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！

龙图腾网获悉南京邮电大学申请的专利融合双重注意力机制与TCN-BiLSTM网络的大规模MIMO信道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：CN121000559B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202511227705.1，技术领域涉及：H04L25/02；该发明授权融合双重注意力机制与TCN-BiLSTM网络的大规模MIMO信道估计方法是由姚建国;卢文设计研发完成，并于2025-08-29向国家知识产权局提交的专利申请。

本融合双重注意力机制与TCN-BiLSTM网络的大规模MIMO信道估计方法在说明书摘要公布了：本发明提出一种融合双重注意力机制与TCN‑BiLSTM网络的大规模MIMO信道估计方法，将时间卷积网络TCN与双向长短时记忆网络BiLSTM进行结合，并引入一种双重注意力机制来进一步增强模型的特征提取和聚焦能力。本方法相比于其他先进的深度学习模型，在多种信道环境下均能大幅降低预测误差；本方法在多径效应和干扰严重的非视距场景中表现出卓越的性能和稳定性；通过提供更精确的CSI，本方法使得大规模MIMO基站能够生成更精准的波束，将信号能量更有效地传递给目标用户，同时将对其他用户的干扰降至最低，带来了更高的单用户数据速率，并允许系统在相同的频谱资源内同时服务更多的用户，从而显著提升了整个网络的吞吐量和频谱利用效率。

本发明授权融合双重注意力机制与TCN-BiLSTM网络的大规模MIMO信道估计方法在权利要求书中公布了：1.融合双重注意力机制与TCN-BiLSTM网络的大规模MIMO信道估计方法，其特征在于：所述方法包括如下步骤： 步骤1，数据预处理与特征工程，包括复数到实数的转换、数据归一化、滑动窗口构建和特征提取，获得特征向量作为模型的输入； 步骤2，构建模型与数据流；建立时间卷积网络TCN与双向长短时记忆网络BiLSTM结合的TCN-BiLSTM混合模型，并且模型中引入包含时间注意力机制和空间注意力机制的双重注意力机制，进行数据处理；数据处理流程如下： 经过预处理的输入序列首先被送入TCN模块；该模块由多层膨胀因果卷积层堆叠而成，每一层都由因果性+膨胀因子控制；TCN输出局部时间特征，增加一个注意力层，对TCN输出序列进行加权，同时突出关键的时间片段，弱化无关特征； TCN模块输出的特征序列随后被送入BiLSTM模块，该模块从前向和后向两个方向处理序列，以捕捉长期的、全局的上下文依赖关系； BiLSTM模块的隐藏状态输出被送入双重注意力模块，该模块并行地计算时间和空间两个维度的注意力权重，并根据权重对特征进行加权求和，生成一个信息量更密集的上下文向量；对于每个时间步输出，计算注意力权重： ； 其中，为时间步t的注意力打分值，为注意力打分权重向量，为用于计算时间注意力打分的线性变换矩阵，为时间步t的隐藏状态输入，b为偏置项，T为总时间步数；最终的加权表示为： 表示按时间权重加权后的整体序列表，为时间步的注意力权重，为时间步的隐藏状态输入，T为总时间步数； 空间注意力关注特征维度上的不同分量；设，则对每个特征维度j，计算其注意力权重： 为特征维度j的注意力权重，为特征维度j的注意力权重打分值，w为学习到的空间注意力打分权重向量，为可训练的线性变换矩阵，为输入矩阵H中第j列，维度为T的向量，为偏置项，m为特征维度数量； 最终加权为： 为按空间权重加权后的整体序列，H为拼接后的BiLSTM输出矩阵，为所有特征维度的注意力权重向量； 融合时间与空间注意力后的输出表示为： 以上三个参数依次表示：融合时间和空间注意力后的最终特征、时间加权后的整体序列和空间加权后的整体序列；最终输出特征向量送入全连接层进行信道值的回归预测； 最后，该上下文向量被送入一个全连接层，该层进行最终的回归计算，输出对未来信道状态的预测值； 步骤3，进行模型训练与参数配置；通过最小化预测值与真实值之间的误差来优化网络参数； 步骤4，将经过步骤3的训练和参数调整后的TCN-BiLSTM混合模型投入使用，输入步骤1处理后的特征向量，输出对未来信道状态的预测值，完成信道估计。

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邮电大学，其通讯地址为：210023 江苏省南京市栖霞区文苑路9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。