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！

龙图腾网获悉大连海事大学申请的专利基于BLS的NAVTEX报文语境智能决策支持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：CN116756311B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202310574950.4，技术领域涉及：G06F16/353；该发明授权基于BLS的NAVTEX报文语境智能决策支持方法是由左毅;李心宇;蒋龙;李铁山;陈俊龙设计研发完成，并于2023-05-19向国家知识产权局提交的专利申请。

本基于BLS的NAVTEX报文语境智能决策支持方法在说明书摘要公布了：本发明公开了基于BLS的NAVTEX报文语境智能决策支持方法，对NAVTEX报文数据应用数据清洗和词型还原以及引用停用词等操作，并提出了报文语境标签来给报文标注类别，具体表现为对航行警告中所包含的报文内容进行分析，总结了6类报文语境标签。通过本发明能够做到准确提炼原始报文数据中的有效信息，并为后续的报文语境分类任务以及航行决策支持提供有力支持，使训练出来的报文特征更加精简且具有代表性。本发明基于BLS并对其加以改进，提高了NAVTEX报文语境分类的准确率，并为航海人员提供智能化的航行决策支持服务，能够有效降低工作强度并提高工作效率，同时也进一步增强了船舶的安全航行性能、丰富了助航设备的功能。

本发明授权基于BLS的NAVTEX报文语境智能决策支持方法在权利要求书中公布了：1.基于BLS的NAVTEX报文语境智能决策支持方法，其特征在于：包括以下步骤： S1、对NAVTEX报文数据进行预处理 NAVTEX报文数据即船舶航行过程中接收到的相关海上安全信息数据，NAVTEX报文数据预处理包括数据清洗、词型还原、引入停用词以及类别标注四部分，操作过程如下： S11、数据清洗 对原始报文进行数据清洗，剔除报文数据中的无效报文；并通过正则表达式的方法将报文中的非文本部分进行滤除，得到报文数据集，其中表示集合中的第条报文，为报文样本数； S12、词型还原 提取所述第条报文中单词的主干部分、去除词缀，将单词还原成原始形式； S13、引入停用词 利用报文单词相互之间的空格对其进行拆分；通过引入停用词，去除报文中的一些虚词、短语以及标点符号来减少词库中不需要进行分析的内容，从而得到一组报文特征词集合，其中表示第条报文的特征词集合； S14、类别标注 根据分析NAVTEX报文中描述内容后需要作出的相应行动进行分类标注的语境标签，设置为6个语境类别，分别是禁止进入、保持警惕、宽让、保持认真瞭望、核对计划航线、其他行为；其中，每个报文特征词集合至少对应一类标签，标签矩阵记为，其中，即L属于m为6类报文语境标签中的类标签，且； S2、对报文特征词进行加权处理 根据所述特征词集合，采用向量化和权重修正的方法对进行加权处理，步骤如下： S21、对报文的特征词集合进行向量化 将第条报文的特征词集合用报文特征向量表示，即，将看成是二元特征组构成的维特征向量；其中，表示第个报文特征向量的第个特征项；是特征项所对应的权重，代表特征项在报文里的重要程度；代表特征维度，任一维度均表示报文特征向量中的一个特征项，且为特征词集合中所有特征词数目去除包含的重复特征词数目后所剩余特征词的总数； S22、对报文特征项权重进行修正 当报文数据中的特征维度确定后，将报文特征向量简化为： 表示第条报文的特征项权重向量；对报文特征项权重进行修正包括以下步骤： S221、求解报文特征项的词频 报文特征项的词频表示特征项在报文特征向量中的频次，计算公式如下： 其中，为特征项在报文特征向量中出现的次数,为中所有特征项合计出现的次数； S222、求解报文特征项的逆文档频率 报文特征项的逆文档频率表示特征项在所有报文特征向量中出现的频率，其计算公式如下： 其中，代表所有中出现特征的报文特征向量数； S223、求解报文特征项的权重 将S2213和S222步骤所求得的结果相乘就得到特征项在中的权重，计算公式如下： 其中，归一化因子的计算公式如下： S3、将报文语境标签排序并进行编码 引入One-Hot编码，将类别变量转换为便于分类模型利用的形式，步骤如下： S31、对报文语境标签进行整数编码 规定6类报文语境标签排序并进行整数编码，分别将整数0至5依次对应分配给如步骤S14所述的6个语境类别；即将语境标签矩阵映射到整数标签矩阵，其中，为代表对应语境类别的整数组，且； S32、对整数标签进行One-Hot编码 将每个整数组均表示成一个二进制向量；根据共有6类整数值，从而确定二进制向量的长度为6；将每个整数组中的各个整数对应排序位置的索引标记为1，其余位置标记为0，则得到One-Hot标签矩阵： 其中，，且One-Hot标签向量中至少一个位置为1，其余位置皆为0； S4、建立语境智能决策支持模型 BLS的网络结构包括四个部分：输入样本层、特征映射层、增强节点层以及求解输出层权重；针对BLS的输出层进行改进来处理报文语境智能决策支持问题，语境智能决策支持模型训练流程如下： S41、将报文特征项权重矩阵作为输入 在输入样本层，将报文特征项权重矩阵输入到BLS网络，输入矩阵表示如下： 其中，为报文样本数，为特征维度，为特征项在报文特征向量中的权重； S42、将输入的报文特征项权重矩阵进行特征映射 BLS网络将对输入的报文特征项权重矩阵进行特征映射，通过特征映射函数将映射为组报文特征映射节点，设每组映射生成个节点，第组报文特征映射节点的计算公式如下： 其中，，将进行并连表示为且；并把映射的报文特征视作一层，即特征映射层；其中，为线性映射函数，为随机生成权值矩阵，为其对应偏置项； S43、生成报文增强节点 将S42步骤得到的组报文特征映射节点和增强节点层进行连接，随机生成权重系数矩阵和偏置项，通过非线性函数将映射为组随机生成权重的报文增强节点，即得到增强节点层；设每组映射生成个节点，代表第组报文增强节点，计算公式如下： 将进行并连表示得到，其中； S44、求解连接权值矩阵 分别将由S42步骤得到的和由S43步骤得到的并连表示为： 将特征映射层和增强节点层并连得到的直接连接到输出端，称为输出层；因此，输出的概率矩阵为： 其中，为输出层的连接权值矩阵，则有： 式中表示矩阵的伪逆矩阵，通过求解的岭回归近似解来计算，进而得到连接权值矩阵，至此模型训练结束，计算公式如下： 其中代表单位矩阵，为的转置矩阵； S45、多标签输出 BLS输出的概率矩阵Y计算如下： 其中，，6为报文语境类别数，为第条报文样本经过分类模型后所得的对应输出概率向量，分别为其中对应报文语境类别的概率值；在BLS的输出层对每个中的进行均一化处理，计算公式如下： 使其输出为均一化矩阵，表示如下： 此时，每个输出均一化向量中有；再通过设置判定函数来对每个均一化向量中的进行筛选，公式如下： 其中，为阈值，当大于设置的时，则即；当小于设置的时，则即；则BLS最终的多标签输出矩阵表示如下： 其中，代表第条报文所对应的输出向量，；且输出向量中至少一个位置为1，其余位置皆为0；根据与步骤S32得到的One-Hot标签矩阵进行对比判定此报文语境类别，从而得到报文语境分类结果。

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大连海事大学，其通讯地址为：116026 辽宁省大连市高新园区凌海路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”。

以上内容由龙图腾AI智能生成。