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！

龙图腾网恭喜南京航空航天大学申请的专利基于自监督对比学习的雷达信号特征表示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：CN119416150B 。

龙图腾网通过国家知识产权局官网在2025-05-02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：202411497212.5，技术领域涉及：G06F18/25；该发明授权基于自监督对比学习的雷达信号特征表示方法是由宫丽娜;马田甜;王晨;聂之翘设计研发完成，并于2024-10-25向国家知识产权局提交的专利申请。

本基于自监督对比学习的雷达信号特征表示方法在说明书摘要公布了：本发明公开了基于自监督对比学习的雷达信号特征表示方法，包括：获取雷达信号时间序列数据并进行预处理；数据增强得到强增强视图和弱增强视图，输入到编码器中得到潜在嵌入表示，输入到时间对比模块中进行跨视图预测时间步的任务，输出对应的上下文向量，并计算时间对比损失；强增强视图和弱增强视图对应的上下文向量输入到上下文对比模块中以进行自监督对比学习并计算上下文对比损失；整合得到总损失函数并对时间对比模块和上下文对比模块构成的模型进行训练，得到雷达信号时间序列特征表示模型，能够高效精准捕捉雷达信号时间序列中的时序依赖、上下文关系以及跨视图的一致性，从而增强对雷达信号的理解能力，更加灵活地应对复杂雷达应用场景。

本发明授权基于自监督对比学习的雷达信号特征表示方法在权利要求书中公布了：1.基于自监督对比学习的雷达信号特征表示方法，其特征在于，包括：步骤S1、获取雷达信号时间序列数据并进行预处理，构建无标记数据集；步骤S2、使用强增强和弱增强对无标记数据集中的雷达时间序列样本进行数据增强得到强增强视图和弱增强视图；步骤S3、将强增强视图和弱增强视图分别输入到编码器中得到对应的潜在嵌入表示；步骤S4、将强增强视图和弱增强视图对应的潜在嵌入表示输入到时间对比模块中以进行跨视图预测时间步的任务，分别输出强增强视图和弱增强视图对应的上下文向量，并分别计算强增强视图和弱增强视图对应的时间对比损失；所述时间对比模块对于潜在嵌入表示z，采用自回归模型far将其中小于时间t的时间步的嵌入表示z≤t归纳为上下文向量ct＝farz≤t,ct∈Rh，其中h为far的隐藏维度，使用上下文向量ct来完成跨视图预测时间步的任务以学习到雷达信号时间序列的内在规律和特征，过程如下：首先添加一个h维的令牌c，其状态在输出中充当能够代表整个时间序列信息的上下文向量，将z≤t输入到一个线性投影层WTran，输出特征向量z′＝WTranz≤t；随后将上下文向量c附加到特征向量z′中，使得输入特征变为ψ0＝[c；z′]，其中下标0表示ψ0是Transformer第一层的输入特征；然后将ψ0传递到Transformer层，每层Transformer都包含多头注意力机层和多层感知机的计算，每经过一层Transformer，输入被更新成新的特征向量，公式如下: 其中，MHA为多头注意力层，Norm为标准化层，MLP为多层感知机，l为输入特征在Transformer中运算的层数，L为所能堆叠的Transformer最大层数，ψl表示输入到第l层transformer中的特征向量；ψ0经过L层Transformer后，网络输出为包含上下文向量和其他输入特征的组合向量ψL，提取该组合向量的第一部分，即最初输入的上下文向量c经过Transformer网络后的更新版本并将其作为更新后的上下文向量ct，以完成跨视图预测时间步的任务以学习到雷达信号时间序列的内在规律和特征；步骤S5、将强增强视图和弱增强视图对应的上下文向量输入到上下文对比模块中以进行自监督对比学习并计算上下文对比损失；步骤S6、整合所述时间对比损失和上下文对比损失得到总损失函数，并基于总损失函数对时间对比模块和上下文对比模块构成的模型进行训练，得到雷达信号时间序列特征表示模型，为雷达信号时间序列生成融合全局上下文信息且更为综合和鲁棒的特征表示。

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航空航天大学，其通讯地址为：211106 江苏省南京市江宁区将军大道29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”。