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！

龙图腾网获悉合肥工业大学;西安电子科技大学杭州研究院申请的专利一种跨平台的复域特征增强相干超分辨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：CN118861521B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202410901607.0，技术领域涉及：G06F18/10；该发明授权一种跨平台的复域特征增强相干超分辨DOA估计方法是由项厚宏;李雨曦;陈毓锋设计研发完成，并于2024-07-05向国家知识产权局提交的专利申请。

本一种跨平台的复域特征增强相干超分辨DOA估计方法在说明书摘要公布了：本发明涉及波达方向估计技术领域，具体公开了一种跨平台的复域特征增强相干超分辨DOA估计方法，包括以下步骤：首先，构建复数域CVSIMO学习模型；对采样数据进行预处理；CVSIMO学习模型的前向传播；CVSIMO学习模型的反向传播与参数优化；数据重构与信号分离；跨平台的超分辨DOA估计；最后进行模型仿真实验。本发明采用上述的一种跨平台的复域特征增强相干超分辨DOA估计方法，可实现多个点源信号的特征挖掘，利用复数域神经网络模型，将多源估计问题转化为单点源的DOA估计问题，并利用复数域神经网络的优势，增强相干信号的特征，提高超分辨DOA估计算法的性能和精度，也可实现多个相干信号的数据分离并进行跨平台DOA估计，通过巧妙的特征求解实现真实角度估计。

本发明授权一种跨平台的复域特征增强相干超分辨DOA估计方法在权利要求书中公布了：1.一种跨平台的复域特征增强相干超分辨DOA估计方法，其特征在于，包括以下步骤： S1、构建复数域CVSIMO学习模型；所述复数域CVSIMO学习模型包括一个复值输入层、四个隐藏层和K个独立的复值输出层； S2、对采样数据进行预处理； S3、CVSIMO学习模型的前向传播，具体过程如下： 隐藏层和输出层均为全连接层，假设第l层的输入是，复数权重矩阵为，该隐藏层经复数激活函数激活后的输出表示为： 3 其中，和分别为求解复数的实部和虚部分量； 对于一个L层的全连接神经网络，输出层由K个独立的全连接层组成，假设第k个输出层的复权矩阵为，则第k个输出层的输出表示为： 4 因此，CVSIMO学习模型的前向传播表示为： 5； 其中，代表第t个采样数据； S4、CVSIMO学习模型的反向传播与参数优化； S5、数据重构与信号分离； S6、跨平台的超分辨DOA估计；经过CVSIMO模型分离的阵列数据只包含一个信号源，使用复域特征增强相干超分辨DOA估计技术，使分离的信号先经过DNN网络进行相位的增强，去除噪声干扰，再进行DOA估计； 对于不同平台即频率发生变化时的DOA估计按如下原理矫正： 假设训练集样本的波长为，相干信号的角度范围为，测试集为跨平台采样数据，测试集样本的波长为，不同于训练集样本，相干信号的角度范围是，且； 训练集和测试集样本的相位特征表示为： 19 测试集的相位特征通过对进行等效替换得到： 20 令，其中，相位特征表示为： 21 上面的变化形式和一致，这意味着跨平台波长的变化会引起DOA所测角度的变化，并且满足如下关系： 22 因此，跨平台条件下的DOA通过以下方式来估计： 23 分析式23，讨论和的取值范围，由于，得到： 24 因此，的取值范围为： 25 经过CVSIMO学习网络所分离数据的DOA估计通过经典的DBF、MUSIC和ML算法实现： 将所测角度记为，由上述矫正原理，根据式23，得到波长为的跨平台DOA估计结果表示为： 26 其中，为训练集样本的测角结果，为跨平台期待输出的测角结果，通过CVSIMO模型的前向传播过程，得到分离后的K个信号数据的输出，K个独立输出为，； S7、进行模型仿真实验。

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合肥工业大学;西安电子科技大学杭州研究院，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。