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！

龙图腾网获悉太原科技大学申请的专利基于图对比学习的多模态时序天文数据训练方法、装置及存储介质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：CN120951262B 。

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：202511162894.9，技术领域涉及：G06F18/25；该发明授权基于图对比学习的多模态时序天文数据训练方法、装置及存储介质是由蔡江辉;安国娇;杨海峰;荀亚玲;王杰设计研发完成，并于2025-08-19向国家知识产权局提交的专利申请。

本基于图对比学习的多模态时序天文数据训练方法、装置及存储介质在说明书摘要公布了：本申请提供了一种基于图对比学习的多模态时序天文数据训练方法、装置及存储介质，属于天文数据处理领域；解决了现有的深度学习方法在处理多模态天文数据融合时存在的局限性；方法包括三个关键步骤：天文数据构图模型负责将原始数据结构化；基于自注意力机制的多模态天文时序数据融合模型，能够有效整合来自不同观测时期及不同模态的数据，实现更深层次的特征融合；基于图对比学习的特征学习模型在图结构层次进一步提取更加具有区分度和代表性的特征；本申请针对天文图像数据、光谱数据、星表数据以及文本数据的多模态数据，并结合不同时间维度的数据进行特征融合，通过构图‑融合‑再构图的方式，利用图对比学习从图的角度挖掘更加具体的特征。

本发明授权基于图对比学习的多模态时序天文数据训练方法、装置及存储介质在权利要求书中公布了：1.一种基于图对比学习的多模态时序天文数据训练方法，其特征在于：包括以下步骤： 步骤一、数据准备与预处理：收集多种模态的天文数据并进行预处理，得到在时序上相互关联的多模态天文数据； 步骤二、构建多模态天文时序数据构图模型：将各模态、各时序天文数据中的基本单元抽象为图中节点，通过计算节点所携带特征之间的相似性，构建边，得到一系列反映不同时间、不同模态的图集合； 步骤三、构建基于自注意力机制的多模态天文时序数据融合模型，将每个时间步、每个模态对应的图结构输入图神经网络中抽取出节点级别的特征表示，捕获节点自身属性及其与邻居节点的交互信息，然后通过多模态天文时序数据融合模型将具有时序属性的多模态天文数据进行时序特征融合，并将抽取出的每个节点的多模态特征进行跨模态特征拼接与自注意力融合，得到融合了所有模态信息的统一特征表示； 步骤三中通过多模态天文时序数据融合模型进行时序特征融合和跨模态特征融合的具体过程如下： S3.1：针对具有时序属性的图像数据和光谱数据，采用平均池化策略来整合其时序信息，将时序信息压缩为一个固定维度的特征向量，为图像数据和光谱数据各自生成一个统一的初步特征表示； S3.2：将处理后的四种模态的初步特征沿着节点特征维度进行拼接，将拼接后的特征向量输入自注意力机制，最终输出一个融合四种模态信息的、更具判别力的统一特征表示； 步骤四、构建基于图对比学习的特征学习模型：将统一特征表示构造为新图，并基于新图构造显著性分数图，通过基于显著性分数图的增强策略得到增强图，之后选择正负样本对进行对比，计算对比损失并进行特征优化和模型训练，得到更新后的统一特征表示； 步骤四中基于新图构造显著性分数图的过程如下： 首先，通过基于梯度的方法计算新图中每个节点的初始显著性分数； 接着，通过聚合当前节点及其相邻节点的显著性分数，对每个节点的初始显著性分数进行优化，从而获得聚合了节点自身显著性及邻居节点显著性的最终节点显著性sv； 对于边显著性，则通过取其连接的两个节点显著性分数的平均值得到； 步骤四中基于显著性分数图的增强策略包括两部分：节点特征掩蔽以及边权重改变； 其中节点特征掩蔽的策略为：基于节点显著性分数的指导，将对于显著性分数图的影响程度较大的节点特征进行保留，只对那些影响程度较小的节点特征进行随机屏蔽； 边权重改变的策略为：用边的显著性分数替换邻接矩阵中对应边的原始权重，即原始邻接矩阵中的1。

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太原科技大学，其通讯地址为：030024 山西省太原市万柏林区窊流路66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。