Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 南京信息工程大学雷强强获国家专利权

南京信息工程大学雷强强获国家专利权

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!

龙图腾网获悉南京信息工程大学申请的专利一种基于时空注意力机制的雷达回波外推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:CN121049908B

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:202511553803.4,技术领域涉及:G01S13/95;该发明授权一种基于时空注意力机制的雷达回波外推方法是由雷强强;张其林;赵子琪;段春旭;宋琳设计研发完成,并于2025-10-29向国家知识产权局提交的专利申请。

一种基于时空注意力机制的雷达回波外推方法在说明书摘要公布了:本发明公开了一种基于时空注意力机制的雷达回波外推方法,首先获取目标区域的雷达回波数据,并对获得的雷达回波数据进行预处理,对预处理后的雷达回波数据进行滑动分组,并进行数据增广,得到雷达回波序列数据集,然后将其划分训练集和测试集;构建基于SimVP架构的雷达回波预测网络模型并进行训练及测试,采用多目标损失函数来监督模型训练;实时预测得到未来雷达回波图像。通过本发明方法,能够更准确地捕捉风暴等复杂天气现象的动态演变,能显著提升短时临近天气预报的精度和可解释性,为气象灾害的及时、精准预警提供了更可靠的技术支撑,具有重要的实际应用价值。

本发明授权一种基于时空注意力机制的雷达回波外推方法在权利要求书中公布了:1.一种基于时空注意力机制的雷达回波外推方法,其特征在于,针对目标区域,执行如下步骤S1-步骤S5,完成目标区域未来雷达回波图像的预测: 步骤S1:采集目标区域的雷达回波数据,并对获得的雷达回波数据进行预处理,基于预处理后的雷达回波数据,构建雷达回波数据集; 步骤S2:对步骤S1得到的雷达回波数据集进行滑动分组,获得雷达回波序列数据,并进行数据增广,得到雷达回波序列数据集,然后将雷达回波序列数据集划分为训练集和测试集; 步骤S3:构建基于SimVP架构的雷达回波预测网络模型,包括顺序连接的Encoder编码器、Translator时空转换器、Decoder解码器;Encoder编码器还与Decoder解码器相连,雷达回波预测网络模型以雷达回波序列数据集中的雷达回波序列数据为输入,以预测的目标区域未来雷达回波图像为输出; Encoder编码器包括卷积核大小均为3×3的4组卷积层,Encoder编码器的隐藏表达式如下: ; 其中,表示非线性激活函数SiLU,表示归一化层操作,表示卷积核大小为3×3的卷积层操作,代表输入到第i个卷积层中的张量;i=1时,代表输入到Encoder编码器中的张量;卷积层的步长为1,每两个卷积层之间进行一次下采样,下采样的步长为2,Encoder编码器总共进行两次下采样; Translator时空转换器包括8个时空注意力模块,每个时空注意力模块依次包含通道注意力模块与空间注意力模块;首先,通道注意力模块通过全局平均池化提取输入特征的全局信息,并利用通道卷积与激活函数处理输入特征,生成通道注意力图;通道注意力图与输入特征进行逐元素相乘,得到通道加权特征;随后,通道加权特征输入至空间注意力模块,进一步生成空间注意力图;空间注意力图经卷积模块进行通道混合,最终,通过将通道混合结果与通道加权特征进行逐元素相乘,得到输出特征;时空注意力模块的隐藏表达式如下: ; ; ; 其中,表示时空注意力模块的输入特征;和分别表示通道注意力模块和空间注意力模块的输出;代表卷积核大小为1×3和3×1的深度卷积层操作;代表多个卷积核大小不同的深度可分离空洞卷积层操作;代表卷积核大小为1×1卷积层操作;代表全局平均池化;表示克罗内克积;表示哈达玛积;表示时空注意力模块的输出特征; Decoder解码器与Encoder编码器结构对称,包括卷积核大小均为3×3的4组反卷积层,并在Encoder编码器的第一层和Decoder解码器的最后一层之间添加跳跃连接;Decoder解码器隐藏表达式如下: ; 其中,表示非线性激活函数SiLU,表示归一化层操作,表示卷积核大小为3×3的反卷积层操作;表示输入到第i个反卷积层中的张量,i=1时,表示输入到Decoder解码器中的张量;反卷积层步幅大小设为1,然后对于每两个反卷积层用PixelShuffle执行一次上采样操作,Decoder解码器总共进行两次上采样; 步骤S4:采用步骤S2中所划分的训练集和测试集对步骤S3中所构建的雷达回波预测网络模型进行训练及测试,并构建多目标损失函数,采用多目标损失函数监督雷达回波预测网络模型训练,获得训练好的雷达回波预测网络模型; 步骤S5:实时收集雷达回波数据,按照步骤S1相同方法进行预处理,以及按照步骤S2相同方法进行滑动分组,得到实时雷达回波序列数据集,输入到步骤S4中训练好的雷达回波预测网络模型中,得到预测的未来雷达回波图像。

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南京信息工程大学,其通讯地址为:210032 江苏省南京市江北新区宁六路219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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。