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！

龙图腾网获悉中国科学院合肥物质科学研究院申请的专利一种基于神经网络深度变换低秩张量恢复的北斗时空数据填补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：CN120578952B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202510639091.1，技术领域涉及：G06F18/214；该发明授权一种基于神经网络深度变换低秩张量恢复的北斗时空数据填补方法是由孟宪伟;鲁一行;贾琳设计研发完成，并于2025-05-19向国家知识产权局提交的专利申请。

本一种基于神经网络深度变换低秩张量恢复的北斗时空数据填补方法在说明书摘要公布了：本发明公开了一种基于神经网络深度变换低秩张量恢复的北斗时空数据填补方法，涉及时空大数据技术和人工智能技术领域，本发明将基于迭代优化算法的变换低秩张量恢复步骤进行简化和提取，借鉴深度展开网络的思想，将迭代优化过程展开成神经网络的网络层，并通过将原优化算法中的参数和关键算子设置为可学习网络参数，构建一种深度变换张量恢复网络，最后对真实北斗场景下的时空交通流数据进行缺失值填补实验。本发明不仅能有效提升原始基于优化迭代求解的变换张量低秩恢复算法在时空数据上的填补效果，且可以利用深度学习框架和GPU并行计算资源提高算法运行速度和实际使用效率。

本发明授权一种基于神经网络深度变换低秩张量恢复的北斗时空数据填补方法在权利要求书中公布了：1.一种基于神经网络深度变换低秩张量恢复的北斗时空数据填补方法，其特征在于，包括以下步骤： S1，获取原始交通数据流并组织构建成三维时空张量，用于神经网络的输入、训练和测试； S2，分析使用迭代优化算法求解的变换低秩张量恢复算法过程，筛选提取其中的关键子问题，作为神经网络中的计算更新模块； S3，收集迭代优化算法中涉及的更新参数、变换算子，设置为可学习网络参数，作为参数学习模块； S4，将步骤S2中的计算更新模块和步骤S3中的参数学习模块合并构建深度变换张量恢复网络； S5，在深度学习框架下构造损失函数，选用优化器进行反向传播的训练； S6，利用步骤S5中训练完成的模型在测试数据上进行时空数据填补； 步骤S2具体如下所示： S21、选择一种基于变换诱导低秩张量的北斗时空交通数据恢复方法，提取优化问题： 其中，为待恢复张量；、、为张量展开乘法；为由原张量经过张量展开乘法变换成的新张量；为激活函数；为仅包含观测值的张量；为单位矩阵；G、H、T为三个半正交变换矩阵；为映向采样空间的投影算子； S22、分析该优化问题的求解过程，按照如下顺序进行子问题的迭代求解： 其中，，上标k表示迭代算法的第k轮的迭代结果； S23、选取其中的、、子问题，构建神经网络模块M、D、P作为计算更新模块，使用、、子问题在步骤S21中优化问题下及步骤S22中迭代求解步骤中的闭式求解过程，分别作为神经网络模块M、D、P内部的前向传播过程； 其中，子问题的闭式解过程为： 其中，，表示采样空间的补空间，实数为设置的更新参数；为包含原始收集数据的张量；神经网络模块M即为以、为输入，以为输出的网络运算模块； 按照子问题的闭式解过程，以子问题的闭式解过程构造神经网络模块D，子问题的闭式解过程为： 其中，表示奇异值缩减算子；表示第i个正面切片； 按照子问题的闭式解过程，以子问题的闭式解过程构造神经网络模块P，子问题的闭式解过程为： 其中，为三阶张量中的索引为对应的元素，为三阶张量中的索引为对应的元素，，该子问题可拆解为个一维二次非线性优化问题，可通过牛顿法求解； 实数为设置的更新参数； S24、将神经网络模块M、D、P以顺序串联构成网络层，设置K为网络层数，构成K层的前向传播过程。

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科学院合肥物质科学研究院，其通讯地址为：230031 安徽省合肥市蜀山区蜀山湖路350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。