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！

龙图腾网获悉宁波大学申请的专利一种基于全连接神经网络的载波频率偏移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：CN115913848B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202211219312.2，技术领域涉及：H04L27/00；该发明授权一种基于全连接神经网络的载波频率偏移估计方法是由周兴;谢玲富;刘娟设计研发完成，并于2022-09-30向国家知识产权局提交的专利申请。

本一种基于全连接神经网络的载波频率偏移估计方法在说明书摘要公布了：本发明涉及一种基于全连接神经网络的载波频率偏移估计方法，通过利用全连接神经网络，以数据驱动的方式直接根据接收信号的数据部分完成载波频率偏移的估计，将该问题考虑为回归问题，主要处理过程为：首先，从接收机受载波频偏影响的接收信号中进行特征提取，得到用于训练神经网络的样本特征；然后，利用样本训练神经网络，执行梯度下降算法寻找最优参数；最后，在测试集上使用训练完成的神经网络进行载波频偏估计。经仿真可知，本发明与传统的载波频偏估计方法相比，可以提升带宽效率，并且有更高的估计准确性。

本发明授权一种基于全连接神经网络的载波频率偏移估计方法在权利要求书中公布了：1.一种基于全连接神经网络的载波频率偏移估计方法，其特征在于：该方法包括下列步骤： S1、在点对点通信的OFDM系统中，由发射机发送一串随机信息比特序列S＝{b1,b2,…,bs}，其中，bs∈{0,1}，s是发射机一次发送的信息比特的个数； S2、对所述的信息比特序列S执行基带信号调制，信息比特序列S被映射为星座符号X＝{X[1],X[2],…,X[k]}，其中，k是星座符号的个数，M表示基带信号调制阶数；对星座符号执行离散逆傅里叶变换IFFT得到OFDM符号，则第l个OFDM符号的表达式为：其中，N表示IFFT点数，xl[n]表示第l个OFDM符号中的第n个时域采样点，1≤n≤N；在OFDM符号前添加长度为Ncp的循环前缀，添加了循环前缀后的OFDM符号的长度为：Ns＝Ncp+N；所述的添加了循环前缀后的OFDM符号在信道中进行传输，并由接收机接收；接收机接收到的受信道和载波频率偏移共同影响的第l个OFDM符号的表达式为：其中，表示卷积操作，1≤n≤Ns，h表示多径信道增益，其长度为1≤m≤L，L表示多径信道增益的抽头系数个数，1≤x≤L+Ns-1表示接收机接收到的OFDM符号时域采样点的总长度，ε为归一化载波频率偏移量，且-0.5＜ε＜0.5；当信道为平坦衰落时，h只有一个抽头系数，当信道为频率选择性衰落时，h有多个抽头系数，即h＝[h[1],h[2],…,h[L]]；为了消除OFDM符号间干扰，需要确保循环前缀的长度大于多径信道增益的长度，即Ncp＞L；w[x]表示均值为0，方差为σ2的复高斯白噪声，即 S3、从接收机处接收到的受信道和载波频率偏移共同影响的第l个OFDM符号中提取出数据部分的时域采样点，记为yl[n]，1≤n≤N；并分别从每一个yl[n]中提取出实部和虚部，由提取出的实部和虚部组成用于训练载波频率偏移估计神经网络的样本特征；所述的样本特征表示为：[Ryl[n],Iyl[n]]，其维度为1×2N，其中，R*表示取实部操作，I*表示取虚部操作，N为IFFT点数； S4、在发射机处发送多次随机信息比特序列S，按照步骤S2～S3的方式去执行，得到每一个随机信息比特序列S所对应的样本特征，将得到的所有样本特征组成样本特征矩阵：其中Nf表示发送的OFDM符号的总数，即发送随机信息比特序列的次数，特征矩阵的维度为Nf×2N；样本的标签为影响每个OFDM符号的载波频率偏移的真实值，由每一个样本的标签来组成用于训练网络的标签矩阵标签矩阵的维度为Nf×1； S5、选择全连接神经网络作为载波频率偏移估计神经网络的深度学习模型；所述的全连接神经网络共有层，具体包括1个输入层，个隐藏层和1个输出层；所述的全连接神经网络中每一层上的每个神经元表示前一层所有输出值的加权非线性变换，第l-1层和第l层之间的权重矩阵定义为权重矩阵的维度为nl×nl-1，其中，nl和nl-1分别表示第l层和第l-1层上神经元的个数，表示第l层中第n个神经元和第l-1层中第n个神经元之间的权重值，第l层上的偏置向量定义为偏置向量的维度为nl×1，其中，表示第l层中第n个偏置值；隐藏层的神经元选择ReLU激活函数，表达式为：ReLUx＝max0,x，输出层的神经元选择tanh激活函数，表达式为： S6、将步骤S4得到的特征矩阵Y和标签矩阵E输入进步骤S5中的全连接神经网络进行训练，全连接神经网络的输出为载波频率偏移估计值矩阵表达式为： 其中θl表示神经网络中第l层上所有神经元参数的集合，即函数gl表示神经网络中第l层上执行的非线性变换，具体表示为：ReLUW1Y+b1,l＝1、ReLUWlgl-1gl-2；θl-1+bl, 定义神经网络中所有层中的参数的集合为全连接神经网络的损失函数Lossθ为标签矩阵E与载波频率偏移估计值矩阵之间的均方误差MSE：其中，表示数学期望，||*||表示二范数；最后，执行梯度下降算法来更新参数集合θ，使得损失函数最小化，即其中，α＞0表示学习率，表示计算损失函数的梯度。

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宁波大学，其通讯地址为：315201 浙江省宁波市江北区风华路818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”。