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！

龙图腾网获悉广东工业大学申请的专利一种基于深度学习的DOA估计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：CN116933001B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202310887198.9，技术领域涉及：G06F18/00；该发明授权一种基于深度学习的DOA估计方法是由李建中;林灿鑫;梁泽逍;符哲设计研发完成，并于2023-07-18向国家知识产权局提交的专利申请。

本一种基于深度学习的DOA估计方法在说明书摘要公布了：本发明公开了一种基于深度学习的DOA估计方法，包括以下步骤：S1：利用接收阵列数据构建阵列数据模型，由所述阵列数据模型得到输出信号X；S2：构造输出信号X的四阶累积量，获得输出信号X的四阶累积量矩阵CY；S3：对CY进行向量化处理后并对处理结果进行去重，然后结合空间平滑算法计算得到协方差矩阵；S4：将计算出的协方差矩阵输入到已训练好的CNN模型中，得出DOA估计结果。本发明通过结合稀疏阵列，空间平滑算法和深度神经网络模型来对干扰信号进行定位。有效提高了DOA估计算法的精度，同时减少了计算量，降低了硬件成本和运算负担。

本发明授权一种基于深度学习的DOA估计方法在权利要求书中公布了：1.一种基于深度学习的DOA估计方法，其特征在于，包括以下步骤： S1：利用接收阵列数据构建阵列数据模型，由所述阵列数据模型得到输出信号； S2：构造输出信号X的四阶累积量，获得输出信号X的四阶累积量矩阵； S3：对进行向量化处理后并对处理结果进行去重，然后结合空间平滑算法计算得到协方差矩阵； S4：将计算出的协方差矩阵输入到已训练好的CNN模型中，得出DOA估计结果； 步骤S3所述对进行向量化处理后并对处理结果进行去重，然后结合空间平滑算法计算得到协方差矩阵，具体过程为： 将向量化处理得到向量: 其中，为四阶累积量中的虚拟元素组成的等价方向矢量矩阵，为等价的信号矢量，表示信源的四阶累积量；，； 根据分布阵列的位置关系来进行处理去除重复信号，位置关系如下式所示： 其中，表示实数域，D为虚拟阵列中虚拟天线的位置集，实际上为中的指数部分，结合上式便可，对去重和排序构造为新的向量，表达式如下所示： 其中，V为接收阵元的虚拟阵元位置集合，为虚拟阵元的总个数，G为虚拟阵元接收到实际信号的选择矩阵，q指的是V的第q个元素，，为维矩阵，，参数p指的是D的第p个元素，，通过构造筛选矩阵G可将构造，T表示矩阵的转置； 将划分成个重叠的子阵列，，每个子阵列都有个虚拟元素，其中第个子阵列的传感器位于，其中；之后将第个子阵列的协方差矩阵定义为；计算每个子阵列的协方差矩阵后，维的空间平滑协方差矩阵定义为所有子阵列协方差矩阵的平均值： 其中是一个维的对角矩阵，是维的等效方向向量矩阵，； 步骤S4所述将计算出的协方差矩阵输入到CNN模型中，得出DOA估计结果，具体过程为： 将协方差矩阵转换成幅度和相位的形式，如下： 其中，称为协方差矩阵的幅度因子，为相位因子；设计一个特征矩阵，其上三角为上三角相位因子的虚部，下三角为上三角相位因子的实部，对角线元素为对角线元素的归一化值，以便输入有效信息到模型训练或预测时，如下所示： 其中，函数表示取复数的实部，表示取复数的虚部，,将其向量化，得到特征向量,有如下所示： 最后，将输入进已训练好的CNN模型，得到最终的DOA估计值，该值即为干扰信号的到达角度信息。

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广东工业大学，其通讯地址为：510080 广东省广州市越秀区东风东路729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。