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！

龙图腾网获悉武汉大学申请的专利一种基于DEM加权的时空全连接残差神经网络的PM2.5拟合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：CN116701841B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202310583560.3，技术领域涉及：G06F18/10；该发明授权一种基于DEM加权的时空全连接残差神经网络的PM2.5拟合方法及系统是由陈玉敏;苏恒;谭黄元;褚天佑;陈国栋;陈玥君设计研发完成，并于2023-05-19向国家知识产权局提交的专利申请。

本一种基于DEM加权的时空全连接残差神经网络的PM2.5拟合方法及系统在说明书摘要公布了：本发明提出了一种基于DEM加权的时空全连接残差神经网络的PM2.5拟合方法及系统。本发明将空间特征向量引入到非线性模型中消除空间自相关性的影响，实现了空间滤值模型的扩展，利用注意力机制实现了“空间变系数”解决空间异质性的影响，并采用新颖的“ont‑hot编码+镶嵌”方法把数值大小不具备意义的时间转换为“时间特征向量”消除时间的影响，同时还对损失函数进行了修正，在不降低整体研究区域的拟合精度的条件下，提高了高海拔地区的拟合精度，从而得到更高精度的地面PM2.5拟合结果。

本发明授权一种基于DEM加权的时空全连接残差神经网络的PM2.5拟合方法及系统在权利要求书中公布了：1.一种基于DEM加权的时空全连接残差神经网络的PM2.5拟合方法，其特征在于，包括以下步骤： 步骤1，PM2.5数据及因子数据获取与预处理，因子数据包括遥感数据、气象因子和其他因子；将预处理完的因子数据提取到地面监测站点，得到PM2.5数据集，该数据集每条记录包含监测站点处的PM2.5数据、因子数据、空间坐标以及时间数据； 步骤2，提取含有空间数据的空间特征向量； 步骤2的具体实现方式如下； 步骤2.1，构建空间权重矩阵，针对重投影后地面站点的坐标，基于Gaussian核函数，把空间关系转为权重值，构建空间邻接矩阵，具体公式如下： 其中，i，j分别表示位置点i和位置点j，表示位置点i和j之间的邻接性，位于的第i行第j列，表示位置点i和j之间的距离，r表示所有站点的最小生成树中的最大距离； 步骤2.2，空间邻接矩阵中心化并计算特征值和特征向量；对由步骤2.1得到的空间邻接矩阵进行矩阵中心化操作，中心化公式如下： 其中I为n维单位矩阵，是一个n×n的矩阵，矩阵内所有元素都等于1，n是研究区内监测站点的数量；为步骤2.1中获取的原始的空间权重矩阵，然后求解的特征值和特征向量； 然后进行特征向量的初步筛选；初步筛选出特征值0且满足下列经验模型要求的空间特征向量： 其中表示待筛选的特征值，表示最大的特征值； 步骤2.3，空间特征向量进一步筛选；采用stepwise方法，按照特征值大小，逐个把特征向量加入回归方程，选择使回归方程AIC值最小的特征向量，直到继续加入特征向量AIC指数也不会减小； 步骤2.4，构建筛选层；步骤2.3中得到了进一步筛选后的空间特征向量，先经过一个全连接层，起到一个过滤的作用，从当前n个空间特征向量中，过滤出s个最适合研究区域空间自相关特征的特征向量； 步骤3，对时间数据进行编码和降维； 步骤4，局部重要性加权因子数据获取；对因子数据重要性打分，得到各因子局部重要性加权数据，选取的影响因子先通过一个自适应注意力层，得到各影响因子的重要性得分，然后将重要性得分与影响因子相乘，得到局部重要性加权后的因子数据； 步骤5，构建DEM加权的时空全连接残差神经网络，将步骤2中的空间特征向量、步骤3中的时间数据与步骤4中的因子数据进行拼接作为输入；所述DEM加权的时空全连接残差神经网络包括输入层、前后神经元个数对称的全连接神经网络、输出层；其中，输入层只包括一个全连接层和BN层，全连接神经网络的每一层包括全连接层、BN和ReLU函数，前面几层的输出结果跳跃连接到后面神经元个数一样的全连接层，输出层直接经过一个全连接层后输出结果，最后输出为PM2.5的估计值； 步骤6，模型构建完成后，设置好训练的总轮数和学习率，通过前向传播，在输出层得到PM2.5的估计值，然后利用损失函数根据估计值和真实值计算全局损失，然后利用Adam算法降低梯度进行反向传播，并不断调整参数直到模型收敛。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299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”。

以上内容由龙图腾AI智能生成。