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！

龙图腾网获悉自然资源部北海预报减灾中心(自然资源部青岛海洋中心)申请的专利一种结合经验正交分解和深度学习的风暴增水预报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：CN120278045B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202510756413.0，技术领域涉及：G06F30/27；该发明授权一种结合经验正交分解和深度学习的风暴增水预报方法是由阮成卿;高松;焦艳;刘清容;李健;訚忠辉;温连杰;付迪;高静;郑金金设计研发完成，并于2025-06-09向国家知识产权局提交的专利申请。

本一种结合经验正交分解和深度学习的风暴增水预报方法在说明书摘要公布了：本发明公开一种结合经验正交分解和深度学习的风暴增水预报方法，属于海洋风暴潮预报领域。该方法包括以下步骤：a、根据预报海洋站的位置等确定风场区域；b、从再分析数据集中收集整理10米风距平数据矩阵，从海洋站收集观测的风暴增水数据；c、对数据矩阵进行经验正交分解，获得主模态矩阵和主成分矩阵；d、将主成分矩阵中的主成分作为预报因子，将风暴增水数据作为预报量，构建样本库；并进行模型训练，获得长短时记忆神经网络预报模型；e、收集未来预报的10米风距平数据矩阵，并计算主成分值，然后代入预报模型，得到未来风暴增水数据。本发明可提高风暴增水预报的精度，与风暴增水实际观测值相比，所计算的均方根误差低。

本发明授权一种结合经验正交分解和深度学习的风暴增水预报方法在权利要求书中公布了：1.一种结合经验正交分解和深度学习的风暴增水预报方法，其特征在于包括以下步骤： a、根据预报海洋站的位置及历史风暴潮过程特征，确定风场区域； b、根据风场区域，从再分析数据集中收集整理10米风距平数据矩阵，从海洋站收集观测的风暴增水数据； c、对10米风距平数据矩阵进行经验正交分解，获得主模态矩阵和主成分矩阵； d、将主成分矩阵中的主成分作为预报因子，将风暴增水数据作为预报量，构建样本库；采用长短时记忆神经网络进行模型训练，获得长短时记忆神经网络预报模型； e、收集未来预报的10米风距平数据矩阵； f、计算未来预报的10米风距平数据矩阵的主成分值； g、将所计算的未来预报的10米风距平数据矩阵的主成分值代入步骤d所训练获得的长短时记忆神经网络预报模型，得到所预报的未来风暴增水数据； 步骤b中：10米风距平数据矩阵XM×T，其中，M为风场数据的网格数，T为模型训练阶段时间序列长度；表示第i个格点在第t个时刻的风速值； 从海洋站收集观测的风暴增水数据ZT，zT＝[z1,…,zt,…,zT]，zt,t＝1,…,T表示第t个时刻的风暴增水值； 步骤c中：对矩阵XM×T进行经验正交分解，获得主模态矩阵EOFM×M和主成分矩阵PCM×T；其中，表示第j个模态里第i个参数的值；表示第j个模态在第t个时刻的值； 步骤c具体包括： c1、计算10米风距平数据矩阵XM×T的协方差矩阵：XM×T R表示XM×T的转置； c2、对协方差矩阵SM×M进行特征分解，得到特征值矩阵ΛM×M和对应的特征向量矩阵VM×M，满足SM×M×VM×M＝VM×M×ΛM×M；其中，为对角矩阵，λi,i＝1,…,M，为协方差矩阵SM×M的特征值，按照从大到小排列，每个特征值的大小反应了该模态对应的贡献率；中的每一列Vi,:,i＝1,…,M，是与λi相对应的特征向量； c3、特征向量矩阵即为主模态矩阵，即EOFM×M＝VM×M； c4、主成分矩阵PCM×T为XM×T在主模态矩阵中的投影，即PCM×T＝EOFM×T R×XM×T；EOFM×T R表示EOFM×T的转置； 步骤d中：将主成分矩阵PCM×T中前20个主成分作为预报因子，将风暴增水数据ZT作为预报量，构建样本库PC20×T,ZT； 所获得长短时记忆神经网络预报模型Z′T＝FPC20×T，Z′T为长短时记忆神经网络预报模型计算的风暴增水数据，F为长短时记忆神经网络预报模型； 步骤e中：未来预报的10米风距平数据矩阵为XM×Q，Q为模型预报阶段时间序列长度； 步骤f具体包括： f1、选取主模态矩阵EOFM×M中的前20个模态EOF20×M； f2、计算矩阵XM×Q在前20个主模态中的投影值即为未来预报的10米风距平数据矩阵的主成分值。

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自然资源部北海预报减灾中心(自然资源部青岛海洋中心)，其通讯地址为：266061 山东省青岛市崂山区云岭路27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”。