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知识蒸馏的轻量化频谱预测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：CN116709409B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202310808568.5，技术领域涉及：H04W24/08；该发明授权基于知识蒸馏的轻量化频谱预测方法是由张建照;邓俊荃;程润梦;柳永祥设计研发完成，并于2023-07-04向国家知识产权局提交的专利申请。

本基于知识蒸馏的轻量化频谱预测方法在说明书摘要公布了：本发明涉及电磁频谱管控技术领域，更具体地说，涉及一种基于知识蒸馏的轻量化频谱预测方法，包括以下步骤：S1、对接收的频谱数据进行预处理；S2、根据采集频谱数据时域自相关性确定输入数据的步长；S3、构建基于知识蒸馏策略的频谱预测网络模型；S4、利用训练集数据对频谱预测网络模型进行训练；S5、判断训练是否完成；若是，将训练集数据输入训练完成后的频谱预测网络模型，获得预测结果的输出并结束训练流程；若否，将训练的迭代次数加一后，返回S4。本发明引入知识蒸馏技术领域知识，克服传统深度学习网络的模型复杂缺点，在小样本情况下有良好的适用性。

本发明授权基于知识蒸馏的轻量化频谱预测方法在权利要求书中公布了：1.一种基于知识蒸馏的频谱预测方法，其特征在于，包括以下步骤： S1、对接收的频谱数据进行预处理； S2、根据采集频谱数据时域自相关性确定输入数据的步长； S3、构建基于知识蒸馏策略的频谱预测网络模型； S4、利用训练集数据对频谱预测网络模型进行训练； S5、判断训练是否完成；若是，将训练集数据输入训练完成后的频谱预测网络模型，获得预测结果的输出并结束训练流程；若否，将训练的迭代次数加一后，返回S4； S2中，采用下列公式计算频谱信号的自相关系数： ， 其中，表示为t时刻的频谱数据，表示协方差，表示样本标准差； 选择自相关系数大于0.8对应滑动窗口大小，作为输入数据的步长c； 当适应模型进行时序预测时，使用长度为c+1的滑动窗口对频谱数据进行划分，将前c个数据作为输入数据，第个数据作为待预测数据，则第n个频点的数据变换为，其中，T为频谱数据的总长； S3中，将时间卷积网络进行自迁移优化作为教师模型，构建双分支神经网络作为学生模型，根据所述教师模型和所述学生模型构建基于知识蒸馏策略的频谱预测网络模型； 将时间卷积网络进行自迁移优化作为教师模型的方法为：用收集的频谱数据预训练时间卷积网络，得到精确度高但参数量庞大的时间卷积网络；将时间卷积网络的部分层数进行冻结，作为待训练网络，再次训练未被冻结的网络层数； 通过结合编码器结构构建双分支神经网络作为学生模型的方法为： 通过构建编码-重构分支和编码-预测分支组成双分支神经网络，每个分支都有对应的损失函数，通过最小化损失函数的方法来训练得到优化的网络参数； 其中，编码-重构分支的损失函数计算公式为： ， 其中，为编码器的参数，为的重构器参数，为教师网络中间层特征输出，为真实值标签，为编码-重构分支的最终输出； 编码-预测分支的损失函数计算公式为： ， 其中，为编码器的参数，为的预测器参数，为真实的频谱值，为预测未来的频谱值； 根据所述教师模型和所述学生模型构建基于知识蒸馏策略的频谱预测网络模型的方法为： 构建软目标损失函数缩小学生模型和教师模型输出之间差异，软目标损失计算公式为： ， 其中，为教师模型，为软目标是教师模型输出结果，是学生模型，是时间卷积网络中间层输出作为学生模型输入的预测结果； 构建硬目标损失函数缩小学生模型和真实值之间的差异，硬目标损失计算公式为： ； S4中，利用训练集数据对频谱预测网络模型进行训练的方法为：随机初始化双分支神经网络可训练参数；设置迭代次数和学习率，将RMSprop优化算法作为网络训练优化器；令迭代次数epoch的值等于1；将训练数据分批次输入频谱预测网络模型进行训练，每个批次的训练误差反向传播以优化网络参数；误差损失采用构建的目标损失函数，计算如下： ， 其中，是用于调节硬目标损失和软目标损失之间平衡权重的系数； 当训练数据中所有批次的数据全部反向传播完成，令epoch=epoch+1，再继续进行反向传播，直至epoch达到最大迭代次数。

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：210007 江苏省南京市秦淮区后标营18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。