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！

龙图腾网获悉中国电子科技集团公司第四十一研究所申请的专利一种自适应卷积去噪网络近场微波信号随机噪声压制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：CN115310494B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202211022599.X，技术领域涉及：G06F18/10；该发明授权一种自适应卷积去噪网络近场微波信号随机噪声压制方法是由张文征;韩顺利;于怡然;张亭;郝泽宇设计研发完成，并于2022-08-25向国家知识产权局提交的专利申请。

本一种自适应卷积去噪网络近场微波信号随机噪声压制方法在说明书摘要公布了：本发明公开了一种基于自适应卷积去噪网络近场微波信号随机噪声压制方法，属于近场微波信号随机噪声压制领域。本发明自适应卷积去噪网络模型利用噪声水平估计和卷积去噪两个子网络，采用非对称学习损失函数，增强了去噪结果的有效性和准确性；网络训练采用模型噪声与实际噪声两种类型的数据交替训练，提升网络模型的去噪效果和泛化能力；结合基于弱信号块的噪声估计方法进行噪声水平估计，提高实际数据训练的可靠性，可以在未知噪声标准差的情况下实现近场微波数据的自适应去噪；本发明能够明显改善噪声压制能力，自适应地衰减数据中随机噪声，保护有效信号，能够针对近场微波信号获得较为理想的去噪效果。

本发明授权一种自适应卷积去噪网络近场微波信号随机噪声压制方法在权利要求书中公布了：1.一种自适应卷积去噪网络近场微波信号随机噪声压制方法，其特征在于：自适应卷积去噪网络包括噪声水平估计网络和卷积去噪网络两个子网络，包括如下步骤： 步骤1：利用块匹配算法对实际采集的数据进行去噪处理，选取去噪效果好的去噪数据和噪声数据作为训练数据，并采用模型噪声与实际噪声两种类型的数据构建数据训练库； 步骤2：采用基于弱信号块的噪声估计方法，对训练数据进行噪声水平估计，得到噪声标准差，再利用得到的数据训练噪声水平估计网络； 在进行网络训练时，对无噪模型数据进行加噪处理得到含噪数据，其噪声标准差是已知的，但含噪模型数据与采集的含噪实际数据在数据特点方面存在差异；而对于采集的实际数据，其中的噪声是由采集环境引起的，无法获得准确的实际无噪数据，只能以接近无噪数据的去噪数据作为参考，对训练库中的实际数据进行噪声标准差的计算； 因此，采用基于弱信号块的噪声估计方法计算实际噪声标准差，该方法利用概率统计思想，通过统计数据分割结果来拟合每个分割数据块的标准差，对含噪数据块协方差矩阵分解最小特征值得到噪声标准差： 1； 式中，表示含噪数据块协方差矩阵，表示无噪数据块协方差矩阵，表示含噪数据块协方差矩阵的最小特征值，为无噪数据块协方差矩阵的最小特征值；针对实际数据，是未知的，但是能够用弱信号块集合的协方差矩阵最小特征值代替，通过数据局部梯度矩阵及其统计特性的信号强度来选取弱信号块集合； 步骤3：通过噪声水平估计网络，计算得到含噪数据y的噪声估计标准差，再将数据和参数输入到卷积去噪网络进行去噪模型训练，利用噪声估计标准差调整网络训练参数； 步骤4：通过卷积去噪网络，将含噪数据y、噪声估计标准差和噪声数据作为输入，采用非对称的损失函数，消除卷积去噪网络的欠、过拟合问题，得到最终的去噪模型； 卷积去噪网络对噪声估计结果的误差具有非对称敏感性，采用非对称的损失函数消除这种非对称敏感性，进行噪声压制； 给定某点i的估计噪声水平和实际值，构建整个自适应卷积去噪网络的目标损失函数为： 2； 式中，为噪声水平估计网络的非对称的损失函数；为噪声压制的损失函数，用于保证噪声能够被充分压制： 3； 当时，为了充分的压制噪声，采用去噪权重因子，通过设定权重参数α：0α0.5，能够平衡不同噪声标准差数据的去噪权重；为去噪过拟合损失函数，保证去噪后有效信号得到充分的保留，通过引入全变分正则项来约束的平滑性： 4； 其中，为其权重因子； 为卷积去噪网络的损失函数，利用L2-范数定义重构误差： 5； 步骤5：利用训练得到的去噪模型对其他数据进行去噪处理，实现针对微波近场数据的特征，在保护有效信号不被压制的同时，实现自适应智能去噪，得到最终的去噪结果。

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中国电子科技集团公司第四十一研究所，其通讯地址为：266555 山东省青岛市黄岛区香江路98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。