買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉廣東技術師范大學申請的專利自適應梯度神經動力學優化方法及其在AOA定位中的應用獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116702828B 。

龍圖騰網通過國家知識產權局官網在2025-08-22發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310201690.6，技術領域涉及：G06N3/04；該發明授權自適應梯度神經動力學優化方法及其在AOA定位中的應用是由易稱福;陳婧婧設計研發完成，并于2023-03-02向國家知識產權局提交的專利申請。

本自適應梯度神經動力學優化方法及其在AOA定位中的應用在說明書摘要公布了：本發明涉及神經網絡和無線傳感器定位技術領域，且公開了自適應梯度神經動力學優化方法。將實際的工程應用需求轉化為線性優化問題并建模；模型在滿足李雅普諾夫穩定性定理的前提下設計了自適應參數，通過基于梯度下降的ADRNN模型進行求解使得求解的值逼近最優解，從而目標函數的loss值進一步降低從而具有更高的準確率，同時提升了抵抗噪聲干擾的能力。此外，通過理論驗證和仿真實驗驗證模型的有效性及優越性。最后，將所提ADRNN模型應用于AOA定位驗證是否可以提升定位精度。本發明相比于其他方法，從根源上避免了自適應參數設置的不當，在實現全局收斂的基礎上提升了收斂速度和抗噪聲干擾的能力，并可應用于求解復值問題；在應用上提升了AOA定位的精確度。

本發明授權自適應梯度神經動力學優化方法及其在AOA定位中的應用在權利要求書中公布了：1.自適應梯度神經動力學優化方法，其特征在于，包括以下步驟： S1、首先舉例求解時變方程StXt＝Wt的CGNN模型和CZNN模型； S11、基于CGNN模型的設計過程，求解StXt＝Wt的CGNN模型設計過程如下：首先構造能量函數εt，其次通過進行迭代更新Xt，使εt的值最小，最終得到CGNN模型為 S12、基于CZNN模型的設計過程，求解StXt＝Wt的CZNN模型設計過程如下：首先定義誤差函數為：EXt,t＝StXt-Wt；基于CZNN的設計形式得到CZNN模型為 S2、基于CGNN模型和CZNN模型定義一種自適應梯度魯棒負反饋神經網絡，其次根據李雅普諾夫穩定性定理定義模型基于誤差函數的自適應系數，然后理論分析自適應遞歸神經網絡ADRNN模型在實值問題和復值問題中的收斂性； 基于CGNN模型和CZNN模型定義一種自適應梯度魯棒負反饋神經網絡，然后根據李雅普諾夫穩定性定理定義模型基于誤差函數的自適應系數，最后理論分析自適應遞歸神經網絡ADRNN模型在實值問題中的收斂性，其具體步驟如下： S21、定義一個自適應梯度的魯棒負反饋神經網絡為： S22、求解時變方程StXt＝Wt的自適應梯度的魯棒負反饋神經網絡為： S23、針對實值問題，定義李雅普諾夫候選函數為 S24、ADRNN模型在實值問題中的收斂性； 顯而易見步驟B3中的Ωt是正定的； 設定以及那么Ωt的時間導數可以描述為： 當|eit|≥1,Ψ·ps可以被表達為當|eit|1,Ψ·ps可以被表達為得到為 定義由于得到 由于μt0，令上述不等式右邊為0，得到μt為 為了使我們增加一個時變參數pt，基于李雅普諾夫穩定性理論的自適應系數為： 其中p1,w、p為常數且wpt1； 根據李雅普諾夫穩定性定理，由于Ωt是正定的而是負定的，因此在實值情況下ADRNN模型是收斂的； S3、將噪聲注入模型，討論其在噪聲干擾下模型的魯棒性能； S4、設定參數，進行數值試驗和分析，分別給出模型在實施實值例子時，在各種模型和不同的噪聲干擾下的計算解和實際解的殘差結果；此外，給出本發明在實施復值例子時得到的實際軌跡和理論軌跡的對比圖和殘差結果，最后，將三維到達角AOA定位轉化為數學上的優化問題并將提出的模型應用于AOA定位并舉例定位實例以此驗證模型的定位效果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人廣東技術師范大學，其通訊地址為：510630 廣東省廣州市天河區中山大道西293號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。