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！

龙图腾网获悉中山大学申请的专利一种基于FPGA的雷达辐射源信号识别模型的构建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：CN117131906B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202311001070.4，技术领域涉及：G06N3/0464；该发明授权一种基于FPGA的雷达辐射源信号识别模型的构建方法是由胡俊;卢俊安设计研发完成，并于2023-08-09向国家知识产权局提交的专利申请。

本一种基于FPGA的雷达辐射源信号识别模型的构建方法在说明书摘要公布了：本发明公开了一种基于FPGA的雷达辐射源信号识别模型的构建方法，包括以下步骤：S1，构建数据集；S2，设计原始模型；S3，模型进行稀疏正则化训练，得到权重稀疏的模型；S4，对模型进行剪枝，根据预设的滤波器重要性的判定依据，逐层对滤波器进行排序，剪除稀疏的滤波器和相应通道；S5，对模型进行微调训练并重复迭代，直到模型精度和压缩比均满足预设要求；S6，对模型进行参数量化，并设计模型参数存储与读取的优化策略；S7，设计一种基于FPGA的网络层模块复用架构并结合加速策略，最终得到目标模型。本发明所得模型具有结构复杂度低、模型参数量少、识别实时性高以及低功耗的特点。

本发明授权一种基于FPGA的雷达辐射源信号识别模型的构建方法在权利要求书中公布了：1.一种基于FPGA的雷达辐射源信号识别模型的构建方法，其特征在于，包括以下步骤： S1，构建雷达辐射源数据集； S2，设计基于深度可分离卷积的原始模型，记作1D-LDS-CNN模型； S3，步骤S2所得模型采用所述雷达辐射源数据集进行稀疏正则化训练，得到权重稀疏的1D-LDS-CNN模型； S4，对步骤S3所得模型进行模型剪枝，根据预设的滤波器重要性的判定依据，逐层对滤波器进行排序，剪除稀疏的滤波器和相应通道； S5，对步骤S4所得模型进行微调训练并重复迭代，直到模型精度和压缩比均满足预设要求； S6，对步骤S5所得模型进行模型参数量化，并设计模型参数存储与读取的优化策略； S7，构建基于FPGA的网络层模块复用架构并结合预设的加速策略以加速步骤S6所得模型的推理过程，最终得到目标模型； 在所述步骤S6中，所述模型参数量化具体为： 采用静态定点量化的方法，根据权重数据和特征数据分布范围，将量化定点数的整数部分和小数部分分别设置位宽，最终得到的量化结果用于覆盖所有模型参数及推理过程产生的特征数据； 在所述步骤S7中，所述加速策略包括BN层计算融合策略、卷积核内流水线策略以及通道并行化与加法树设计策略； 所述BN层计算融合策略具体为：将BN层与卷积层进行融合处理，卷积层的输出具体为: 其中，为单个卷积层的输出值，为单个输出通道上的平均值，为单个输出通道上的方差，为防止分母为0的很小的常数值，为缩放系数，为偏移因子；由于BN层处理过程中存在偏移因子，因此卷积层中自身的偏置能够省去，BN层与卷积层融合后的和具体为： ，； 所述卷积核内流水线策略具体为：若为一维卷积，设定卷积核大小为1*3，则单个卷积计算单元PE内部计算流水线需要用到3个乘积累加阵列MAC排开形成一维阵列；卷积计算开始时，特征数据依次进入乘积累加阵列，上一个乘积累加阵列的输出将作为下一个乘积累加阵列的输入；最终实现每个时钟周期都能够得到一个卷积计算结果，且无需重复读取权重和特征数据； 所述通道并行与加法树策略具体为：在卷积模块中分别设置内置加法树和外置加法树模块，内置加法树内嵌于卷积模块内，负责将卷积模块内的所有通道卷积计算结果相加，外置加法树则负责将多个卷积模块的输出相加。

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山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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。