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！

龙图腾网获悉青岛科技大学申请的专利基于联邦学习和区块链的跨域智能无线感知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：CN121151871B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202511416358.7，技术领域涉及：H04W12/033；该发明授权基于联邦学习和区块链的跨域智能无线感知方法是由徐凌伟;李天成;孙海洋;程涵冰;方珺;付文哲设计研发完成，并于2025-09-30向国家知识产权局提交的专利申请。

本基于联邦学习和区块链的跨域智能无线感知方法在说明书摘要公布了：本发明公开的基于联邦学习和区块链的跨域智能无线感知方法，涉及无线感知技术领域，解决跨域异构数据高效协同与隐私保护、动态环境下多目标感知模型泛化能力不足、资源约束下实时感知与计算效率矛盾的问题，本发明通过构建基于轻量化联邦学习和区块链的FL‑BLC协同安全框架，对本地客户端模型进行分布式训练；在此框架基础上，构建DB‑SE‑Yolov8感知算法模型采用并行双支路网络结构提取保留提取全局和局部细粒度信息，通过门控机制动态加权融合多尺度特征信息；利用全连接线性分类器将提取的特征信息进行回归统计，使用Softmax激活函数进行概率映射，输出感知结果。在提高跨域无线感知精度的同时有效改善跨域异构数据的隐私保护能力。

本发明授权基于联邦学习和区块链的跨域智能无线感知方法在权利要求书中公布了：1.基于联邦学习和区块链的跨域智能无线感知方法，其特征在于，具体包括以下步骤： S1、信道状态信息CSI数据采集与数据预处理，对采集的CSI数据进行降噪和可视化预处理； S2、构建FL-BLC协同安全框架，所述FL-BLC协同安全框架基于轻量化联邦学习框架和轻量化区块链架构，对本地客户端模型进行分布式训练，并接收由服务器端进行联邦加权平均聚合后的全局参数来更新本地客户模型； 所述轻量化的联邦学习框架采用动态参数聚合机制和端到端加密协议，对每个参与联邦学习的客户端基于本地数据集对模型进行本地训练，且在同一联邦学习框架轮次的训练过程中，客户端与服务器需在每轮交互中执行两次加密操作和两次解密过程，将训练好的模型参数上传到服务器端进行全局聚合； 轻量化区块链架构具体包括轻量化存储结构、改进的拜占庭容错共识算法和基于默克尔树的数据完整性验证机制三个维度； 其中，所述轻量化存储结构包括索引值、前序区块哈希值、时间戳、验证函数集合以及模型参数密文的集合，对当前区块计算哈希值，采用对区块进行JSON序列化且按字典键排序的方式，以保证同一数据结构对应唯一哈希值，进而确保数据不可篡改性； S3、构建DB-SE-Yolov8感知算法模型，在步骤S2构建的FL-BLC协同安全框架的基础上，本地客户端模型基于Yolov8深度学习模型，利用剪枝蒸馏后的轻量化Yolov8-cls模型提取步骤S1中预处理后CSI数据的基础特征，采用并行双支路网络结构提取全局和局部细粒度信息，通过门控机制动态加权融合多尺度特征信息； 所述并行双支路网络结构的上支路为全局特征支路，对Yolov8-cls的输出应用平均自适应池化操作，对所提取的空间特征进行下采样，将输出的特征张量的尺寸降低一半，从而去除冗余特征而保留主要特征； 所述并行双支路网络结构的下支路为注意力特征支路，采用SE注意力机制，通过引入Squeeze和Excitation操作，对于输入特征图，首先进行全局平均池化以压缩空间维度，接着通过两层全连接网络生成注意力权重，将所述注意力权重应用于输入特征，提升模型对关键特征的感知能力，增强跨域学习能力； S4、数据识别与分类：利用全连接线性分类器将步骤S3中提取的特征信息进行回归统计，使用Softmax激活函数进行概率映射，输出感知结果。

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青岛科技大学，其通讯地址为：266000 山东省青岛市崂山区松岭路99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。