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！

龙图腾网获悉南京信息工程大学申请的专利基于多阶段迁移学习的DCO-OFDM峰均比抑制方法及系统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：CN121486156B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202610024996.2，技术领域涉及：H04L27/26；该发明授权基于多阶段迁移学习的DCO-OFDM峰均比抑制方法及系统是由李宝龙;臧璇;冯斯梦;潘文伟;蔡正鑫;万佳兴设计研发完成，并于2026-01-09向国家知识产权局提交的专利申请。

本基于多阶段迁移学习的DCO-OFDM峰均比抑制方法及系统在说明书摘要公布了：本发明公开了一种基于多阶段迁移学习的DCO‑OFDM峰均比抑制方法及系统，通过星座扩展生成候选符号集合；将候选符号集合预处理为特征张量，并输入至一个局部特征提取模块、全局信息交互模块及决策输出模块级联构成的混合深度决策网络中；该网络输出概率化决策权重，并通过一个从决策权重到PAPR计算的全可微通路，设计包含PAPR性能损失项和决策熵正则化项的复合目标函数，采用多阶段渐进式迁移学习策略进行端到端无监督训练。本发明通过专用的网络架构与训练策略，有效降低DCO‑OFDM系统的PAPR，减小非线性失真，同时将复杂的搜索过程转移至离线训练阶段，降低了在线计算复杂度，提升了模型的收敛速度与最终性能。

本发明授权基于多阶段迁移学习的DCO-OFDM峰均比抑制方法及系统在权利要求书中公布了：1.一种基于多阶段迁移学习的DCO-OFDM峰均比抑制方法，其特征在于：具体包括： 获取DCO-OFDM系统发送的二进制比特流，将二进制比特流映射为原始复数QAM符号，将原始复数QAM符号分配至不同DCO-OFDM样本的有效子载波上，得到第个DCO-OFDM样本的第个子载波的频域符号，其中，，表示一个批次中的DCO-OFDM样本数量； 针对第个DCO-OFDM样本的第个子载波的频域符号，施加星座扩展偏移量，生成对应的个等效候选点，构建第个DCO-OFDM样本的第个子载波的个等效候选点的候选符号集合； 将第个DCO-OFDM样本的第个子载波的个等效候选点的候选符号集合进行实虚部解耦与维度重组，得到模型输入张量； 将模型输入张量输入训练好的深度决策网络模型，得到候选符号决策权重张量； 将候选符号集合与候选符号决策权重张量进行加权计算，得到DCO-OFDM信号的频域向量，对DCO-OFDM信号的频域向量进行频域补零采样后，通过逆变换求得离散时域信号向量； 所述深度决策网络模型的训练方法，具体包括： 步骤1.1：设置总训练阶段数为，对应的递增星座扩展阶数，其中，定义循环变量，其取值为； 步骤1.2：基于当前阶段的星座扩展阶数，为训练批次中的每个DCO-OFDM样本重新生成候选符号集合； 步骤1.3：对当前阶段候选符号集合进行预处理得到模型输入张量，并调整深度决策网络模型的输入和输出维度； 步骤1.4：若，初始化深度决策网络的所有参数；若，则调用第阶段训练得到的局部特征提取模块的参数，对当前阶段的深度决策网络模型的局部特征提取模块进行初始化； 步骤1.5：将模型输入张量输入到当前阶段的深度决策网络模型中，基于复合损失函数，利用梯度下降算法对深度决策网络模型进行训练直至深度决策网络模型收敛，保存当前阶段训练得到的局部特征提取模块的参数； 步骤1.6：判断循环变量是否满足，若满足，令，返回步骤1.2，继续向下执行，若不满足，结束循环训练过程，当前阶段训练完成的深度决策网络模型作为最终模型； 所述对当前阶段候选符号集合进行预处理得到模型输入张量，具体包括： 将第个DCO-OFDM样本中第个子载波的候选符号集合中的个候选符号的实部与虚部提取出来并交错排列，生成实数特征向量； 将第个DCO-OFDM样本中所有有效子载波的实数特征向量级联，构建一个实数特征矩阵，其中，表示星座扩展阶数为时，第个DCO-OFDM样本中第个子载波的所有候选符号构成的实数特征向量； 将个DCO-OFDM样本对应的实数特征矩阵进行堆叠，得到深度决策网络模型的模型输入张量，模型输入张量维度属于实数空间，其中，表示星座扩展阶数为时，第个DCO-OFDM样本对应的实数特征矩阵，表示候选点特征通道，表示序列长度，表示一个批次中DCO-OFDM样本的总数量。

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京信息工程大学，其通讯地址为：210044 江苏省南京市江北新区宁六路219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。