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！

龙图腾网获悉福建中锐网络股份有限公司申请的专利基于神经网络和GCN深度学习模型的水库水位预测预警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：CN115310536B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202210940746.5，技术领域涉及：G06F18/241；该发明授权基于神经网络和GCN深度学习模型的水库水位预测预警方法是由马森标;李佐勇;黄祖海;陈友武;卢维楷;王小川;郭宝椿设计研发完成，并于2022-08-06向国家知识产权局提交的专利申请。

本基于神经网络和GCN深度学习模型的水库水位预测预警方法在说明书摘要公布了：本发明提供了基于神经网络和GCN深度学习模型的水库水位预测预警方法，包括以下步骤：步骤S1：获取水库雨水情数据，按照采集时间进行排序；步骤S2：模型输入数据通过CNN编码器、GCN编码器两个主要模块提取特征；步骤S3：基于一维卷积神经网络和GCN混合深度学习模型对水库水位数据集进行训练；步骤S4：读取步骤S3中储存在云端或本地的水库水位预测模型，进行水库水位预测。应用本技术方案可实现降低模型深度学习的神经网络层数与训练难度，且提高模型水库水位预测的准确率。

本发明授权基于神经网络和GCN深度学习模型的水库水位预测预警方法在权利要求书中公布了：1.基于神经网络和GCN深度学习模型的水库水位预测预警方法，其特征在于包括以下步骤： 步骤S1：获取水库雨水情数据，按照采集时间进行排序； 步骤S2：模型输入数据通过CNN编码器、GCN编码器两个主要模块提取特征； 步骤S3：基于一维卷积神经网络和GCN混合深度学习模型对水库水位数据集进行训练； 步骤S4：读取步骤S3中储存在云端或本地的水库水位预测模型，进行水库水位预测； 步骤S2具体包括以下以下步骤： 步骤S21：一维CNN编码器特征提取； 步骤S22：构建GGL生成图数据结构； 步骤S23：GCN编码器特征提取； 所述步骤S21具体包括： 构建第一个一维卷积层；将模型输入数据的尺寸重塑为B*D,1,H，将batch维度与变量维度合并，使得CNN对每个向量进行卷积，作为第一个一维卷积层输入，一维卷积层Conv1d1,8,3,1,1使用1*3的卷积核，卷积步长为1，获取数据后提取特征的同时保留住原序列长度，卷积后进行一维批归一化操作及ReLU函数激活，输出尺寸为B*D,8,H的特征向量； 构建第二个一维卷积层，一维卷积层Conv1d8,16,3,1,1使用1*3的卷积核，卷积步长为1，以上层输出的尺寸为B*D,8,H的特征向量作为输入提取特征同时保留长度，卷积后进行一维批归一化操作及ReLU函数激活，输出尺寸为B*D,16,H的特征向量； 构建第三个一维卷积层，一维卷积层Conv1d16,32,3,1,1使用1*3的卷积核，卷积步长为1，以上层输出的尺寸为B*D,16,H的特征向量提取特征同时保留长度，卷积后进行一维批归一化操作及ReLU函数激活，输出尺寸为B*D,32,H的特征向量； 构建第四个一维卷积层，一维卷积层Conv1d32,64,3,1,1使用1*3的卷积核，卷积步长为1，对上层输出的尺寸为B*D,32,H的特征向量提取特征同时保留长度，卷积后进行一维批归一化操作及ReLU函数激活，最终输出尺寸为B*D,64,H的特征向量； 构建一维自适应最大池化层，保留尺寸为B*D,64,H的特征向量的每个通道上最大的一个值，输出尺寸为B*D,64,1的特征向量，再去除冗余维度，将特征向量矩阵降维，输出尺寸为B*D,64的特征向量，最后通过特征维度归一化层； 所述步骤S22具体包括： 构建图生成层，首先定义线性变换层的输入输出维度linear64,10，将输入尺寸为B*D,64的特征向量转化输出为尺寸为B*D,10的特征向量，其过程表示为： 在公式2中X为经过CNN编码器特征提取以后的特征向量矩阵，Xi为输入的特征向量，Wji为第j个输出的第i个输入权值参数，bj为第j个输出的偏置参数，使用Relu函数激活，为输出特征矩阵，n表示输入权值参数的个数； 图生成层从特征图中生成动态图数据结构，通过遍历尺寸为B*D,B*D的特征向量矩阵第一维的数值和索引间的堆砌与拼接来计算边缘的索引，得到尺寸为2,B*D*B*D的边缘索引邻接矩阵，每次前向传播会产生动态变化，每一轮都进行迭代更新；首先转置特征向量，通过内积计算变量与变量的相似度，按最大值归一化同时制定维度为1，然后节点数设为特征图第一维的数值，其函数表达式为： 在公式3中，表示特征向量X经过全连接层输出后的特征向量，T为转置符号，normlize表示归一化函数，A为生成图数据结构的邻接矩阵，为公式2中X特征向量经过全连接层输出后的特征向量，即表示特征向量的转置向量，进一步地通过保留余弦距离Top-k的边缘，只保留相似度前k大的边缘，得到稀疏化的邻接矩阵A-，其函数表达如公式4所示； A-＝TOP-kA4 所述步骤S23具体包括： 构建MRF_GCN模块，使用Dropout随机失活防止过拟合，图生成层生成的动态图数据结构输入MultiChev层进行图神经卷积操作，Chevnet阶次设为1，从图数据结构中挖掘节点间的相关信息，将输出通道维度设为50，再进入正则化层将特征向量的重塑为尺寸为，batch*变量，50的特征向量，输出尺寸为B*D,50的特征向量；提取的特征向量最后经过一个带ReLU激活函数的线性层进行特征变换，该线性层输入输出维度为50,64，输出尺寸为B*D,64的特征向量，最后重塑特征向量的尺寸，按原来的batch拼接回去，输出尺寸为B,64*D的特征向量； 构建线性回归预测层，对任务一、任务二分别定义不同的网络，当执行任务一时，线性层的输入和输出维度设定为64*3,1；当执行任务二时，线性层的输入和输出维度设定为64*5,1，最后，模型输出尺寸为B，1的特征向量，从而得到基于一维卷积神经网络和GCN混合深度学习模型； 全连接层计算公式5如下： 其中，Dj为第j个输出，f为激活函数，Wji为第j个输出的第i个输入权值参数，εj为第j个输出的偏置参数，n为输入的总数。

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福建中锐网络股份有限公司，其通讯地址为：350108 福建省福州市闽侯县福州大学国家大学科技园8号楼5层；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。