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！

龙图腾网获悉中国电子科技集团公司第三十研究所申请的专利一种基于STFT-CNN的多进制双正交键控信号解调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：CN119402329B 。

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：202411421341.6，技术领域涉及：H04L27/26；该发明授权一种基于STFT-CNN的多进制双正交键控信号解调方法是由李晓东;胡飞;李开林;张桂祥设计研发完成，并于2024-10-12向国家知识产权局提交的专利申请。

本一种基于STFT-CNN的多进制双正交键控信号解调方法在说明书摘要公布了：本发明公开了一种基于STFT‑CNN的多进制双正交键控信号解调方法，其包括：将信源转换为I路信息比特和Q路信息比特，分别将I路信息比特和Q路信息比特中的信息比特映射到I路扩频码集和Q路扩频码集，分别在I路扩频码集和Q路扩频码集中的每个扩频码后加入重复编码，即将每个扩频码重复若干次后，再进行QPSK调制，产生MBOK调制信号；提取MBOK调制信号中的时频特征输入机器学习模型，输出相应的似然概率，似然概率用于表明当前时频特征样本所属类别或所属扩频码的状态，根据所属类别或所属扩频码的状态与信源的信息比特之间的一一映射关系，恢复出信源信息。本发明提高了解调性能。

本发明授权一种基于STFT-CNN的多进制双正交键控信号解调方法在权利要求书中公布了：1.一种基于STFT-CNN的多进制双正交键控信号解调方法，其特征在于，包括： 将信源转换为I路信息比特和Q路信息比特，分别将I路信息比特和Q路信息比特中的信息比特映射到I路扩频码集和Q路扩频码集，分别在I路扩频码集和Q路扩频码集中的每个扩频码后加入重复编码，即将每个扩频码重复若干次后，再进行QPSK调制，产生MBOK调制信号； 提取MBOK调制信号中的时频特征输入机器学习模型，输出相应的似然概率，似然概率用于表明当前时频特征样本所属类别或所属扩频码的状态，根据所属类别或所属扩频码的状态与信源的信息比特之间的一一映射关系，恢复出信源信息； 所述将信源转换为I路信息比特和Q路信息比特，分别将I路信息比特和Q路信息比特中的信息比特映射到I路扩频码集和Q路扩频码集，包括： 信源经过串并转换得到I路信息比特和Q路信息比特，I路信息比特中每m＝log2M个信息比特映射到I路扩频码集CI＝{CI0,CI1…,CIM-1}中的一个扩频码，Q路信息比特中每m＝log2M个信息比特映射到Q路扩频码集CQ＝{CQ0,CQ1…,CQM-1}中的一个扩频码； 所述扩频码采用Gold码或Walsh码作为正交扩频编码；Gold码由两个m序列对构成，两个m序列对产生多个正交Gold码，从多个正交Gold码中选择M个码序列构成M进制双正交键控信号I路的正交扩频码集合，再从多个正交Gold码中剩余的码序列中选择M个码序列构成M进制双正交键控信号Q路的正交扩频码集合； 所述机器学习模型的训练样本获取过程包括： 获取MBOK调制信号后，根据扩频码的同步位置截取N个采样信号样本，将该采样信号样本进行短时傅里叶变换，得到复数矩阵RSTFT，对复数矩阵RSTFT的各个元素求模，得到RSTFT的模值矩阵Rmodulus；将矩阵Rmodulus归一化得到卷积神经网络的输入样本矩阵R′modulus，将样本矩阵R′modulus作为卷积神经网络的训练样本； 采用卷积神经网络作为机器学习模型，构建的卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层和输出层； 所述机器学习模型的代价函数为： 设有一组含有m个样本的训练数据集X： X＝{x0,y0,…,xi,yi,…xm,ym} 其中，X∈Rn×n，yi∈{0,1,…,M·M}，M·M为总的分类类别，M为IQ两路扩频码的个数，M·M为IQ两路扩频码的组合状态数；xi为样本集合中的第i个样本；yi为样本xi所对应的样本标签； 创建卷积神经网络的参数模型来估计训练数据集X的分布概率，根据最大似然估计原理，最大化参数模型的似然概率等价于最小化训练数据集上的经验分布和参数模型上的概率分布之间的交叉熵； 最大化以下公式等价于最小化代价函数θLoss： 其中，logpyi|xi；θ为似然概率，θ为卷积神经网络的网络参数； 其中，j＝{0,1,…,k-1}，j表示第j个分类，k表示分类的总数； 卷积神经网络的第二全连接层输出预测未归一化的对数概率z ＝logpy＝j|x；θ 利用输出层中的Softmax函数对z指数化和归一化得到： 其中，1{y＝j}是一个指示性函数，即当括号内的值为真时，该函数结果为1，否则其结果为0；表示为防止过拟合加入的参数惩罚正则化项，λ表示惩罚系数； 所述机器学习模型的优化算法包括： 对卷积神经网络参数初始化，从训练集中选取样本矩阵Rmodulus构成输入层，经过第一池化层、第二卷积层、第二池化层后，然后再经过第一全连接层、第二全连接层进入输出层，输出层根据训练样本矩阵的标注信息，计算出当前卷积神经网络模型的预测结果与真实结果之间的误差； 基于前向传播得到的预测值和真实值之间的误差，反向传播按照输出层到输入层的顺序，采用随机梯度下降算法，每次迭代遍历整个训练集，当代价函数随着迭代次数的增加而减小，直到最后收敛到指定精度，则结束卷积神经网络的训练过程，并保存该卷积神经网络的参数模型。

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中国电子科技集团公司第三十研究所，其通讯地址为：610041 四川省成都市高新区创业路8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”。

以上内容由龙图腾AI智能生成。