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！

龙图腾网获悉中国人民解放军战略支援部队航天工程大学申请的专利一种基于注意力机制的太阳射电频谱图像爆发识别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：CN115329804B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202210842711.8，技术领域涉及：G06F18/24；该发明授权一种基于注意力机制的太阳射电频谱图像爆发识别方法是由郭军成;万刚;刘磊;范爱民;王帅;贾玉童设计研发完成，并于2022-07-18向国家知识产权局提交的专利申请。

本一种基于注意力机制的太阳射电频谱图像爆发识别方法在说明书摘要公布了：本发明公开了一种基于注意力机制的太阳射电频谱图像爆发识别方法，其基于子注意力机制和残差结构的射电频谱图像生成网络R‑SAGAN，用于识别射电爆发数据。本发明所提的R‑SAGAN生成对抗网络在原始GAN网络上在生成器和判别器结构上作出改进，针对一般的GAN网络无法很好的捕捉图像中的几何结构模式问题，在生成器中引入了自注意力层，对卷积层进行了补充；通过使用两个多头注意力机制来处理不同序列位置的特征信息，赋予每个单头注意力块不同的初始化方式和权重系数，提高了判别器的模型表征能力和鉴别能力，缓解了判别器过拟合程度。

本发明授权一种基于注意力机制的太阳射电频谱图像爆发识别方法在权利要求书中公布了：1.一种基于注意力机制的太阳射电频谱图像爆发识别方法，其特征在于，包括以下步骤： 步骤1：获取原始射电频谱数据； 步骤2：构建R-SAGAN生成网络对抗模型，利用原始射电频谱数据训练R-SAGAN生成网络对抗模型； 步骤3：基于训练好的R-SAGAN生成网络对抗模型对原始射电频谱数据进行数据增强，得到扩充后的射电频谱数据； 步骤4：将扩充后的射电频谱数据划分为训练数据集、测试数据集和验证数据集； 步骤5：利用训练数据集、测试数据集和验证数据集训练分类器，通过训练好的分类器进行原始射电频谱数据的识别，并输出识别结果； 其中，步骤2所述的R-SAGAN生成网络对抗模型训练步骤包括： 步骤21：从高斯分布中采样噪声信号作为模型生成器的输入，从原始射电频谱数据中采样真实样本作为模型判别器的输入，对判别器和生成器的模型参数进行初始化； 步骤22：将生成器输出的假样本与所采样的真实样本共同输入到判别器中，根据判别器的模型输出损失对判别器参数进行更新，期间生成器模型参数不变； 步骤23：保持判别器模型参数不变，根据生成器输出的样本损失对其参数进行更新； 并且，步骤2所述的R-SAGAN生成网络对抗模型包括生成器和判别器，生成器用于接收随机噪声z输入，并输出生成图像Gz；判别器用于判断输入图像为真实图片的概率； 所述生成器包括依次相连的全连接层、第一残差单元、第一反卷积层、第二残差单元、第二反卷积层和第三反卷积层，所述全连接层用于进行reshape操作；所述第一残差单元和第二残差单元，用于对输入特征进行降维操作并减少模型参数引入；第一反卷积层和第二反卷积层的卷积核均为，卷积步长为2，用于对图像进行上采样；第三反卷积层的卷积核为，卷积步长为1，用于减少生成图像通道数； 所述判别器包括两个卷积核大小为的卷积层以及两个多头注意力机制，每个多头注意力机制都有三个通道，每个通道都预先连接一个的卷积来降低特征维度，并对三个通道的注意力计算结果进行拼接； 所述第一残差单元和第二残差单元均包括三个依次连接的反卷积层和一个自注意力层，其中第一个反卷积层的卷积核为卷积核，用于对输入特征进行降维操作同时减少模型参数的引入；第二个和第三个反卷积层的卷积核为，卷积步长为1，用于等效填充，保证图像尺寸不发生变化；自注意力层用于对反卷积之后的特征图捕捉长距离的空间信息，使得有效特征得到增强。

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中国人民解放军战略支援部队航天工程大学，其通讯地址为：101407 北京市怀柔区八一路1号航天工程大学；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”。