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！

龙图腾网获悉浙江大学申请的专利基于注意力分解机制的核电安全辐射剂量率预测器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：CN120069167B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202510059144.2，技术领域涉及：G06Q10/04；该发明授权基于注意力分解机制的核电安全辐射剂量率预测器是由龚开;许浒;杨维耿;张志猛;赵顺平;钮云龙;刘兴高设计研发完成，并于2025-01-15向国家知识产权局提交的专利申请。

本基于注意力分解机制的核电安全辐射剂量率预测器在说明书摘要公布了：本发明公开了一种基于注意力分解机制的核电安全辐射剂量率预测器，包括数据库、上位机和传感器，数据库、上位机和传感器依次连接。所述数据库中包含核电安全历史监测的辐射剂量率数据。所述上位机包括监督训练模块、数据预测模块和预测显示模块，监督训练模块使用核电安全历史监测数据训练深度预测网络模型并传入数据预测模块中。所述传感器实时获取核电安全监测数据并传入所述上位机的数据预测模块进行预测估计，在所述上位机的预测显示模块显示预测结果。本发明创新性的使用注意力分解机制，得到数据的季节和趋势特征，更好把握数据内在特征和规律，实现高准确率、在线预测的基于注意力分解机制的核电安全辐射剂量率预测器。

本发明授权基于注意力分解机制的核电安全辐射剂量率预测器在权利要求书中公布了：1.一种基于注意力分解机制的核电安全辐射剂量率预测器，其特征在于：包括数据库、上位机和传感器，数据库、上位机和传感器依次连接；所述数据库用于存储核电安全历史监测的辐射剂量率数据，数据库中存储的数据供上位机使用；所述上位机包括依次相连的监督训练模块、数据预测模块和预测显示模块；所述上位机的监督训练模块使用核电安全历史监测的辐射剂量率数据训练深度预测网络模型，然后将训练完成的深度预测网络模型上传到所述上位机的数据预测模块中；所述传感器实时获取核环境监测数据，并上传到所述上位机的数据预测模块中，数据预测模块对实时核环境监测数据进行预测估计；最后在所述上位机的预测显示模块显示预测结果； 所述监督训练模块包括深度预测网络嵌入层模块、深度预测网络编码器模块、深度预测网络解码器模块和深度预测网络训练模块： 1深度预测网络嵌入层模块，所述深度预测网络嵌入层模块对核电安全历史监测的辐射剂量率数据进行嵌入编码处理，包含位置嵌入、标记嵌入和时间嵌入： Xem＝PositionXin+TokenXin+TemporalXin      1其中，Xin＝Xt表示输入的核电安全历史监测的辐射剂量率数据，Position·、Token·和Temporal·分别表示位置嵌入、标记嵌入和时间嵌入操作，Xem表示深度预测网络嵌入层模块的输出； 2深度预测网络编码器模块，所述深度预测网络编码器模块对所述深度预测网络嵌入层模块输出编码以进行特征提取；具体过程如下： 首先，对所述深度预测网络嵌入层模块输出进行多头注意力提取： Xa＝MultiHeadXem     5其中Xa表示经过多头注意力的编码输出； 接着，分解多头注意力层的输出，定义分解多头注意力层输出的模块为分解器；分解器在特征提取步骤之前对输入进行填充操作，然后通过一维平均池化层，使用平均池化层来遍历整个数据时间序列并找到其季节和趋势特征，不同大小的卷积核提取不同长度的季节和趋势特征；获得最终的季节和趋势项： 其中，Decomposer·表示分解器操作，和分别表示编码器中的数据的季节和趋势特征项； 然后，使用卷积层分别学习编码器的季节和趋势的特征项；卷积层的输出再次通过分解器，以进一步揭示数据的时间相关性： 其中，和分别表示特征提取后的编码器中的数据的季节和趋势特征项； 最后，深度预测网络编码器模块输出由前馈层获得： 其中，LayerNorm·表示层归一化操作，Linear·表示多层感知器，Xen表示深度预测网络编码器模块输出； 3深度预测网络解码器模块，所述深度预测网络解码器模块对所述深度预测网络编码器模块输出进行解码并得到最终的预测输出；具体过程如下： 首先，原始数据即检测数据直接进入解码器而不进行嵌入处理；解码器的第一个模块是分解器： 其中，和分别表示解码器中的数据的季节和趋势特征项，Xde＝Xt表示解码器的输入数据，即原始数据； 接着，使用卷积层分别学习解码器的季节和趋势的特征项得到特征提取后的解码器中的季节和趋势特征项和最后，所述深度预测网络编码器模块的输出与特征提取后的解码器中的季节和趋势特征项求和并输入到前馈层以获得解码器输出： 其中，是网络预测的第t+T+1到第t+T+H个时间步的辐射剂量率，α表示深度预测网络编码器模块输出Xen的输出占比因子； 4深度预测网络训练模块，所述深度预测网络训练模块用以训练深度预测网络模型，训练目标为： 其中，表示损失函数，训练过程中使用反向传递训练模型； 5将训练完成的深度预测网络模型上传到所述数据预测模块中。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。