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！

龙图腾网获悉东南大学申请的专利通感一体系统目标检测和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：CN120151160B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202510203371.8，技术领域涉及：H04L27/26；该发明授权通感一体系统目标检测和参数估计方法是由潘志文;徐楷翔;刘楠;尤肖虎设计研发完成，并于2025-02-24向国家知识产权局提交的专利申请。

本通感一体系统目标检测和参数估计方法在说明书摘要公布了：本发明是一种通感一体系统目标检测和参数估计方法，旨在解决OTFS通感一体系统的目标检测和分数多普勒与时延参数估计问题，该方法包括如下步骤：步骤一：发送端产生通感一体化信号，步骤二：接收机接收回波信号，并进行处理，步骤三：通过基于一种基于卷积神经网络的整数时延与多普勒检测网络生成阈值图，进行目标检测，步骤四：估计分数多普勒与时延索引。其中提出的基于深度学习的OTFS通感一体系统的目标检测和参数估计方法具有以下优势：相较于常用的CFAR检测算法，整数时延与多普勒检测网络的检测性能更好。此外，相较于只考虑整数多普勒与时延和考虑分数多普勒与时延的差分算法，分数估计网络估计出的相对距离和速度更加精确。

本发明授权通感一体系统目标检测和参数估计方法在权利要求书中公布了：1.一种通感一体系统目标检测和参数估计方法，其特征在于，该方法包括如下步骤： 步骤一：发送端产生通感一体化信号，针对基站发送OTFS信号场景，构建发送信号模型， 步骤二：接收机接收回波信号，并进行处理，针对基站接收回波信号场景，构建回波信号模型， 步骤三：通过基于一种基于卷积神经网络的整数时延与多普勒检测网络生成阈值图，进行目标检测，解决感知目标检测和整数多普勒和时延估计问题，具体为： 3.1.利用已知的发送符号，分别沿时延轴和多普勒轴对YDD做相关操作，得到矩阵U；YDD为延时-多普勒域接收符号矩阵；按实部和虚部将U拆分成两个实数矩阵作为整数时延与多普勒检测网络的两个输入，产生输入张量I＝[UR,UI]； 其中UR和UI分别为U中每个元素的实部组成的矩阵和每个元素的虚部组成的矩阵； 3.2.输入首先经过两个残差块，残差块引入了剩余连接，允许输入跳过某些残差块进入到下一部分网络，残差块中使用了卷积神经网络，每个残差块中都有5个卷积神经网络CNN层；每个CNN层使用3*3大小的卷积核，其输出的特征图长宽分别为C1和C2，C1和C2为与时隙数N和子载波数M在数值上相等，除了最后一个CNN层，其余CNN层输出的特征图都要经过组归一化GN；GN在通道维度上将通道分为不同的组，然后计算每个组内的均值和方差，以实现归一化，从而减少模型的计算量，加速收敛；参数修正线性单元PReLU， 被用于前四个CNN层归一化后的输出从而引入非线性；第五个CNN层将特征图的通道数降低为两个通道，与残差块的输入保持一致，残差块的输出表示为： Qx＝Px+x2 其中Qx是每个残差块的输出，包括残差块的原始输入x和经过一系列层的输出Px；ReLU函数被用在每个残差块的最后作为激活函数,如下式 ReLUx＝Max0,x3 式中，Max表示取最大值； 网络的最后是单独一个卷积层，卷积核大小为3*3，其输入通道为2，输出通道为1，使得残差块的输出降维，形成最后的网络输出，即阈值图； 3.3.离线训练阶段，通过端到端的有监督学习方式训练神经网络，将U的模看作由目标图和阈值图组成的低分辨率图像，即|U|＝TP+TN，式中，TP为目标图，目标图中除了目标的整数多普勒与时延所在的格点，其余格点的幅度均为0，TN为阈值图，阈值图中目标的整数多普勒与时延所在的格点仅保留噪声幅度，其余格点幅度与|U|相同，TN同时也是网络训练的标签，使用均方误差作为损失函数： 式中，D为每个批次的样本数量，是网络输出的阈值图，训练过程中使用的优化器是Adam，它是一个梯度下降优化器，旨在通过计算梯度的一阶矩估计和二阶矩估计来调整每个参数的学习率，从而实现更高效的网络训练； 3.4.在线估计阶段，将I输入训练好的网络，得到目标检测阈值图 3.5.根据阈值图进行目标检测，获得目标的整数多普勒与时延索引； 步骤四：估计分数多普勒与时延索引，解决分数多普勒与时延估计问题，达到更精细的参数估计效果，具体为： 4.1.将上一步获得的以整数目标为中心的五个数据点作为分数时延与多普勒估计网络的输入数据，实部与虚部分开输入； 4.2.分数估计网络共四层，第一层是输入层，有10个神经元，第四层输出层有1个神经元，其输出用0.5*tanh函数做激活，中间的隐藏层分别拥有Q1和Q2个神经元，均用tanh函数做激活，tanh函数的表达式为： ex是以实数e为底的指数函数，e-x以实数的负指数函数，e≈2.71828， 4.3.离线训练阶段，通过有监督学习方式训练神经网络，使用Adam优化器调整网络权值和偏差，均方误差被用作损失函数，其表达式为 式中，TF为分数索引的真实值，为分数索引的网络估计值，E为每个批次的样本数量； 4.4.在线估计阶段，将上一步获得的以整数目标为中心的五个数据点的实部和虚部输入训练好的网络，得到分数索引的估计值 步骤五：计算相对距离和相对速度，本步骤包括以下流程： 5.1.相对距离Ri计算 5.2.相对速度Vi计算 c为光速；和分别为第i个目标的时延索引和多普勒索引，其中li∈Z和ki∈Z为索引的整数部分,Z表示整数集合；ιi∈[-0.5,0.5]和κi∈[-0.5,0.5]为索引的小数部分；M表示子载波数，Δf为子载波间隔,NT代表每帧的持续时间，fc为载波频率。

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东南大学，其通讯地址为：211102 江苏省南京市江宁区东南大学路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”。

以上内容由龙图腾AI智能生成。