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！

龙图腾网获悉重庆大学;国网重庆市电力公司电力科学研究院;国家电网有限公司申请的专利基于深度学习的离网稀疏贝叶斯局部放电DOA的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：CN118918905B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202410965380.6，技术领域涉及：G10L17/26；该发明授权基于深度学习的离网稀疏贝叶斯局部放电DOA的估计方法是由张小波;陈正宇;王平;余欣玺;李剑;林波;陈植羽;李勇;朱金婵;秦威;马振宇设计研发完成，并于2024-07-18向国家知识产权局提交的专利申请。

本基于深度学习的离网稀疏贝叶斯局部放电DOA的估计方法在说明书摘要公布了：本发明涉及一种基于深度学习的离网稀疏贝叶斯局部放电DOA的估计方法，属于局部放电检测领域。该方法包括对采样的放电声阵列信号采用离网稀疏贝叶斯算法进行两次迭代运算，得到前两次离网稀疏贝叶斯算法的均值和方差；然后将得到的均值和方差转化为归一化的实数后输入到深度学习网络LSTM，从而求解出未知声源的DOA；与传统的离网稀疏贝叶斯算法相比，该方法在接近离网稀疏贝叶斯的定位精度下，其定位速度得到明显提高，抗频率波动能力和噪声鲁棒性明显增强。

本发明授权基于深度学习的离网稀疏贝叶斯局部放电DOA的估计方法在权利要求书中公布了：1.基于深度学习的离网稀疏贝叶斯局部放电DOA的估计方法，其特征在于：该方法具体包括以下步骤： S1：对采集的声阵列信号进行目标频率的提取； S2：将提取后只含有目标频率的声阵列信号进行两次离网稀疏贝叶斯算法迭代，得到均值、方差和放电声源的方位； 所述S2中，将提取后只含有目标频率的声阵列信号进行两次离网稀疏贝叶斯算法迭代，得到均值、方差和放电声源的方位； S21：定义信号模型： 采用两阶段分层模型，第一层是长度为L的信号X服从零均值的复高斯概率分布： 上式中Π表示连乘运算，PA|B表示条件概率，即在条件B的前提下，条件A发生的概率，Λ＝diagζ，diag·为取对角运算操作，ζ为信号精度，X.,l表示X的第l列，表示变量u服从均值μ和协方差矩阵Σ的复高斯分布；第二层为ζ的伽马分布，表示为： 式中ζn为ζ的第n个元素，N为离网稀疏贝叶斯定义的网格数，ρ为一个固定的先验参数；且对于任意变量u的伽马分布表示为Γu|a,b＝[Γa]-1baua-1e-bu，其中Γ·为伽马函数，a和b设置接近于0； S22：定义噪声模型： 将零均值的复高斯分布用于噪声E，表示为： 式中α决定噪声的精度，若δ2为噪声的方差，则α＝δ-2；E.,l表示E的第l列，IM为M维单位矩阵；α采用伽马分布，表示为： pα|c,d＝Γα|c,d 上式中c和d为接近于0的常数； S23：稀疏贝叶斯算法推理： 根据S21和S22，得到接收数据Y的似然函数为： 上述分布中A为麦克风阵列与搜索平面的传递矩阵，其中和分别为A在仰角θ方向和方位角方上的一阶导；Y.,l表示Y的第l列，IM为M维的单位矩阵，M为阵元个数； 利用期望-最大化EM算法实现对稀疏贝叶斯算法模型的求解，得到后验分布中X服从均值μ协方差Σ的复高斯分布： 其中μ.,l是μ的第l列： 上式中Σt为中间变量，Σt＝ΦΛΦH+α-1IN，IN为N维的单位矩阵；其中： 其中为期望计算操作，||·||2表示二范数运算，表示X的第n行，Σn,n表示Σ对角线第n个元素； 式中κn为中间变量，且κn＝1-[ζn]-1Σn,n，||·||F表示Frobenius范数 S24：离网操作 假设放电源在空间中的仰角方位角偏差相对于预设的网格分别为Δθ和且满足均匀分布： 其中rθ和表示搜索网格分别在θ和轴方向上的分辨率，C～UA,B表示C服从A到B之间的均匀分布，通过EM算法得到： 其中⊙为克罗内克积Kroneckerproduct，为取实数操作，[·]*为取共轭，和ν为中间变量，从而得到 S3：将离网稀疏贝叶斯算法两次迭代后的均值和方差转化为归一化实数； S4：将归一化的实数均值和方差输入到LSTM深度学习网络，得到局部放电声源的幅值。

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重庆大学;国网重庆市电力公司电力科学研究院;国家电网有限公司，其通讯地址为：400044 重庆市沙坪坝区沙坪坝正街174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”。

以上内容由龙图腾AI智能生成。