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！

龙图腾网获悉中南大学申请的专利一种基于深度学习的陡坡桥梁稳定性评测方法及系统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：CN119312138B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411404729.5，技术领域涉及：G06F18/24；该发明授权一种基于深度学习的陡坡桥梁稳定性评测方法及系统是由王尔博;谢劲松;罗意平;鲁五一设计研发完成，并于2024-10-10向国家知识产权局提交的专利申请。

本一种基于深度学习的陡坡桥梁稳定性评测方法及系统在说明书摘要公布了：本发明公开了一种基于深度学习的陡坡桥梁稳定性评测方法及系统，包括：S1：获取桥梁区域DEM数据、桥梁位移数据与桥梁应力数据；S2：构建桥梁稳定性评价网络，并基于卷积神经网络提取桥梁区域DEM特征；S3：基于循环神经网络提取桥梁内部结构特征；S4：基于注意力机制进行桥梁区域DEM特征与桥梁内部结构特征的融合；S5：设定网络的输入、输出以及优化目标，并基于自适应学习率优化算法，优化桥梁稳定性评价网络的参数。此方案解决了桥梁稳定性评测准确率不足的问题。

本发明授权一种基于深度学习的陡坡桥梁稳定性评测方法及系统在权利要求书中公布了：1.一种基于深度学习的陡坡桥梁稳定性评测方法，其特征在于，包括以下步骤： S1：获取桥梁区域DEM数据、桥梁位移数据与桥梁应力数据； S2：构建桥梁稳定性评价网络，并基于卷积神经网络提取桥梁区域DEM特征； 所述步骤S2包括以下步骤： S21：使用卷积神经网络、GRU网络和注意力机制构建桥梁稳定性评价网络； S22：使用两组由卷积层、激活函数和池化层共同构成的卷积神经网络对桥梁区域DEM数据进行卷积，其中第一组卷积神经网络的结构为： 第一组卷积神经网络的卷积层使用大小为3×3、步长为1、填充为1的卷积核，对输入图像进行卷积，输出通道数为32，卷积的计算方式为： 其中，Oi,j,k为经卷积操作后输出特征图的第k个通道的第i，j个像素值，i和j分别为卷积后矩阵的行、列索引，k为通道索引，xu,v为原矩阵的第u，v个元素，ci-u,j-v为卷积核的第i-u，j-v个元素，u和v为原矩阵行、列的索引； 第一组卷积神经网络的激活函数使用ReLU函数，对卷积层的输出进行非线性变换，计算方式为： Ai,j,k＝max0,Oi,j,k 其中，Ai,j,k为激活函数的输出值； 第一组卷积神经网络的池化层使用最大池化对激活函数的输出进行下采样，池化核的大小为2×2、步长为2、输出通道数为32，计算方式为： 其中，Pi,j,k为池化层的输出值，m和n为计数索引，完成池化后，将池化层的输出值输入到第二组卷积神经网络中； 第二组卷积神经网络的结构为： 第二组卷积神经网络的卷积层使用大小为5×5、步长为1、填充为2的卷积核，对第一组卷积神经网络的池化层的输出进行卷积，输出通道数为64； 第二组卷积神经网络的激活函数、池化层的设置均与第一组卷积神经网络的激活函数、池化层的设置相同；第二组卷积神经网络的卷积层、激活函数、池化层的计算方式均与第一组卷积神经网络的卷积层、激活函数、池化层的计算方式相同； S23：使用全连接层和激活函数，将第二组卷积层的输出压缩为一维向量，作为桥梁区域DEM特征的表示，其中，全连接层的计算方式为： F＝[Fk＝1,Fk＝2,…,Fk＝k] 其中，Fk为全连接层的输出特征图的第k个通道的像素值，Wi,j,k为全连接层的权重值，bi,j,k为全连接层的偏置项，N为池化层展平后的向量长度,F为全连接层各通道像素值的拼接结果，[]为拼接操作； S3：基于循环神经网络提取桥梁内部结构特征； S4：基于注意力机制进行桥梁区域DEM特征与桥梁内部结构特征的融合； S5：设定网络的输入、输出以及优化目标，并基于自适应学习率优化算法优化网络参数。

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南大学，其通讯地址为：410083 湖南省长沙市岳麓山左家垅；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”。

以上内容由龙图腾AI智能生成。