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！

龙图腾网获悉中国人民解放军国防科技大学申请的专利基于轻量级神经网络的自动调制识别方法、装置及设备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：CN121239537B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202511799813.6，技术领域涉及：H04L27/00；该发明授权基于轻量级神经网络的自动调制识别方法、装置及设备是由秦启儿;唐麒;周双敏;纪澎善;马东堂;魏急波设计研发完成，并于2025-12-02向国家知识产权局提交的专利申请。

本基于轻量级神经网络的自动调制识别方法、装置及设备在说明书摘要公布了：本申请涉及一种基于轻量级神经网络的自动调制识别方法、装置及设备，属于无线通信技术领域。所述方法包括：构建了一种多流轻量级全局‑局部协同网络，在网络中首先采用多流输入架构，将并行的联合IQ流、独立I流以及独立Q流作为输入融合处理，有效减少特征预处理冗余；其次引入反向残差模块，大幅精简参数量并提升特征提取效率；最后开发轻量级全局‑局部协同模块，将局部特征提取与全局关系建模深度融合后，利用分类模块进行调制类型识别分类。本方法能够更低的计算复杂度实现更高的调制类型识别准确率，且在低信噪比环境下展现出更强的鲁棒性。

本发明授权基于轻量级神经网络的自动调制识别方法、装置及设备在权利要求书中公布了：1.一种基于轻量级神经网络的自动调制识别方法，其特征在于，所述方法包括： 获取包含多调制类型的无线电信号样本及对应标签的数据集，并按比例划分为训练集、验证集和测试集； 构建包括多流输入架构、反向残差模块、轻量级全局-局部协同模块以及分类模块的多流轻量级全局-局部协同网络； 将训练集和验证集输入所述多流轻量级全局-局部协同网络进行迭代训练，直至达到预设训练目标后，自动终止训练并保留验证损失最小的最优网络； 采样获取通信系统接收的待识别IQ信号，将所述待识别IQ信号输入所述最优网络，通过所述多流输入架构并行捕获联合IQ流的空间相关性、独立I流以及独立Q流的局部时序特征并进行多流信息融合，得到融合特征；通过所述反向残差模块的扩展-卷积-压缩瓶颈结构，对所述融合特征依次进行通道扩展、深度可分离卷积和通道压缩，输出中间特征；利用所述轻量级全局-局部协同模块对所述中间特征依次进行局部特征提取、全局特征建模和特征融合，输出最终特征至所述分类模块；利用所述分类模块预测输出输入信号的调制类型集合的概率分布，完成自动调制识别任务； 其中，利用所述轻量级全局-局部协同模块对所述中间特征依次进行局部特征提取、全局特征建模和特征融合，输出最终特征，包括： 在局部特征提取阶段，首先获取所述反向残差模块输出的中间特征并作为输入特征，其中H、W、C分别表示特征图的高度、宽度和通道数；采用轻量级卷积结构对进行局部特征提取，表示为： ； ； 其中，表示3×3卷积，用于构建空间局部感受野；表示1×1卷积，用于实现通道注意力加权；两层卷积共同提升对瞬态特征的捕捉能力；表示批量归一化，为swish激活函数；为第一层3×3卷积提取的局部特征，为第二层1×1卷积提取的局部特征； 在全局特征建模阶段，先将重塑为伪序列，表示为，D为伪序列重塑的潜在维度，表示重塑；再通过改进的Transformer架构进行双头注意力计算，表示为： ； ； ； 其中，为层归一化，为激活函数，为层归一化后的序列，为注意力权重矩阵，为Transformer架构的输出；、和分别为查询投影矩阵、键投影矩阵和值投影矩阵，为多头特征融合矩阵，为缩放因子，为掩码矩阵；上标T表示转置； 进一步通过残差连接和双层MLP对进行增强，得到全局序列，表示为： ； 在特征融合阶段，先将全局序列重塑为空间维度的全局特征，随后通过1×1卷积进行维度对齐处理，表示为： ； ； 其中，为维度对齐后的全局特征；再将输入特征与进行拼接后，通过3×3卷积实现高效的特征融合，输出最终特征，表示为： ； ； 其中，为拼接后的特征，表示拼接。

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人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区德雅路109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。