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！

龙图腾网获悉西安电子科技大学申请的专利基于多用户深度强化学习的主动抗干扰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：CN116318521B 。

龙图腾网通过国家知识产权局官网在2026-01-13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：202310310816.3，技术领域涉及：H04K3/00；该发明授权基于多用户深度强化学习的主动抗干扰方法是由文娟;李潇;盛敏;史琰;李建东;郑阳;赵晨曦设计研发完成，并于2023-03-28向国家知识产权局提交的专利申请。

本基于多用户深度强化学习的主动抗干扰方法在说明书摘要公布了：本发明提出了一种基于多用户深度强化学习的主动抗干扰方法，实现步骤为：1获取每对用户的动作空间和网络环境信息；2构建抗干扰网络模型；3对抗干扰网络模型进行迭代训练；4获取抗干扰网络抗干扰结果。本发明构建的抗干扰网络模型攻击干扰效能评估函数的方法，使干扰收益评估出错，对干扰主动攻击，避免了在干扰智能性的增强时用户被干扰的问题，有效提升了抗干扰效率；本发明通过虚拟干扰环境子网络能够对真实干扰进行最大程度还原建立并建立虚拟干扰环境，通过在虚拟环境中采样数据，有效减少了方法的训练时间，进一步提高了抗干扰效率。

本发明授权基于多用户深度强化学习的主动抗干扰方法在权利要求书中公布了：1.一种基于多用户深度强化学习的主动抗干扰方法，其特征在于，包括如下步骤： 1获取每对用户的动作空间和网络环境信息： 初始化无线自组织网络包括干扰机和被实施干扰的N对独立收发用户U＝{u1,u2,...,un,...uN}，每对用户un在时隙t的动作空间为并采集每对用户un在前T个时隙的网络环境信息，得到网络环境信息集合S＝{s1,s2,...,st,...sT}，其中，st表示N对用户U在第t个时隙的网络环境信息，表示每对用户un在第t个时隙的网络环境信息，分别表示用户un在第t个时隙的通信信道、接收功率、采集的干扰信道、干扰功率、信干噪比； 2构建抗干扰网络模型H： 构建包括依次连接的虚拟干扰环境子网络和多智能体协同子网络的抗干扰网络模型H，其中： 虚拟干扰环境子网络包括并行排布的干扰波形生成子网络和干扰行为预测子网络；干扰波形生成子网络包括依次连接的生成网络和判别网络；干扰行为预测子网络包括依次连接的特征提取网络、LSTM网络、softmax输出层； 多智能体协同子网络包括依次连接的智能体策略网络和混合网络；智能体策略网络包括依次连接的输入层、GRU门控循环神经网络和输出层；混合网络包括并行排布的评估网络和目标网络； 3对抗干扰网络模型H进行迭代训练： 3a初始化迭代次数为e，最大迭代次数为E，E≥100，当前抗干扰网络模型He的网络参数为θe，并令e＝0； 3b将每对用户un在前T个时隙的网络环境信息S作为抗干扰网络模型H的输入进行前向传播： 3b1虚拟干扰环境子网络中的干扰波形生成子网络对网络环境信息S进行特征学习，得到模拟的干扰波形；同时干扰行为预测子网络对网络环境信息S进行未来行为预测，得到干扰机A个干扰信道、B个干扰功率的概率值最大的干扰信道干扰功率 3b2多智能体协同子网络中的智能体策略网络对模拟的干扰波形与A个干扰信道、B个干扰功率的概率值最大的干扰信道干扰功率进行前向传播，得到每对用户un的动作空间和回报值混合网络通过对每对用户un的动作空间和回报值计算估计整体动作-价值函数Qtotevalutate和目标整体动作-价值函数Qtottarget； 3c采用交叉熵损失函数，并通过估计整体动作-价值函数Qtotevalutate和目标整体动作-价值函数Qtottarget的差值计算抗干扰网络模型H的损失值Le；通过损失值Le对抗干扰网络模型的网络参数θe进行更新，得到本次迭代后的抗干扰网络模型He； 3d判断e≥E是否成立，若是，得到训练好的抗干扰网络模型H'，否则，令e＝e+1，H＝He，并执行步骤3b； 4获取抗干扰网络抗干扰结果： 将每对用户un在时隙l的网络环境信息作为训练好的抗干扰网络模型H'的输入进行前向传播，得到每对用户un的Q-值表，并将其中Q-值最大值对应的通信信道和通信功率作为每个用户的抗干扰结果。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路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。