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！

龙图腾网获悉南京邮电大学申请的专利一种信号支持度未知的带限图信号的自适应重构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：CN117932227B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202410138473.1，技术领域涉及：G06F18/10；该发明授权一种信号支持度未知的带限图信号的自适应重构方法是由王保云;孙泽设计研发完成，并于2024-02-01向国家知识产权局提交的专利申请。

本一种信号支持度未知的带限图信号的自适应重构方法在说明书摘要公布了：本发明公开了一种信号支持度未知的带限图信号的自适应重构方法，方法包括：根据受到脉冲噪声影响的观测信号，构建对应的观测图信号模型；基于所述观测图信号模型，利用l2范数和l0范数来描述恢复问题，建立优化问题模型；采用交替优化方法对所述优化问题模型进行求解，得到重构后的信号；对重构后的信号进行图傅里叶逆变换，得到重构后的图信号。本发明通过图信号在其频域的稀疏性来重构受到脉冲噪声影响的观测信号，能有效处理受脉冲噪声影响的图信号，并且在信号支持度未知的情况下，重构的信号仍然具有非常高的精度。

本发明授权一种信号支持度未知的带限图信号的自适应重构方法在权利要求书中公布了：1.一种信号支持度未知的带限图信号的自适应重构方法，其特征在于，包括： 根据受到脉冲噪声影响的观测信号，构建对应的观测图信号模型，包括：将受到脉冲噪声影响的观测信号建模为图信号，并用图傅里叶变换对信号进行处理，加入基于贪婪算法的采样策略，得到采样后的观测图信号模型，具体包括：受到脉冲噪声影响的观测信号表示为：x0+v[n]，x0为原始图信号，n为时间索引，v[n]为脉冲噪声；将观测信号映射到图的顶点上，并用图的拓扑结构表示观测信号之间的关系，将图的拓扑结构用邻接矩阵表示；G＝v,ε,A表示一个图，其中v＝{v1,v2,...,vN}表示图的顶点集，ε＝vm,vn为边集且vm,vn∈v，A为图的邻接矩阵，元素aij,i,j＝1,...,N表示了图的顶点vi与另一顶点vj的关系；图信号是一个函数将顶点集v中各顶点的信息映射到长度为N的实数向量上；拉普拉斯矩阵L＝K-A＝UΛUT，其中K为图信号的度矩阵，U为特征向量矩阵，Λ是特征值矩阵，为一个对角矩阵；定义图傅里叶变换为s＝UTx，图傅里叶变换信号s的支持度为F＝{i∈{1,...,N}:si≠0}，集合F的基数|F|即为图信号的带宽；观测图信号模型y[n]为： 其中n为时间索引，S为抽样集，v[n]为脉冲噪声，为密集分量，假设其符合高斯高斯分布，为稀疏分量，DS＝diag{1S}，DS为顶点限制算子，是一个稀疏矩阵； 基于所述观测图信号模型，利用l2范数和l0范数来描述恢复问题，建立优化问题模型；所述优化问题模型包括： 其中y[n]为观测图信号模型，D是约束采样策略选择的离散集合，||·||2表示l2范数，||·||0表示l0范数，α＞0是调节图傅里叶变换信号s的稀疏度的参数，β＞0是调节噪声稀疏分量z的稀疏度的参数；DS为顶点限制算子，U为特征向量矩阵；优化问题的第一项表示计算误差，第二项保证了噪声稀疏分量的稀疏度，第三项保证了重构出的信号在频域上的稀疏度； 采用交替优化方法对所述优化问题模型进行求解，得到重构后的信号，包括：迭代执行循环步骤，直至逼近最优解，得到重构后的信号；其中所述循环步骤包括：在给定DS和s的情况下，利用非负Garotte估计器来更新求解噪声稀疏分量z；根据给定DS和更新后的噪声稀疏分量z，利用软阈值迭代算法来更新图傅里叶变换信号s；并求出更新得到的图傅里叶变换信号s的支持度F；根据求解得到的噪声稀疏分量z、图傅里叶变换信号s的支持度F，基于贪婪算法的采样策略，对顶点限制算子DS进行估计，得到近似最优采样集S； 对重构后的信号进行图傅里叶逆变换，得到重构后的图信号。

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邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66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”。