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！

龙图腾网获悉南昌大学申请的专利基于CNN-BLS网络的雷达辐射源信号识别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：CN115422977B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202211124465.9，技术领域涉及：G06V10/764；该发明授权基于CNN-BLS网络的雷达辐射源信号识别方法是由李春泉;夏庆;杨锋;王嘉豪;邢庆宝;陈利民;陶凌设计研发完成，并于2022-09-15向国家知识产权局提交的专利申请。

本基于CNN-BLS网络的雷达辐射源信号识别方法在说明书摘要公布了：一种基于CNN‑BLS网络的雷达辐射源信号识别方法，包括构建数据集、对时频图像进行预处理、构建改进的CNN‑BLS网络、训练CNN‑BLS网络和对雷达辐射源信号进行识别；本发明通过将卷积神经网络CNN和宽度学习网络BLS有效融合，实现了雷达辐射源信号识别分类的同时，有效的平衡了神经网络模型的计算代价和识别精度，具有训练速度快，识别精度高等特点。在减少网络模型的训练时间、提高实时性的同时，提高了雷达辐射源信号识别分类的准确率，确保了雷达辐射源信号识别分类的精确性，实现了雷达辐射源信号识别分类的实时和精确。

本发明授权基于CNN-BLS网络的雷达辐射源信号识别方法在权利要求书中公布了：1.一种基于CNN-BLS网络的雷达辐射源信号识别方法，其特征是包括以下步骤： 步骤1、构建数据集：将侦收设备接收到的雷达辐射源信号进行Choi-Williams时频分析，使雷达信号转化为二维时频图像； 步骤2、对时频图像进行预处理：首先对雷达信号时频图进行灰度化处理降低图像冗余信息，然后使用图像开运算方法对图像进行降噪处理，最后进行归一化处理调整时频图大小；得到预处理后的时频图像集，将预处理后的时频图像集按照预设比例划分为训练集、验证集和测试集； 步骤3、构建改进的CNN-BLS网络：CNN-BLS网络由两部分构成，分为特征提取模块和分类识别模块，使用设计的CNN网络来提取更多的细节特征信息，然后将提取的特征送入宽度学习网络BLS，依靠宽度学习网络快速得到识别分类结果； 步骤4、用步骤2中的训练集样本训练CNN-BLS网络； 步骤5、对雷达辐射源信号进行识别：使用步骤2中的测试集数据输入步骤4训练完的CNN-BLS网络中，完成对雷达辐射源信号的分类识别，获得识别分类结果并计算识别准确率； 步骤3所述的构建改进的CNN-BLS网络，包括特征特征提取模块和分类识别模块； 特征提取模块网络由多层卷积层组成，卷积层使用深度可分离卷积，每一层间使用stride进行下采样以减少数据的维度；为避免在训练过程中各层激活输入值分布发生内部协变量位移，导致反向传播时神经网络底层梯度消失，在每层做非线性变化前，先将激活输入值输入BN层，对激活输入值进行批标准化操作；在网络的中后层使用了大卷积核替代小卷积核，在下采样时使用大卷积核，获取更大的感受野的同时，使网络提取到更多细节特征；卷积核大小为N×N，N取值为正整数3、5、7、……；卷积层层数取值为正整数5、6、7、8、9、……； 在使用特征提取模块充分提取图像中的细节特征后，将提取到的特征送入分类识别模块；分类识别模块由宽度学习网络组成，将特征提取模块中提取到的特征送入宽度学习网络中作为输入矩阵，输入数据通过线性映射变为特征节点，然后将特征节点通过非线性映射变为增强节点，最后通过宽度学习网络输出权重获得分类结果；分类识别流程如下： a特征节点生成：特征节点线性映射如式1所示： 其中，X是输入矩阵，输入矩阵经过线性函数映射产生第i组映射特征Zii＝1,2,3….n，是随机权重系数，全部n组特征节点可表示为Zn＝[Z1,Z2…Zn]； b增强节点生成：特征节点经过非线性函数映射得到增强节点，记为Hjj＝1,2,...,m如式2所示： 其中j表示生成增强节点的组数，全部m组增强节点可表示为Hm＝[H1,H2,.....,Hm]； c获得宽度学习网络的权重：将特征节点和增强节点的输出相连接，设其为输出层的总输入，表示为A，如式3所示： Y＝[Zn,Hm]Wm＝AW3 Y是输出层，Wm是权重连接输出层和特征节点及增强节点；将求取宽度学习网络权重问题转化为一个线性方程组问题，通过求取伪逆的方法计算获得权重W；考虑到网络的输入矩阵并非一定可逆，BLS网络权重通过岭回归求伪逆的方法求得，则A的伪逆可由公式4求得： 于是通过公式5可以求出网络的输出连接权重W，进而获得输出结果： W＝A+Y5 步骤4所述的训练CNN-BLS网络过程包括；将步骤2中预处理后时频图的训练集样本输入到CNN-BLS网络中训练网络；采用优化算法更新网络权值，采用交叉熵损失函数，设置最大训练轮数Q为大于等于60的正整数；加入学习率衰减策略，学习率衰减周期L为最大训练轮数范围内的任意正整数，每经过L轮训练学习率下降为当前学习率的一半；以验证集识别准确率为标准，保存识别准确率最高的网络模型；通过不断迭代更新网络超参数，当迭代次数达到设置的迭代次数时，完成神经网络的训练过程。

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昌大学，其通讯地址为：330031 江西省南昌市红谷滩区学府大道999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。