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！

龙图腾网获悉南京气象科技创新研究院申请的专利嵌入深度神经网络的边界层次网格物理约束变分同化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：CN121118705B 。

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：202511666762.X，技术领域涉及：G06F30/27；该发明授权嵌入深度神经网络的边界层次网格物理约束变分同化方法是由李昕;李逸;孙世玮;庄园;王世璋;郑玉;崔志强设计研发完成，并于2025-11-14向国家知识产权局提交的专利申请。

本嵌入深度神经网络的边界层次网格物理约束变分同化方法在说明书摘要公布了：本发明公开一种嵌入深度神经网络的边界层次网格物理约束变分同化方法，包括：建立包含边界层次网格湍流摩擦项的动量方程，其中所述边界层湍流摩擦项通过深度神经网络模拟；并以该动量方程构建变分同化框架代价函数的弱约束项；以历史数值天气预报模式模拟结果构建的数据集训练所述深度神经网络；对训练后的深度神经网络进行线性化，得到相应的切线性算子与伴随算子，并嵌入所述变分同化框架代价函数中；获取多源遥感观测资料与数值天气预报模式背景场，以所述代价函数最小化为目标，求解分析场，完成资料同化。本发明能够提高台风等灾害性天气资料同化和数值预报水平，尤其是与边界层相关的观测同化水平。

本发明授权嵌入深度神经网络的边界层次网格物理约束变分同化方法在权利要求书中公布了：1.一种嵌入深度神经网络的边界层次网格物理约束变分同化方法，其特征在于，包括如下步骤： S1、建立包含边界层次网格湍流摩擦项的动量方程，其中所述边界层湍流摩擦项通过深度神经网络模拟；并以该动量方程构建变分同化框架代价函数的弱约束项；变分同化框架代价函数，表示为： ； 其中，表示代价函数，为观测罚项，为静态背景误差协方差对应的背景罚项，为集合背景误差协方差对应的背景罚项，为权重系数，是弱约束项，其定义为： ； 其中，为动力权重，其是一个对角矩阵，对角线元素取值相同；是包含边界层次网格湍流摩擦项的动量方程，表示为： ； 其中，是水平风场矢量，包含风场分量和；是气压，是位势高度，是大气密度，是科氏参数；表示两个水平方向的边界层湍流摩擦项，对于两个水平方向的边界层湍流摩擦项，采用机器学习算子来模拟数值模式边界层参数化产生的水平风场倾向和，以水平风场倾向表征在水平动量方程约束中边界层湍流摩擦项，表示为： ； ； 其中，和是由机器学习模拟得到的两个水平方向上的边界层风倾向；机器学习模型的输入特征包括边界层内的水平风分量和、温度、水汽混合比以及地表气压； 据此，将动量方程表示为： ； 其中，代表机器学习算子，采用深度神经网络构建机器学习算子，所述深度神经网络采用全连接多层神经网络架构，包含N-1个带激活函数的非线性层和1个线性输出层，输出层输出边界层水平风场倾向，输入层和隐藏层均保持固定的网络宽度，第层神经网络算子表示为： ； 其中，为输入向量，为第层的中间输出，和分别是第层的权重矩阵和偏置向量，为激活函数； S2、以历史数值天气预报模式模拟结果构建的数据集训练所述深度神经网络，学习边界层水平风场倾向与大气状态变量之间的非线性映射关系； S3、对训练后的深度神经网络进行线性化，得到相应的切线性算子与伴随算子，并嵌入所述变分同化框架代价函数中；具体为： 对神经网络算子进行求导并应用链式法则，将深度神经网络的切线性算子表示为： ； 其中，和分别表示和的扰动，是一个对角矩阵，其对角线元素由激活函数的导数构成； 深度神经网络的伴随算子通过对切线性算子进行转置得到，表示为： ； 其中，和分别表示任意神经网络输出对和的偏导数； 将深度神经网络的切线性算子和伴随算子分别加入动量方程约束的切线性算子和伴随算子中，所述动量方程约束的切线性算子，表示为： ； 其中，上划线符号表示背景场状态，撇号符号表示增量； S4、获取多源遥感观测资料与数值天气预报模式背景场，以所述代价函数最小化为目标，求解分析场，完成资料同化。

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气象科技创新研究院，其通讯地址为：210019 江苏省南京市建邺区雨顺路8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。