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！

龙图腾网获悉南京桂瑞得信息科技有限公司申请的专利基于DDPG和联邦剪枝的无人平台自组网抗干扰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：CN120711405B 。

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：202511135376.8，技术领域涉及：H04W16/10；该发明授权基于DDPG和联邦剪枝的无人平台自组网抗干扰方法是由桂冠;徐赉;王禹设计研发完成，并于2025-08-14向国家知识产权局提交的专利申请。

本基于DDPG和联邦剪枝的无人平台自组网抗干扰方法在说明书摘要公布了：本发明公开了一种基于DDPG和联邦剪枝的无人平台自组网抗干扰方法，涉及通信信号处理技术领域，利用时频图构建基于DDPG的无人平台本地抗干扰决策模型，并将本地抗干扰决策模型的局部参数发送至中心节点；中心节点利用联邦学习机制对多个无人平台本地抗干扰决策模型的局部参数进行全局聚合，得到全局优化抗干扰决策模型；并采用联邦剪枝机制对全局优化抗干扰决策模型进行结构化剪枝处理，得到稀疏决策模型；将剪枝后的稀疏决策模型参数分发至各无人平台，继续进行本地抗干扰决策模型的训练，并重复联邦学习机制和联邦剪枝机制的交替进行，直至本地抗干扰决策模型收敛，降低了通信网络中强化学习模型的计算复杂度和通信负载。

本发明授权基于DDPG和联邦剪枝的无人平台自组网抗干扰方法在权利要求书中公布了：1.基于DDPG和联邦剪枝的无人平台自组网抗干扰方法，其特征在于，包括以下步骤： 步骤1、利用无人平台子节点采集环境数据并进行预处理，得到时频图； 步骤2、利用时频图构建基于DDPG的无人平台本地抗干扰决策模型，并将本地抗干扰决策模型的局部参数发送至中心节点； 步骤3、中心节点利用联邦学习机制对多个无人平台本地抗干扰决策模型的局部参数进行全局聚合，得到全局优化抗干扰决策模型；并采用联邦剪枝机制对聚合后的全局优化抗干扰决策模型进行结构化剪枝处理，得到稀疏决策模型； 步骤4、将剪枝后的稀疏决策模型参数分发至各无人平台，继续进行本地抗干扰决策模型的训练，并重复联邦学习机制和联邦剪枝机制的交替进行，直至本地抗干扰决策模型收敛； 在所述步骤3中，包括以下步骤： 步骤3-1、利用中心节点通过联邦平均算法对接收的本地抗干扰决策模型的局部参数进行全局聚合，得到全局优化抗干扰决策模型及全局优化抗干扰决策模型参数； 步骤3-2、利用中心节点对全局优化抗干扰决策模型参数进行重要性评估，得到重要性指标； 步骤3-3、基于步骤3-2的重要性指标，设定预期压缩率，按比例选择得分最低的结构单元进行全局统一剪枝，保留得分前的通道集合，并构建对应的稀疏掩码矩阵G； 步骤3-4、根据所生成的稀疏掩码矩阵G，对全局优化抗干扰决策模型参数进行结构性裁剪得到稀疏决策模型； 在所述步骤3-1中，对本地抗干扰决策模型的局部参数进行全局聚合的公式如下： ； ； 其中，和分别是第i个子节点训练获得的主决策网络参数和主评价网络参数，和分别是聚合后的全局主决策网络参数和全局主评价网络参数，N表示参与本轮联邦训练的无人平台数量，是第i个无人平台的本地样本权重，表示第j个无人平台的样本权重； 在所述步骤3-4中，对全局优化抗干扰决策模型参数通过定义的稀疏掩码矩阵进行结构性裁剪： ； 其中，表示中心节点进行结构性裁剪后的全局优化抗干扰决策模型参数，符号表示逐元素乘积，G表示稀疏掩码矩阵； 在所述步骤2中，构建基于DDPG的无人平台本地抗干扰决策模型步骤如下： 步骤2-1、采用包含评价网络和决策网络损失的DDPG优化结构进行本地抗干扰决策模型训练； 步骤2-2、针对所构建的评价网络，采用MSE以监督方式训练状态-动作价值函数，其中，表示t时刻的环境状态，表示t时刻的决策动作，得到评价网络损失函数；针对所构建的决策网络，采用策略梯度方法，通过梯度下降实现目标函数最大化，得到决策网络损失函数； 步骤2-3、根据所述步骤2-2构建的评价网络损失函数和决策网络损失函数分别对主评价网络和主决策网络进行梯度反向传播与参数更新，最终得到本地抗干扰决策模型。

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南京桂瑞得信息科技有限公司，其通讯地址为：210000 江苏省南京市栖霞区栖霞街道广月路9-13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。