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！

龙图腾网获悉电子科技大学申请的专利一种用于信道编码盲识别的多任务学习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：CN115510905B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202211175218.1，技术领域涉及：G06F18/2415；该发明授权一种用于信道编码盲识别的多任务学习方法是由杨海芬;罗旭;金嗣东;吴颛宇设计研发完成，并于2022-09-26向国家知识产权局提交的专利申请。

本一种用于信道编码盲识别的多任务学习方法在说明书摘要公布了：本发明公开了一种用于信道编码盲识别的多任务学习方法，属于无线通信领域。该框架将分类器网络与解码器网络与共享特征提取器相结合，能够实现在复杂通信环境下对候选编码集接收序列的编码方式和参数准确识别，同时能够准确地拒绝候选编码集中未出现的编码方式和参数，即实现信道编码的闭集开集识别。另外，该多任务学习框架引入度量学习中的CenterLoss，学习每个编码类别的深度特征中心，并惩罚深度特征与其相应类别特征中心之间的距离，使信号识别的决策边界更紧密且清晰，进一步提高信道编码识别准确率。此外，本发明利用神经网络自动提取相关序列特征，避免了现有技术中需要人工提取特征这一繁琐过程。

本发明授权一种用于信道编码盲识别的多任务学习方法在权利要求书中公布了：1.一种用于信道编码盲识别的多任务学习方法，该方法包括： 步骤1：构建多任务学习框架，多任务学习框架包括：共享特征提取器网络解码器网络和分类器网络 所述共享特征提取网络为一个具有多个残差块的ResNet网络，函数表示为：其中为编码后的截取序列空间，为深度网络特征空间； 所述分类器是带有Softmax的一个MLP分类网络，用函数表示为：其中为深度网络特征空间，为所有K个信道编码类型标签空间，K为候选编码集的识别种类数量； 所述解码器为一个具有多个残差块的ResNet网络，用函数表示为：其中为深度网络特征空间，为所有输入编码序列对应的序列重构空间； 步骤2：生成多任务学习框架的训练样本以及测试样本； 步骤2.1：训练样本生成：选定需要闭集识别的候选编码集，生成待识别的信道编码序列； 步骤2.2：测试样本生成：针对闭集识别，测试样本根据训练样本流程生成，针对开集识别，测试样本编码序列由候选编码集以及非候选编码集生成； 步骤3：引入Centerloss损失函数，并训练该多任务学习框架，即一个共享的特征提取网络、一个解码网络和一个分类网络； 步骤3.1：设和是任意已知类中的一个样本及其对应的标签；是经过特征提取器的深度网络输出特征；是经过特征提取器和解码器的输入编码序列的重构编码序列；另外，是经过特征提取器和分类器得到的预测类概率向量；因此，所述多任务学习框架的损失函数由三部分组成：分类器网络的cross-entropy分类损失函数解码器的L1正则重构损失以及引入特征空间的中心损失因此，所述多任务学习框架最终损失函数为： 其中，α,λ,β为三个常数，用于平衡三个损失函数，用于闭集识别分类任务，用于重构任务，保证深度特征空间中编码信号类间距离变大，类内距离变小； 式中，N表示训练批次的大小，为cross-entropy分类损失函数，可以表示为其中,K为候选编码集的识别种类数量，是样本Xi所对应标签yi的one-hot编码向量，表示样本Xi的预测类概率向量，为L1正则重构损失，可表示为其中输入样本；zi为Xi样本的深度特征向量，yi为Xi的类标签，为其类中心； 步骤3.2：为了获得多任务学习框架中三个网络所对应的最优的网络参数Θf,Θg和Θc，随机选取一批训练数据集输入计算损失函数使用自适应矩估计算法Adam对多任务学习框架参数进行优化，经过小批量的反复迭代，多任务学习框架的参数逐渐收敛，逼近最优值； 步骤4：多任务学习框架性能测试 步骤4.1：针对闭集识别测试，测试步骤如下：将测试样本X输入特征提取器-分类器通道产生类别概率估计向量记为其中PHn|X表示该测试样本X为第i类的概率；最终识别分类结果ypred可以表示为 步骤4.2：针对信道编码类型的开集识别，测试步骤如下： 步骤4.2.1：将所有训练集样本经过特征提取器加解码器，该训练集样本为闭集中的样本，得到重构信号，通过公式计算训练集样本重构误差，记判定阈值为训练集中最大重构误差的80％； 步骤4.2.2：将测试样本X输入特征提取器，该测试样本包括有闭集和非闭集样本，得到其深度特征然后输入分类器中，得到： 同时，将深度特征z输入解码器中，得到其重构信号计算重构误差如果则判定为未知类样本；如果则判定为已知类样本，标签为ypred。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。