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！

龙图腾网获悉吉林大学申请的专利一种基于预训练网络的动态系统序列表示学习方法及装置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：CN119578486B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202411619169.5，技术领域涉及：G06N3/08；该发明授权一种基于预训练网络的动态系统序列表示学习方法及装置是由张正楠;李熙铭;王一鸣;欧阳继红;张耕赫;但佳文设计研发完成，并于2024-11-13向国家知识产权局提交的专利申请。

本一种基于预训练网络的动态系统序列表示学习方法及装置在说明书摘要公布了：本发明提供一种基于预训练网络的动态系统序列表示学习方法及装置，涉及人工智能技术领域。该方法包括：获取动态系统的观测数据；观测数据包括：动态系统的对象的观测值；将观测值分为第一序列和第二序列；对第一序列添加高斯噪声，通过归一化处理，获得归一化处理后的第一序列；构建动态系统建模的预训练模型；采用线性数据投影模块对归一化处理后的第一序列进行数据投影，获得线性投影后的序列；采用预训练的语言模型对线性投影后的序列进行重构，获得重构后的序列和预测序列；采用最小化重构损失构建模型的损失函数；根据损失函数进行训练，获得动态系统建模的预训练模型。采用本发明可提高动态系统建模的精准度。

本发明授权一种基于预训练网络的动态系统序列表示学习方法及装置在权利要求书中公布了：1.一种基于预训练网络的动态系统序列表示学习方法，其特征在于，所述方法包括： S1、获取动态系统的观测数据；所述观测数据包括：动态系统的对象的观测值； 其中，动态系统为交通系统； 其中，交通系统生成多组观测数据表示为其中，每个对应不同的参数，包括系统的对象数量和序列长度；M表示组数；表示N个对象的观测值；ε表示对象之间的相互作用；对象的观测值表示为表示时间序列长度，V表示动态系统状态的维度； S2、将所述观测值分为第一序列和第二序列； S3、构建初始的动态系统建模的预训练模型；所述初始的动态系统建模的预训练模型包括：线性数据投影模块以及预训练的语言模型； S4、对所述第一序列添加高斯噪声，通过归一化处理，获得归一化处理后的第一序列；将归一化处理后的第一序列输入所述线性数据投影模块中进行数据投影，获得线性投影后的序列； S5、将所述线性投影后的序列输入所述预训练的语言模型中进行重构，获得重构后的序列和预测序列； 其中，所述预训练的语言模型，包括：卷积层、编码器以及解码器； 其中，所述卷积层用于维护局部语义信息，将输入状态的维度调整到所述编码器输入的维度； 其中，所述编码器用于对输入序列进行编码； 其中，所述解码器包括两个线性层：第一线性层和第二线性层，用于对隐藏特征进行解码，获得重构后的序列； 其中，所述S5的将所述线性投影后的序列输入所述预训练的语言模型中进行重构，获得重构后的序列和预测序列，包括： S51、将所述线性投影后的序列输入所述预训练的语言模型中，通过卷积层以及编码器进行处理，获得重构序列； S52、将重构序列同时输入第一线性层与第二线性层中进行计算，通过第一线性层的处理获得重构后的序列，通过第二线性层的处理，获得预测序列； S6、根据所述重构后的序列、所述预测序列、所述第一序列以及所述第二序列，采用最小化重构损失，构建动态系统建模的预训练模型的损失函数； S7、根据所述损失函数对所述初始的动态系统建模的预训练模型进行训练，获得训练好的动态系统建模的预训练模型； 其中，采用训练好的动态系统建模的预训练模型的参数作为微调的初始参数，针对特定的动态系统进行建模，得到特定的动态系统的ODE网络表达形式；其中，特定的动态系统为交通系统。

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吉林大学，其通讯地址为：130012 吉林省长春市吉林大学前卫南区；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。