Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 中国矿业大学张文渊获国家专利权

中国矿业大学张文渊获国家专利权

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!

龙图腾网获悉中国矿业大学申请的专利一种融合SSA与级联LSTM的ERP短期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:CN120561870B

龙图腾网通过国家知识产权局官网在2025-09-23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:202511054772.8,技术领域涉及:G06F18/25;该发明授权一种融合SSA与级联LSTM的ERP短期预报方法是由张文渊;王潜心;彭劲松;李萌萌;高雨;张书毕设计研发完成,并于2025-07-30向国家知识产权局提交的专利申请。

一种融合SSA与级联LSTM的ERP短期预报方法在说明书摘要公布了:本发明公开了一种融合SSA与级联LSTM的ERP短期预报方法,涉及卫星导航定位技术领域,包括:对ERP数据进行预处理;利用奇异谱分析法进行信号分解,对获得的信号分量进行频谱分析,确定分量的周期项;将周期项小于n的信号分量进行剔除;将剩余信号分量重构为去噪优化后的新ERP时序数据;构建级联LSTM时序预报模型,计算未来m天的ERP短期预报数据;对ERP短期预报数据添加改正项,获得最终ERP预报序列。本发明通过对ERP时序信号去噪优化处理,实现了ERP时间序列的高精度重构,构建多个子模型相互连接、逐级传递的级联LSTM预报模型,显著抑制了预报误差的传播,实现了ERP数据的高精度、高可靠预报。

本发明授权一种融合SSA与级联LSTM的ERP短期预报方法在权利要求书中公布了:1.一种融合SSA与级联LSTM的ERP短期预报方法,其特征在于,包括: 步骤1,对ERP时序数据进行预处理; 步骤2,利用奇异谱分析法对ERP时序数据进行分解,确定r个信号分量; 步骤3,对信号分量进行频谱分析,确定信号分量的周期项; 步骤4,根据信号分量的贡献率,将周期项小于E的信号分量剔除,获得剩余信号分量; 步骤5,将剩余信号分量重构为去噪优化后的新ERP时序数据; 步骤6,基于过去t天的新ERP时序数据,利用构建的级联LSTM时序预报模型计算得到未来m天的ERP短期预报时序数据,其中,ERP短期预报时序数据包括PM预报数据、UT1-UTC预报数据和LOD预报数据; 步骤7,对UT1-UTC预报数据添加闰秒和固体潮,对LOD预报数据添加固体潮,获得最终的ERP预报序列; 所述步骤1,ERP时序数据包括PM时序数据、UT1-UTC时序数据和LOD时序数据; 剔除UT1-UTC时序数据中的闰秒,剔除UT1-UTC时序数据中的第一固体潮,剔除LOD时序数据中的第二固体潮: , 其中,n1表示不同周期第一固体潮或第二固体潮的个数,、、、为周期项的振幅,,n2表示日月章动参数的个数,表示日月章动参数,表示日月章动参数的整数乘因子; 所述步骤6,包括:针对未来m天分别构建m个顺序子模型f1,f2,…,fm;将过去t天的ERP时序数据输入顺序子模型f1,利用顺序子模型f1预测获得未来第1天的ERP短期预报数据;利用过去t-1天的ERP时序数据以及未来第1天的ERP短期预报数据输入顺序子模型f2,利用顺序子模型f2预测获得未来第2天的ERP数据;将过去t-2天的ERP时序数据、未来第1天的ERP短期预报数据和未来第2天的ERP短期预报数据输入第3个顺序子模型f3,利用第3个顺序子模型f3预测获得未来第3天的ERP数据;将过去t-m+1天的ERP时序数据以及未来第1至m-1天的ERP短期预报数据输入第m个顺序子模型fm,利用第m个顺序子模型fm预测获得第m天的ERP短期预报数据,获得级联LSTM时序预报模型: , 式中,表示过去第1天的ERP时序数据,表示过去第2天的ERP时序数据,表示过去第3天的ERP时序数据,表示过去第t天的ERP时序数据,表示未来第1天的ERP短期预报数据,表示未来第2天的ERP短期预报数据,表示未来第3天的ERP短期预报数据,表示未来第m-1天的ERP短期预报数据。

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矿业大学,其通讯地址为:221116 江苏省徐州市铜山区大学路1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”。

以上内容由AI智能生成
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。