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！

龙图腾网获悉中南大学申请的专利一种基于时空特征的多类别非视距信号识别系统及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：CN120416772B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202510542322.7，技术领域涉及：H04W4/029；该发明授权一种基于时空特征的多类别非视距信号识别系统及方法是由刘嘉杰;陈明松;王秋;蔺永诚;颜欣设计研发完成，并于2025-04-28向国家知识产权局提交的专利申请。

本一种基于时空特征的多类别非视距信号识别系统及方法在说明书摘要公布了：本发明提供了一种基于时空特征的多类别非视距信号识别系统及方法，方法包括采集多个非视距场景下的CIR数据，然后时空特征提取器所提取特征进行关键特征的选取与融合，使得融合特征对于UWB视距非视距具备有效表征能力，最后基于对融合特征差异的区分，实现了复杂室内场景下对于UWB信号的非视距信号多分类识别，方法具备较强的泛化能力、稳定性和较高的识别效率，并且能便捷地部署于边缘平台，这为后续的缓解室内特定测距或定位误差提供了可靠的依据，有助于提高室内定位精度。

本发明授权一种基于时空特征的多类别非视距信号识别系统及方法在权利要求书中公布了：1.一种基于时空特征的多类别NLOS信号识别方法，其特征在于，包括以下步骤：在具有多个NLOS场景的室内环境中分别采集CIR数据，基于室内环境的CIR数据构建训练数据集、验证数据集与测试数据集；构建时空特征模型，所述时空特征模型主要包括特征提取器、注意机制器、特征融合器与分类识别器四个主要功能部分；其中，特征提取器用于UWB信号中的CIR数据的空间、时间特征的深度提取；注意机制器用于调整CIR数据每个时空特征权重；特征融合器用于对来自特征提取器处理得到的原始深度时空特征与注意机制器的关键特征进行融合，输出融合特征；分类识别器基于融合特征预测出待识别UWB信号的NLOS类型，以实现非视距信号的多分类识别，为后续准确有效地缓解测距误差提供支持； 从采集到的UWB数据集中对于CIR数据进行标签标注，并按照预设比例划分得到训练集、验证集和测试集，其中标签用于表征CIR数据所属的目标非视距类别，CIR数据集中包含若干个场景，不同场景各自包含若干个目标数据；将训练数据集中的CIR数据输入至初始网络中，利用预设的损失函数对初始网络进行迭代训练直至收敛，得到收敛网络，在迭代过程中不断调整特征提取器、注意机制器、特征融合器和分类识别器中的网络参数，使得整体损失函数满足精度要求；将验证数据集输入至收敛网络中，对收敛网络的NLOS识别能力进行验证，在验证通过的情况下，得到训练完成的时空特征模型；将测试数据集中的CIR数据输入至训练完成的时空特征模型，得到时空特征模型输出的NLOS信号类别的识别结果； 所述的基于时空特征的多类别NLOS信号识别方法，其特征在于，包括以下步骤： 注意机制器调整CIR数据每个时空特征权重，其首先将CIR数据的时空特征生成对应的通道维度的全局描述，公式如下： 式中，yc表示第c个通道的全局描述符，c=1,2，…，C；xci，j表示输入特征X在第c个通道上位置i，j的值；然后，通过一维卷积建模通道间的局部依赖关系，其卷积核大小k根据通道数C自适应确定： 式中，ψC是一个基于通道数的函数；γ和b为超参数，用于调整核大小的范围；表示将结果调整为最近的奇数；接下来，利用一维卷积操作生成通道注意力权重，公式如下： 式中，fconv1d表示一维卷积操作，卷积核权重为；y=[y1，y2，…，yC]为全局描述符向量；σc为卷积后的中间结果；sc为第c个通道的注意力权重，范围在[0,1]之间；sigmoid·为激活函数；最后，将上述生成的权重加权到原始输入特征H上： 式中，表示第c个通道加权后的输出特征；表示第c个通道的原始输入特征。

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南大学，其通讯地址为：410083 湖南省长沙市麓山南路932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。