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！

龙图腾网恭喜西安电子科技大学申请的专利非高斯噪声下MIMO-OFDM空时编码方式识别方法、系统、设备及介质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：CN116192592B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202310203805.5，技术领域涉及：H04L27/26；该发明授权非高斯噪声下MIMO-OFDM空时编码方式识别方法、系统、设备及介质是由刘明骞;范亚奇;张卫东设计研发完成，并于2023-03-06向国家知识产权局提交的专利申请。

本非高斯噪声下MIMO-OFDM空时编码方式识别方法、系统、设备及介质在说明书摘要公布了：非高斯噪声下MIMO‑OFDM空时编码方式识别方法、系统、设备及介质，方法包括：提取适用于非高斯噪声环境下MIMO‑OFDM信号的相关性特征，构建用于特征优化选择的特征空间；构建基于极端梯度提升序列浮动后向选择算法的特征优化选择模型，根据特征重要性确定用于最终分类的特征集合；构建基于树增强朴素贝叶斯的分类器模型，根据特征优化选择出的特征对空时编码方式进行分类识别；系统、设备及介质基于非高斯噪声下MIMO‑OFDM空时编码方式识别方法进行空时编码方式识别；本发明提取适用于非高斯噪声环境下MIMO‑OFDM信号的时滞相关峰值特征，构建特征选择模型并进行特征优化选择以确定最终分类的特征集合，实现非高斯噪声下MIMO‑OFDM空时编码方式的识别，在低广义信噪比的条件下具有良好的识别性能。

本发明授权非高斯噪声下MIMO-OFDM空时编码方式识别方法、系统、设备及介质在权利要求书中公布了：1.一种非高斯噪声下MIMO-OFDM空时编码方式识别方法，其特征在于，具体包括以下步骤：步骤一，提取适用于非高斯噪声环境下MIMO-OFDM信号的时滞相关峰值特征，构建用于特征优化选择的特征空间；具体过程为：首先，非高斯噪声下从第i个接收天线接收到的信号的第n个样本可以表示为： 其中，hfi表示第f个发射天线和第i个接收天线之间的信道，Lh表示所有发射-接收天线对中信道数量，其中i＝0，1，…，Nr,sfn是从天线f上发送的序列sf的第n个元素；win是与sfn彼此独立的服从α稳定分布的噪声；计算不同接收天线下接收信号的时滞相关，其表达式为： 其中，λ表示空时编码类别，Lλ是λ空时编码方式的块长度，τ代表不同时滞,y·表示不同接收天线的接收信号；通过使用不同相关特征函数来计算接收信号的时滞相关，分别提取在时滞τ＝1,2,4的时滞相关峰值：Fλτ＝maxAλn,τ,其中，τ＝1,2,4将提取到的不同相关特征函数下的多个峰值特征作为特征优化选择的特征空间；所用的相关特征函数如下：1相关函数1特征，其表达式为：RBNC-1X,Y＝Eg1Xg2Y，其中，gx＝2πarctanπx2；2相关函数2特征，其表达式为：RBNC-2X,Y＝Eg1Xg2Y，其中，gx＝x1+|x|；3分数低阶相关FLOC特征，其表达式为： 其中，zp＝|z|p-1z*,z∈C；4相位分数低阶相关PFLOC特征，其表达式为： 其中，z-q＝z*q＝zq*＝|z|q-1z**＝|z|q-1z,z∈C；5基于广义高斯核函数的相关熵的相关特征，其表达式为： 其中，广义高斯核函数表达式为： 其中，β∈R+表示广义高斯分布函数的特征指数，μ∈R表示位置参数；6基于高斯核函数的相关熵的相关特征，其表达式为： 其中，高斯核函数：σ是核函数核长参数；步骤二，构建基于极端梯度提升序列浮动后向选择算法的特征优化选择模型，根据特征重要性确定用于最终分类的特征集合；具体过程为：基于极端梯度提升算法，建立空时编码方式和相关特征空间的映射数据集为:D＝{xi,yi∣i＝1～n,xi∈Rm,yi∈R}数据集有m个特征，n个训练样本，每个样本对应一个标签y；其中m为特征空间中提取的特征点个数，yi为第i个样本对应的空时编码方式；而且每个决策树的输出yi的定义如下: 其中，k是决策树的数量，ft·为回归树，F是所有可能的回归树集合；为了避免过拟合，极端梯度提升算法使用树的复杂度函数作为目标损失函数的常数项；极端梯度提升算法的目标函数的详细公式如下： 其中，C是常数，xi是输入向量，Tt表示树中的叶子数，w是第k棵树的叶节点权重值；yi和分别表示类别的实际值和预测值；γ是叶节点的系数，λ是叶权重惩罚的标准项，γ和λ用来限制模型过拟合的可能性；l·是平方损失函数，ft·为回归树，Ω·是回归函数模型；同时，极端梯度提升算法对目标函数执行二阶泰勒展开；根据泰勒公式，目标函数Gt近似表示如下： 其中，gi和分别是泰勒展开式中第一项和二次项的系数；利用特征空间中的所有特征，基于极端梯度提升算法生成模型过程中的信息，通过使目标函数Gt一阶导数为0来求解最佳权重，以此来确定分割样本的特征，选用被用作分割样本的特征的次数weight作为特征的重要性度量分数；weight＝|X|其中，X是所求特征分类到叶子节点的集合；得到特征的重要性度量分数并按降序排序；之后再结合改进的序列后向搜索策略，即从特征空间的原始候选集合开始，每轮减少一个无关特征，依次从当前完整特征集中剔除该轮迭代中特征重要性度量得分最低即排序最靠后的特征，再根据评价算法计算待剔除特征与其他剩余特征的皮尔逊相关系数： 其中，covX,Y是两个特征属性变量X,Y之间的协方差，δX，δY分别是X,Y的样本标准差；之后并行地选出与度量分数排序末尾特征相关的靠后的特征，并剔除该特征，重新进行新一轮的预测和排序，记录每轮迭代过程中保留特征集下的预测分类准确率，用于确定预测分类准确率最高的保留特征子集，遍历所有子集的分类预测准确率情况，选择分类准确度最高且特征数量最少的特征子集作为最优特征子集，即为最终特征优化选择的结果；步骤三，构建基于树增强朴素贝叶斯的分类器模型，根据特征优化选择出的特征对空时编码方式进行分类识别；具体过程为：树增强朴素贝叶斯中，加入类变量属性，属性之间的关联性的前提是要在某一分类属性确定下进行重新计算，不同的类属性值会有不同的属性关联性，利用条件互信息描述在给定类变量Z时，特征属性变量X,Y之间的依赖强度如下所示： 其中，z为类别属性时，x,y为特征属性，Px|z表示在z发生的条件下，出现x情况的概率；计算完特征选择之后的各个属性对的互信息值后，进行贝叶斯网络的构建，每一个节点的条件概率表用以下公式表示： 其中，xi代表子特征，πi代表子特征依赖的所有父特征的集合，θ代表子特征的条件概率表，所有特征的条件概率表的集合用Θ表示，再加上贝叶斯网络的结构G，用以下公式表示整个贝叶斯网络：B＝＜G,Θ＞从而估计类条件概率，得到新样本的类别；通过训练集D计算PC,Px1|C,…,Pxn|C的估计值,根据最大似然原理,当给定一个未知类别的测试数据x1,…xn,能够使得最大的类别C即是x1,…xn所属的类别： 其中，PC为类概率估计，表示属于类别C的概率，PXi|C为条件概率估计。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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”。