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！

龙图腾网获悉三峡大学申请的专利基于改进Stacking算法预测地面合成电场的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：CN115544879B 。

龙图腾网通过国家知识产权局官网在2025-07-08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：202211214405.6，技术领域涉及：G06F30/27；该发明授权基于改进Stacking算法预测地面合成电场的方法是由李振华;吴慕聪;黄悦华;李振兴;徐艳春;杨楠;邾玢鑫;张磊;张文婷;程紫熠;唐轩设计研发完成，并于2022-09-30向国家知识产权局提交的专利申请。

本基于改进Stacking算法预测地面合成电场的方法在说明书摘要公布了：基于改进Stacking算法预测地面合成电场的方法，包括以下步骤：获取样本数据，包括地面合成电场数据、气象数据；对获得的样本数据进行预处理，包括异常值检测与归一化处理；使用五折交叉验证法对已经处理好的样本数据进行预测建模，使用改进的Stacking算法预测模型进行合成电场预测。使用均方误差MSE，均方根误差RMSE，平均绝对误差MAE来评估改进的Stacking算法预测模型性能。本发明方法采用预测精度较高的机器学习算法作为基学习器，相较于传统合成电场预测方法，机器学习预测能充分考虑复杂环境对地面合成电场的影响。

本发明授权基于改进Stacking算法预测地面合成电场的方法在权利要求书中公布了：1.基于改进Stacking算法预测地面合成电场的方法，其特征在于包括以下步骤： 步骤1：获取样本数据，包括地面合成电场数据、气象数据； 步骤2：对步骤1获得的样本数据进行预处理，包括异常值检测与归一化处理； 步骤3：使用五折交叉验证法对步骤2已经处理好的样本数据进行预测建模，得到改进的Stacking算法预测模型； 步骤4：使用步骤3改进的Stacking算法预测模型进行合成电场预测； 所述步骤3包括以下步骤： S3.1：对初始数据进行归一化处理后，得到数据集G＝{yi,xi；i＝1,2,…M},xi为第i个样本特征向量，yi为第i个样本对应的输出值；M为采集的合成电场样本数量； S3.2：将数据集G划分为训练集Gtrain和测试集Gtest，其中，训练集样本数量为N，测试集样本数量为M-N，对训练集Gtrain使用五折交叉验证方式来训练第一层的基学习器：将Gtrain平均分成五份得到Gtrain1、Gtrain2、Gtrain3、Gtrain4、Gtrain5，将其分别作为不同基学习器的测试集和训练集； 依次选择其中的一折作为测试集，剩余的四折作为训练集，五次训练过程中基学习器Hk，k＝1,…,K的预测结果表示为zkn，k表示第一层基学习器的序号，K表示第一层基学习器的数量； 最终K个基学习器的输出结果与Gtrain中的yn组成第二层元学习器使用的新训练集:Gtrain-new＝{yn,z1n,…,zkn；n＝1,…,N,k＝1,…,K}； 其中：n表示训练集中样本序号，N表示训练集样本数量；yn表示n个样本对应的预测值；z1n,…,zkn表示K个基学习器根据N个样本预测的得出的新的合成电场数据； S3.3：在S3.2五折交叉验证过程中，每一折交叉验证都会训练一次基学习器Hk，通过每次训练好的基学习器Hk对测试集Gtest中的yi进行预测，最终五折交叉验证结束后，每个基学习器输出的Gtest预测值Pkn为：Pkn＝Pkn1+Pkn2+Pkn3+Pkn4+Pkn55； 其中，Pkn1、Pkn2、Pkn3、Pkn4、Pkn5分别为第k个基学习器经过五次不同训练后对测试集Gtest输出的预测值，Pkn为第k个基学习器对测试集Gtest输出的预测值的平均值，n为测试集Gtest样本数目； 最终K个基学习器输出的结果与Gtest中yi组成第二层元学习器使用的新测试集： Gtest-new＝{yn,P1n,…,Pkn；n＝1,…,M-N,k＝1,…,K}； P1n,…,Pkn表示K个基学习器根据m-N个样本预测的得出的新的合成电场数据； S3.4：通过新训练集Gtrain-new训练第二层元学习器，并使用新测试集Gtest-new对模型的精度进行检测。

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三峡大学，其通讯地址为：443002 湖北省宜昌市西陵区大学路8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”。