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！

龙图腾网获悉浙江大学;浙江大学海南研究院申请的专利基于模型数据双驱动的抗干扰水声信道估计方法及装置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：CN120915634B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202511440977.X，技术领域涉及：H04L25/02；该发明授权基于模型数据双驱动的抗干扰水声信道估计方法及装置是由瞿逢重;王逸汎;朱江;余铖颉;魏艳;涂星滨设计研发完成，并于2025-10-10向国家知识产权局提交的专利申请。

本基于模型数据双驱动的抗干扰水声信道估计方法及装置在说明书摘要公布了：本发明公开了一种基于模型数据双驱动的抗干扰水声信道估计方法及装置，包括：获取干扰数据集，训练神经网络；预处理水声信号得到导频部分信号，初始化信道、干扰样本、采样时刻和信道先验方差γ；利用神经网络和解析模型分别得到t'时刻的干扰和信道先验分数；对数似然函数关于干扰和信道共轭求梯度得到干扰和信道条件分数，先验和条件分数加权求和后得到干扰和信道后验分数；退火郎之万采样修正信道样本和干扰样本，并更新γ，再次计算后验分数；扩散模型逆过程得到t'时刻的信道样本和干扰样本；若t'达到tmin，则输出最终估计值，反之根据t'时刻的信道样本更新γ，进行循环。本发明实现了结构化干扰环境下单载波通信信道的准确估计。

本发明授权基于模型数据双驱动的抗干扰水声信道估计方法及装置在权利要求书中公布了：1.一种基于模型数据双驱动的抗干扰水声信道估计方法，其特征在于，包括以下步骤： S1：获取干扰样本数据集，训练得到基于U-net结构的神经网络； S2：预处理接收到的水声信号，得到符号速率采样后的导频部分信号，使用高斯白噪声初始化K个信道样本和K个干扰样本；初始化采样时刻t'=1，信道先验方差； S3：令采样时刻t=t'，利用所述神经网络得到t时刻的干扰先验分数，利用信道样本的解析先验模型得到t时刻的信道先验分数；利用近似手段得到t时刻的对数似然函数，对其关于干扰共轭求梯度得到t时刻的干扰条件分数，关于信道共轭求梯度得到t时刻的信道条件分数；对干扰的先验分数和条件分数加权求和后得到t时刻的干扰后验分数，对信道的先验分数和条件分数加权求和后得到t时刻的信道后验分数； S4：采用退火郎之万采样方法，根据后验分数修正所述信道样本和干扰样本，并根据修正后的信道样本更新信道先验方差； S5：采用S3的方法，得到修正后的信道样本和干扰样本对应的后验分数；利用扩散模型逆过程得到下一时刻的信道样本和干扰样本；更新t'=t+dt，其中，dt为逆时间步长； S6：判断t'是否达到设定阈值tmin，若是，则输出最终估计值；若否，则根据S5得到的下一时刻的信道样本更新信道先验方差，并返回执行S3-S6；所述最终估计值包括t'时刻得到的K个信道样本的均值和K个干扰样本的均值； 所述S1中，神经网络包括：编码器、解码器、跳跃连接模块；输入数据的实部和虚部分别作为独立通道，堆叠形成两通道张量，并通过初始卷积层投影至64维特征空间，作为编码器的输入； 所述编码器和解码器均由32个级联的卷积模块构成，每个卷积模块包含卷积层和ReLU激活函数； 所述跳跃连接模块将编码器中各卷积模块的输出特征图，与解码器中对应层级的输入特征图进行通道堆叠，增强梯度流动并保留多尺度特征； 通过最终卷积层将解码器输出的特征图投影至二维空间，生成干扰先验分数估计结果； 所述S3中，所述干扰先验分数的实部为干扰样本在t时刻的第j个干扰样本输入所述神经网络后，输出的第1列结果；虚部为输入所述神经网络后，输出的第2列结果； t时刻的信道先验分数为：将信道先验分布与t时刻的信道扰动核函数相乘后对t时刻的信道共轭求梯度得到。

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浙江大学;浙江大学海南研究院，其通讯地址为：316021 浙江省舟山市定海区浙大路1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。