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！

龙图腾网获悉西安电子科技大学申请的专利认知无线电网络中非高斯干扰下智能频谱感知方法、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：CN116318477B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202310207855.0，技术领域涉及：H04L5/00；该发明授权认知无线电网络中非高斯干扰下智能频谱感知方法、系统、设备及介质是由张俊林;刘明骞;张晓波设计研发完成，并于2023-03-06向国家知识产权局提交的专利申请。

本认知无线电网络中非高斯干扰下智能频谱感知方法、系统、设备及介质在说明书摘要公布了：一种认知无线电网络中非高斯干扰下智能频谱感知方法、系统、设备及介质，方法包括：利用非线性预处理器对观测信号进行处理，构建广义协方差矩阵以及广义时频协方差矩阵，并将二者拼接组合为联合协方差矩阵；利用Transformer网络对所构造的联合协方差矩阵进行特征提取，构建基于网络输出的特征向量；利用不同假设检验下的特征向量构建检测统计量及检测门限，通过对比检测统计量和检测门限实现非高斯干扰下的频谱感知；系统、设备及介质用于对认知无线电网络中非高斯干扰下频谱智能感知；本发明的感知效果较好，为认知无线网络提供技术支撑，有效提升智能无线系统的抗干扰能力。

本发明授权认知无线电网络中非高斯干扰下智能频谱感知方法、系统、设备及介质在权利要求书中公布了：1.一种认知无线电网络中非高斯干扰下智能频谱感知方法，其特征在于， 利用非线性预处理器对观测信号进行处理，构建广义协方差矩阵以及广义时频协方差矩阵，并将二者拼接组合为联合协方差矩阵；利用Transformer网络对所构造的联合协方差矩阵进行特征提取，构建基于网络输出的特征向量；利用不同假设检验下的特征向量构建检测统计量及检测门限，通过对比检测统计量和检测门限实现非高斯干扰下的频谱感知； 所述智能频谱感知方法具体包括以下步骤： 步骤一，利用非线性预处理器对观测信号rn进行处理，构建广义协方差矩阵Cr以及广义时频协方差矩阵Dr，并将矩阵Cr和矩阵Dr拼接组合为联合协方差矩阵Gr： 基于认知多天线系统，设主用户数和认知用户配置的天线数分别为P和M，第m根天线接收的信号表示为： 其中，Imn表示非高斯干扰，vmn表示加性高斯噪声，hm,p表示次用户第m根天线与第p个主用户之间的衰落信道，观测信号如下矩阵形式所示： rn＝Hsn+Ιn+vn； 其中，H表示衰落信道矩阵，sn＝[s1n,...,sPn]T表示发送信号矩阵，In＝[I1n,...,IMn]T表示非高斯干扰矩阵，vn＝[v1n,...,vMn]T表示加性高斯噪声矩阵； 非高斯采用alpha稳定分布来刻画，其特征函数表达式为： 式中， 其中，α称为特征指数，用来度量分布函数拖尾的厚度；γ称为分散系数；β称为对称参数，a称为位置参数，β＝0表示分布为对称α稳定分布SαS；若a＝0，γ＝1，则称此稳定分布为标准α稳定分布； 定义信干比为： 其中，rn＝[r1n,…,rMn]T，vn＝[v1n,...,vMn]T； 计算广义协方差矩阵 其中，τ0通常为常数，τ0＝1，为第m行接收信号绝对值的中位数； 然后，计算广义时频协方差矩阵 其中， 表示Prrn,f的矩阵元素 其中，表示傅里叶变换，Qn,τ表示时延核函数，且其中gn,f是变量n和f的平滑窗； 最后，将矩阵Cr和矩阵Dr拼接组合为联合协方差矩阵Gr Gr＝[CrDr] 步骤二，利用Transformer网络提取联合协方差矩阵Gr的深层特征，构建基于网络输出的特征向量 首先，分别对联合协方差矩阵的实部和虚部进行归一化处理并组成双通道矩阵，将其作为VisionTransformer网络输入； 然后，将输入的矩阵切分为无重叠的固定尺度的Patch，并将每个Patch拉伸为一维向量，把拉伸之后的Patch序列进行线性投影变换层，得到每个Patch对应的向量token；接着，引入一个可选的可学习的Classtoken，其在编码器最后一层的特征作为分类层使用的最终特征；将可学习的Classtoken插入到每个Patch对应的向量序列的最开始位置，构成InputEmbedding，然后将上述序列与可学习的位置编码相加，得到特征图；将上面得到的特征图输入到编码器模块计算全局注意力和提取特征，经过重复的Encoder层，每一层编码器的输入是上一层编码器的输出，并获得最后一层编码器输出的特征图； 最后，将最后一个编码器输出序列的第0位置Classtoken位置使用切片操作提取出来，得到Classtoken的输出特征图；使用多层感知机对编码器输出的特征图进行处理，并通过Softmax函数得到最终特征向量 步骤三，利用不同假设检验下的特征向量构建检测统计量Tvit及检测门限ψ，通过对比检测统计量Tvit和检测门限ψ实现非高斯干扰下的频谱感知。

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”。