的变化，从而表示为： ηnew＝η×λvgtτ 式中，λvg是衰减因子，t是当前训练周期，τ是衰减时间步长，ηnew为更新后的神经网络的学习率； 衰减因子λvg的计算方式表示为： λvg＝e-α 式中，α是基于模型性能评估指标增长率的参数，计算方式表示为： 式中，ΔL表示连续两个训练周期的损失函数变化量，L是当前周期的损失函数值； S304、重复迭代步骤S301-S303，直至满足预设的停止迭代条件，即表示模型训练完成； S4：特征降维模型训练 将特征提取后得到的特征向量输入到特征降维模型中进行特征降维模型的训练，采用改进的自编码神经网络用于特征降维；改进的自编码神经网络的训练流程如下： S401、使用高斯分布策略初始化自编码神经网络的参数，每个参数pθ的初始化方式表示为： 式中，pθ为网络参数；表示均值为0，方差为σ2的正态分布；σ为初始化的标准偏差，控制参数初始化的散布程度； S402、输入数据通过编码器进行前向传播，利用流形学习的方法在保持数据局部结构的同时进行特征压缩，其中，输入数据x被转换为低维特征z，表示为： z＝SigWex+be 式中，x为输入数据；We为编码器的权重矩阵；be为编码器的偏置向量；Sig为Sigmoid激活函数； Sigmoid函数的计算方式表示为： 式中，v是激活函数的输入； S403、压缩后的特征通过解码器进行重构，尝试恢复到其原始数据形态，在此过程中，通过均方误差损失函数来实现重构过程的约束，重构操作表示为： 式中，为重构数据；z为编码后的低维特征；Wd为解码器的权重矩阵；bd为解码器的偏置向量； S404、在每一轮训练结束后，采用均匀化策略调整各个特征维度的权重，调整权重W和偏置b以均匀特征信息，表示为： 式中，||W||F是W的Frobenius范数，用于规范权重；||b||1是b的1-范数，用于规范偏置； Frobenius范数||W||F的计算方式表示为： 式中，Wij是矩阵W中第i行第j列的元素； 1-范数||b||1的计算方式表示为： 式中，bi是偏置b中的第i个元素； S405、根据损失函数计算梯度，并通过梯度下降法更新网络参数，表示为： 式中，θ表示网络参数，包括We,be,Wd,bd；ηbv是自编码器的学习率；是损失函数L关于θ的梯度，L采用均方误差其中，n表示当前批次输入到自编码器的样本数量； 损失函数的梯度的计算方式表示为： S406、重复迭代步骤S401-S405，直至满足预设的停止迭代条件，即表示模型训练完成； S5：分类器模型训练 将降维后的数据输入到分类器中进行分类器模型的训练，采用基于稳态冗余剔除的随机森林算法，训练流程如下： S501、设定随机森林由N棵独立的决策树组成，每棵树Ti初始化时随机选择样本和特征，初始化过程表示为： Ti＝initializeData,Fqi,Sqi,i＝1,2,…,N 式中，initialize为初始化函数；Ti为第i棵树；Data为训练数据集；Fqi为从特征集中随机选取的特征子集；Sqi为从样本中随机选取的样本子集； S502、对于每棵树，使用拓扑转换后的数据进行训练，拓扑转换通过主成分分析而实现，使数据适合于决策树分割，表示为： X′qi＝PCAXqi,Xqi∈Sqi 式中，Xqi为选中的样本数据；PCA为PCA函数；X′qi为经过PCA转换后的数据； S503、在树构建后，计算树之间的冗余度；若发现高冗余关系，则剔除冗余度最高的树，只保留提供独立信息的树，其中，设SimTi,Tj表示两棵树的相似度计算函数，计算方式表示为： 式中，X为用于评估的数据集，为指示函数，如果两棵树对同一数据点x的分类结果相同，则函数值为1，否则为0； S504、每棵树通过最优分割点来进行训练，确保可以从训练数据中学习到决策边界，分割点的选择基于增益最大化，表示为： 式中，InfoGains表示在分割点s处的增益； 增益InfoGains的计算方式表示为： 式中，HD是数据集D的熵，Dlefts和Drights分别是在分割点s后数据集被分到左右两个子集； 熵HD的计算方式表示为： 式中，是类别kc在数据集D中的概率，kc表示数据类别索引； S505、通过投票机制融合所有决策树的输出，每棵树对一个输入样本给出一个预测结果，最终结果取得票数最多的类别，表示为： 式中，ci是第i棵树的分类结果；C是最终的分类结果，为指示函数，如果第i棵树的输出ci等于类别kc，则函数值为1，否则为0； S506、在模型训练过程中，根据验证数据的反馈动态调整决策树的数量和深度，以及拓扑转换的参数，优化模型的性能；树的数量N和PCA的组件数kd的调整方式表示为： Nnew＝N+ΔN 式中，ΔN和Δkd分别为根据模型表现调整的树的数量和PCA的组件数，Nnew为调整后的树的数量，为调整后的PCA的组件数，kd为PCA的组件数； S6：环境反向散射系统通信误码率分类评估 使用已经训练好的特征提取模型、数据降维模型以及分类器模型来处理新收集的环境反向散射系统数据，从而评估通信误码率。

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河南国立微智能研究院有限公司;河南垂天科技有限公司，其通讯地址为：450000 河南省郑州市金水区杨金路外包产业园天亨I号楼1-4层；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。