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！

龙图腾网恭喜贵州师范大学申请的专利基于半监督深度学习的射电望远镜射频干扰抑制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：CN119646493B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202510181178.9，技术领域涉及：G06F18/2131；该发明授权基于半监督深度学习的射电望远镜射频干扰抑制方法是由游子毅;潘运荣;支启军;赵汝双;王琅;袁懋;李思瑶设计研发完成，并于2025-02-19向国家知识产权局提交的专利申请。

本基于半监督深度学习的射电望远镜射频干扰抑制方法在说明书摘要公布了：本发明公开了一种基于半监督深度学习的射电望远镜射频干扰抑制方法，包括从标准化FITS文件中精准提取二维时频数据，对得到的二维时频数据执行多层二维小波变换，分解出低频分量及每层对应的高频分量（包括横向高频、纵向高频、对角高频），通过基于半监督学习的DnCNN去噪方法结合通道注意力机制，分别对分解出的低频分量及各层高频分量进行RFI消除；将经过RFI消除处理后的低频分量和各层高频分量作为输入，经逆小波变换合并分量，重构出RFI信号被有效抑制的无干扰时频二维数据。本发明能有效抑制RFI的同时，显著增强信噪比并保持数据高保真度。

本发明授权基于半监督深度学习的射电望远镜射频干扰抑制方法在权利要求书中公布了：1.一种基于半监督深度学习的射电望远镜射频干扰抑制方法，其特征在于，包括以下步骤：步骤1、数据预处理：打开原始标准化的FITS文件，提取包含所有头数据单元HDU的列表，每个HDU封装了相应的数据集及其关联的元数据，对第二个HDU进行解析，获取其包含子积分块数、子积分块中采样点数、极化通道数、频率通道数以及数据点值的5维数据，将该5维数据重塑为所需的二维时频数据，并对其进行归一化处理，输出二维时频数据，将其保存为*.npy文件；步骤2、多层二维小波变换：对预处理得到的二维时频数据执行多层二维小波变换，将其递归地分解为三个层级，每个层级包含1个低频分量和3个高频分量，且下一层分量由上一层低频分量分解而得，得到3个低频分量和9个高频分量；步骤3、DnCNN方法消干扰：数据集被分为标记样本和无标签样本，用自训练半监督学习方法，先结合标记样本初步训练DnCNN模型，将步骤2多层二维小波变换分解出的三个层级的3个低频分量和9个高频分量的尺寸设定为525×525×1，分别作为原始数据输入，首层使用64个3×3的卷积核对原始数据进行卷积操作，输出64通道的525×525×64特征图，通过ReLU激活函数处理以增强非线性，第2至16层，每层均使用64个3×3卷积核进行卷积操作，对每个空间位置x，y的64通道值进行加权求和，生成64个新的特征图并堆叠为525×525×64的输出，随后进行批量归一化，再通过ReLU激活引入非线性；第5和第12层在卷积、批量归一化和ReLU激活后，引入通道注意力机制，对特征图进行精细化的加权处理；第17层使用1个3×3卷积核处理第16层传递来的特征数据，生成525×525×1的干扰估计图，将原始数据与干扰估计图相减，这样分别得到RFI抑制后的尺寸为525×525×1的无干扰的3个低频分量和9个高频分量的干净数据；步骤4、逆小波变换合并分量：将步骤3输出的无干扰的3个低频分量和9个高频分量作为输入，选择与步骤2的多层二维小波变换相一致的小波基，从最高层的高频分量开始，逐步将高频分量通过小波逆滤波器添加到低频分量中，逐层合并直至所有层次的分量都被合并完成，重构出RFI信号被有效抑制的无干扰时频二维数据。

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贵州师范大学，其通讯地址为：550025 贵州省贵阳市贵安新区花溪大学城栋青路；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”。