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！

龙图腾网恭喜南京理工大学申请的专利一种正弦非线性干扰影响下的LFM信号参数估计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：CN116827738B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202310281474.7，技术领域涉及：H04L27/00；该发明授权一种正弦非线性干扰影响下的LFM信号参数估计方法是由杨昱;宋迪;李郁设计研发完成，并于2023-03-22向国家知识产权局提交的专利申请。

本一种正弦非线性干扰影响下的LFM信号参数估计方法在说明书摘要公布了：本发明公开了一种正弦非线性干扰影响下的LFM信号参数估计方法，该方法首先对LFM信号建模，将正弦非线性干扰作为信号的“乘性噪声”并将高斯噪声作为信号的“加性噪声”，形成的噪声信号模型包括正弦非线性干扰项、高斯噪声项和理想信号模型，再将噪声信号模型和理想信号模型对CAE模型进行训练，训练好的CAE模型不仅能去除信号中的常规高斯噪声，还能去除真实环境下存在的正弦非线性干扰；本发明方法再将去除掉正弦非线性干扰和高斯噪声的“干净”信号和信号对应的信号调制参数对CNN模型进行训练，训练好的CNN模型可以快速完成参数估计，得到准确的信号调制参数。

本发明授权一种正弦非线性干扰影响下的LFM信号参数估计方法在权利要求书中公布了：1.一种正弦非线性干扰影响下的LFM信号参数估计方法，其特征在于：包括： 1生成LFM信号的噪声信号模型；所述噪声信号模型包括正弦非线性干扰项、高斯噪声项和理想信号模型；所述理想信号模型包括信号调制参数； 2构建CAE模型，将所述噪声信号模型作为样本，形成用于CAE模型训练的CAE输入集；将所述噪声信号模型中的理想信号模型作为样本，形成对应CAE输入集的CAE标签集；基于所述CAE输入集和CAE标签集训练所构建的CAE模型； 3构建CNN模型，将所述CAE输入集中样本输入至训练好的CAE模型中，并将CAE模型的输出结果作为用于CNN模型训练的CNN输入集；将CAE输入集中样本对应的信号调制参数项，作为对应CNN输入集的CNN标签集；基于所述CNN输入集和CNN标签集训练所构建的CNN模型； 4对目标LFM信号进行预处理，并将预处理后的信号输入至训练好的CAE模型进行去噪，将CAE模型输出结果输入至训练好的CNN模型进行参数估计； 所述噪声信号模型为st＝xtmt+nt 式中，st为噪声信号模型；mt为正弦非线性干扰项；nt为高斯噪声项；xt为理想信号模型，f0为初始频率；μ为调频斜率；[f0,μ]为理想信号模型中的信号调制参数； 所述CAE输入集si为CAE输入集中第i条样本，对应第i个噪声信号模型； 所述CAE标签集xi为CAE标签集中第i条样本，对应第i个理想信号模型；P为模型总数； 所述CNN输入集 为CNN输入集中第i条样本，对应经CAE模型降噪后的第i个噪声信号模型； 所述CNN标签集[f0,i,μi]为CNN标签集中第i条样本，对应第i个噪声信号模型对应的信号调制参数项； 所述CAE输入集中，样本 所述CAE标签集中，样本 其中，和分别为取实部和取虚部；s[1]...s[L]分别为CAE输入集中第i条样本对应的第1...第L个采样点信号；x[1]...x[L]分别为CAE标签集中第i条样本对应的第1...第L个采样点信号；为所有实数集合； 所述CAE模型包括编码器和解码器；其中， 编码器包括输入层和三个A-Block模块，所述输入层对预处理后的信号数据进行规范化操作并输出特征矩阵；所述A-Block模块包括四个卷积层、一个BN层和一个Dropout层；所述卷积层使用卷积核对输入数据进行卷积，提取信号特征转化为特征图输出；所述BN层对卷积层的输出执行归一化操作；所述Dropout层对神经网络中神经元进行随机失活操作并输出剩余神经元所包含的特征信息； 解码器以编码器的输出作为输入数据；解码器包括三个B-Block模块和一个输出层；所述B-Block模块包括四个反卷积层、一个BN层和一个Dropout层；所述反卷积层对编码器输出特征进行恢复操作并输出特征向量；所述BN层对卷积层的输出执行归一化操作；所述Dropout层对网络神经元进行随机失活操作并输出剩余神经元所包含的特征信息；所述输出层采用卷积核数目为2的反卷积层，所述输出层对特征信息进行整合操作并输出去噪后的信号数据； 第a个A-Block模块中，第y个卷积层的输入与输出之间的关系表示为： 其中，R{·}为激活函数ReLU； 为第y个卷积层的权重； 为第y个卷积层的偏移量； *为点积；ny a为卷积核的大小以及my a是卷积核的数目；a＝1,2,3；y＝1,2,3,4； 第b个B-Block模块中，第t个反卷积层的输入和输出之间的关系表示为： 其中，和分别为第b个模块的第t层反卷积层的权重和偏移量；为反卷积层的卷积核大小；为卷积核的数目；b＝1,2,3；t＝1,2,3,4； 批归一化层表示为： 其中，E[Y4 as]和Var[Y4 as]分别为第4个卷积层的输出Y4 as的均值和方差，ε为极小数，γa为系数，βa为偏移量。

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理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫街道孝陵卫街200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”。