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！

龙图腾网获悉南京航空航天大学申请的专利一种基于极限学习机的空战非完备信息数据处理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：CN115640755B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202211424276.3，技术领域涉及：G06F30/27；该发明授权一种基于极限学习机的空战非完备信息数据处理方法是由陈谋;孙雷;王玉惠;周同乐;刘佳敏设计研发完成，并于2022-11-15向国家知识产权局提交的专利申请。

本一种基于极限学习机的空战非完备信息数据处理方法在说明书摘要公布了：本发明提供了一种基于极限学习机的空战非完备信息数据处理方法，本方法首先针对无人机空战传感器采集的战场信息具有非完备性的问题，对空战无人机非完备信息进行描述，选用极限学习机来构建无人机非完备信息数据处理模型。其次，采用K最邻近KNN分类方法来对空战信息相互关联分类，并剩余的异常信息视作缺失值。然后，根据完备数据集和极限学习机来构建缺失属性与其余属性的非线性映射关系，针对性地对无人机非完备信息进行修补。本方法有效地解决复杂环境下空战非完备信息的数据处理问题，挖掘了更多的有用数据。

本发明授权一种基于极限学习机的空战非完备信息数据处理方法在权利要求书中公布了：1.一种基于极限学习机的空战非完备信息数据处理方法，其特征在于，包括以下步骤： 步骤1，对空战无人机非完备信息进行描述，选用极限学习机来构建无人机非完备信息数据处理模型； 步骤2，采用K最邻近KNN分类方法来对空战信息相互关联分类，并将剩余的异常信息视作缺失值； 步骤3，根据空战完备信息数据集和极限学习机来构建缺失属性与其他属性的非线性映射关系，针对性地对无人机非完备信息进行修补； 步骤3包括： 步骤3-1，构建空战完备信息数据集为{eei,tti|eei∈RD,tti∈Rn,i＝1,2,…,m}，其中，eei表示第i个空战信息示例，RD表示D维实数集，tti表示第i个空战信息示例对应的样本标签，Rn表示n维实数集；构建隐藏层节点数为L的极限学习机，eei作为输入，tti作为输出，Heei表示对应的隐藏层输出； 极限学习机的输入为无人机空战信息训练样本eei，隐藏层个数为1，输入层的神经元与隐藏层的神经元之间的连接为全连接，记隐藏层的输出为Heei，Heei如式3所示： Heei＝[h1eei,…,hLeei]3 输入乘上对应权重并加上对应偏置，经过激活函数后，对隐藏层所有节点的求和即为隐藏层的输出，Heei是极限学习机隐藏层的输出矩阵，hpeei是第p个隐藏层神经元的输出，p取值为1～L，hpeei的具体表示如式4所示： hpeei＝gwp·eei+bp4 其中wp和bp是隐藏层节点参数，wp∈RD，bp∈R；g·为激活函数，选择使用Sigmoid函数作为激活函数，则式4具体表示如式5所示： 其中e是自然常数； 输入经过隐藏层后到达输出层，则极限学习机的输出具体如式6所示： 其中，L表示隐藏层的神经元个数，m表示输出层的神经元个数，m≥1；β＝[β1,…,βL]T是隐藏层与输出层之间的权重，其中βL为第L个隐藏层的神经元权重；f·为极限学习机输入与输出间的非线性映射关系； 步骤3-2，在极限学习机中，随机初始化隐藏层的权重w和偏置b，通过隐藏层的激活函数，将输入映射到特征空间，根据式3和式4计算得到隐藏层输出H，将网络的输出Hβ与空战样本标签TT间的最小化平方差作为极限学习机的训练误差，则输出层的权重β满足式7的目标函数： min||Hβ-TT||2,β∈RL×m7 其中min表示取最小值，TT是根据步骤1中已有的空战完备数据集选取的训练数据的样本标签，H和TT的具体表达式如式8、式9所示： 其中，为ttn的转置； 推导出式7的最优解如式10所示： 其中为矩阵H的Moore-Penrose广义逆矩阵； 当HTH为可逆时，选择正交投影法进行求解，则如下式11所示： 当HTH为不可逆时，使用奇异值分解法来计算H的Moore-Penrose广义逆。

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南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29号南京航空航天大学；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”。