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！

龍圖騰網獲悉浙江工業大學申請的專利一種基于CCSK和深度學習的語義通信方法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：CN114595698B 。

龍圖騰網通過國家知識產權局官網在2025-08-15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：202210260485.2，技術領域涉及：G06F40/30；該發明授權一種基于CCSK和深度學習的語義通信方法是由錢麗萍;葉萍;錢江;吳灣灣設計研發完成，并于2022-03-16向國家知識產權局提交的專利申請。

本一種基于CCSK和深度學習的語義通信方法在說明書摘要公布了：為了克服大數據對傳統通信系統帶來的挑戰，本發明提出了一種基于CCSK和深度學習的語義通信方法，實現了語音信號的語義傳輸；發送端將原始語音轉換為文本，對文本進行特征矩陣提取，得到特征矩陣；對征矩陣進行解碼，得到語義信息；對語義信息進行分組擴頻，得到擴頻后的信號并傳輸至接收端；接收端獲取發送端傳輸的擴頻后的信號并進行解擴，得到語義信息，并將語義信息轉成語音，完成傳輸。本發明在數據傳輸方面依靠軟件形式生成擴頻碼，對語義信息進行分組組幀擴頻，能夠節省硬件成本，提高通信的抗干擾性。

本發明授權一種基于CCSK和深度學習的語義通信方法在權利要求書中公布了：1.一種基于CCSK和深度學習的語義通信方法，其特征在于，包括以下步驟： 步驟1：發送端將語音轉換為文本； 步驟2：對步驟1轉換的文本進行特征矩陣提取，得到特征矩陣； 所述步驟2包括以下子步驟： 2.1對步驟1轉換的文本做預處理，所述預處理包括分詞、生成詞向量和詞向量位置編碼三部分；所述預處理具體為：1分詞：對文本進行分詞處理，即將文本輸入jieba中文分詞模型，按文本原順序得到w1,w2,…,wi,…,wn總計n個詞語，下標i表示第i個詞語，i∈[1,n]；所述jieba中文分詞模型為一個常用的分詞器模型，可以將句子分成多個詞語；2生成詞向量：隨后將詞語w1,w2,…,wi,…,wn輸入到Word2vec中文預訓練模型，得到相對應的詞向量x1,x2,…,xi,…,xn，所述詞向量x1,x2,…,xi,…,xn為維度為300的行向量；所述Word2vec中文預訓練模型是一種常用的生成詞向量的模型，可以將詞語映射為向量；3詞向量位置編碼：使用正弦余弦函數將詞向量x1,x2,…,xi,…,xn生成位置向量t1,t2,…,ti,…,tn，公式如下： 其中a指的是詞向量xi的第a維度，a∈[1,300]；ti,a指的是位置向量ti第a個緯度的值；將詞向量x1,x2,…,xi,…,xn和對應的位置向量t1,t2,…,ti,…,tn相加得到詞嵌入向量e1,e2,…,ei,…,en，其中ei＝xi+ti，將詞嵌入向量e1,e2,…,ei,…,en記作矩陣E； 2.2對步驟2.1得到的矩陣E進行自注意力機制操作，所述自注意力機制操作過程如下： 首先生成Query查詢矩陣Q1、Key鍵矩陣K1和Value值矩陣V1： 其中，分別是維數為300的權重方陣，方陣中元素的具體值經過預訓練得到，預訓練共確定十八個權重方陣，所述十八個權重方陣都為維數為300的權重方陣，預訓練使用的數據集在正文開頭加上了單詞“start”，在對應摘要的結尾加上了單詞“eos”，經過預訓練之后，權重方陣會包含“start”和“eos”的特征信息；qi,ki,vi為維度為300的行向量，其中qi為矩陣E中第i個行向量的查詢向量，ki為矩陣E中第i個行向量的鍵向量，vi為矩陣E中第i個行向量的值向量； 令Query查詢矩陣Q1中的查詢向量分別與矩陣K1中的所有鍵向量進行score運算； 以Query查詢矩陣Q1中的查詢向量q1為例，查詢向量q1與鍵向量kii∈[1,n]做score運算，結果記作α1,m,m＝i；所述score運算的公式為： 將所有結果α1,1,α1,2,…,α1,m,…,α1,n進行soft-max歸一化操作得到所述soft-max是深度學習中常用的函數，可以把輸入映射成0～1之間的實數，并且保證所有輸入映射到的實數的和為1，soft-max歸一化操作的公式為： 再將分別與Value值矩陣V1中的對應的值向量v1,v2,…vi,…,vn相乘得到加權向量z1,z2,…zm,…,zn，相乘操作為將加權向量z1,z2,…zm,…,zn相加得到思想向量b1； 將上述操作進行n次，得到向量b1,b2,…,bi,…,bn，公式如下： 至此，生成了矩陣E中所有行向量對應的思想向量b1,b2,…,bi,…,bn； 2.3將步驟2.2得到的思想向量b1,b2,…,bi,…,bn通過前饋神經網絡輸出向量f1,f2,…,fi,…,fn，所述前饋神經網絡由兩次變換構成，第一次通過ReLU激活函數做非線性映射，第二次使用線性激活函數恢復到原始梯度； 2.4將步驟2.3得到的向量f1,f2,…,fi,…,fn記作矩陣F，對矩陣F進行自注意力機制操作，本次自注意力機制操作中，將矩陣F分別與權重方陣相乘來生成Query查詢矩陣、Key鍵矩陣和Value值矩陣，其余具體操作過程同步驟2.2，得到矩陣F中所有行向量對應的思想向量d1,d2,…,di,…,dn，并將思想向量d1,d2,…,di,…,dn通過前饋神經網絡輸出向量 將向量記作特征矩陣 步驟3：對步驟2得到的特征矩陣進行解碼，得到語義信息； 步驟4：對步驟3得到的語義信息生成256bit的擴頻碼，通過該擴頻碼對語義信息進行分組擴頻，得到擴頻后的信號并傳輸至接收端； 步驟5：接收端生成與發送端一致的256bit擴頻碼，通過識別同步位來獲取發送端傳輸的擴頻后的信號并進行解擴，得到語義信息； 步驟6：將步驟5得到的語義信息轉成語音，完成傳輸。

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浙江工業大學，其通訊地址為：310014 浙江省杭州市下城區潮王路18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”。