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
专利交易 积分商城 国际服务 IP管家助手 科技果 科技人才 商标交易 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 中国海洋大学殷晓斌获国家专利权

中国海洋大学殷晓斌获国家专利权

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!

龙图腾网获悉中国海洋大学申请的专利一种基于多要素输入深度卷积网络的海面高度变化预测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:CN115357672B

龙图腾网通过国家知识产权局官网在2026-03-10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:202210794175.9,技术领域涉及:G06F18/20;该发明授权一种基于多要素输入深度卷积网络的海面高度变化预测方法是由殷晓斌;张阳;徐青;王晗设计研发完成,并于2022-07-07向国家知识产权局提交的专利申请。

一种基于多要素输入深度卷积网络的海面高度变化预测方法在说明书摘要公布了:本发明属于海洋要素预测技术领域,公开了一种基于多要素输入深度卷积网络的海面高度变化预测方法,包括以下步骤:S1选取区域内若干年海平面异常SLA数据、海面温度SST数据、海面风场数据建立历史混合数据集;S2利用海平面异常SLA数据、海面温度SST数据、海面风场数据建立海面环境场,结合注意力机制对时空信息进行加权筛选,构建多要素输入的海面高度变化预测网络M‑A‑DNN;S3使用历史混合数据集训练得到海面高度变化预测模型,并将待预测数据输入模型,得到预测结果。本发明将海洋动力过程的物理约束与深度学习方法有机结合,提高了短期海平面异常预报精度,为海况预测及气候预报提供重要的参考信息。

本发明授权一种基于多要素输入深度卷积网络的海面高度变化预测方法在权利要求书中公布了:1.一种基于多要素输入深度卷积网络的海面高度变化预测方法,其特征在于,包括以下步骤: S1、选取区域内若干年海平面异常SLA数据、海面温度SST数据、海面风场数据建立历史混合数据集; S2、利用海平面异常SLA数据、海面温度SST数据、海面风场数据建立海面环境场,结合注意力机制对时空信息进行加权筛选,构建多要素输入的海面高度变化预测网络M-A-DNN; 步骤S2中构建的多要素输入的海面高度变化预测网络M-A-DNN分为内部网络和外部网络,外部网络包括:环境场数据融合层、混合层、空间注意力层、时间注意力层、SLA特征保留层、融合层和回归层,内部网络包括三层M-A-DNN单元; 所述环境场数据融合层输入分为时间序列经向风速、纬向风速和海面温度,环境场数据融合层中使用经向风速和纬向风速计算海面风应力旋度,并与海面温度场进行叠加得到海面混合环境场数据,通过卷积提取海面混合环境特征E0,并分别通过一次池化、两次池化、三次池化得到不同尺度环境特征E1、E2、E3; 将海面混合环境特征E0与海平面异常SLA数据进行空间加权融合得到混合场数据D,通过三层M-A-DNN单元训练获得区域海面不同尺度的混合特征,其中,每个M-A-DNN单元都包括池化层、空间注意力层、时间注意力层、卷积层、SLA特征保留层和信息融合层;每个M-A-DNN单元中首先通过池化层增大感受野,然后分别结合空间注意力和混合注意力对输入的海面混合信息进行时空加权筛选,将经过注意力筛选后的海面混合信息通过多个卷积层进行特征提取,得到海面要素时空特征图,最后将未经过注意力加权的最后一天SLA数据的空间特征进行保留,与海面要素时空特征图结合,构成残差结构;所述的三层M-A-DNN单元训练获得区域海面不同尺度的混合特征具体如下: 经过第一层M-A-DNN单元,得到第一尺度海面时空混合特征F1,将F1传入第二层M-A-DNN单元,得到第二尺度海面时空混合特征F2,将F2传入第三层M-A-DNN单元,得到第三尺度海面时空混合特征F3;将第三尺度海面时空混合特征F3与相同尺度的环境特征E3在信息融合层进行卷积操作及差分,得到初步预测SLA特征分布H3,经过上采样缩小感受野后传入上一层M-A-DNN单元的信息融合层;对于第二层M-A-DNN单元,其信息融合层将所得空间混合特征F2与下层单元同一尺度后的初步预测SLA特征分布H3进行连接,再与第二尺度环境特征E2进行卷积操作及差分,得到预测SLA特征分布H2;同样的,将h2同一尺度后传入第一层M-A-DNN单元的信息融合层,将所得空间混合特征F1与H2进行连接,与环境特征E1进行卷积操作及差分,得到预测SLA特征分布h1,上采样后传入外部网络的融合层; 对于外部网络,混合层中,将混合场数据D利用空间注意力和时间注意力进行加权筛选,传入融合层,同时对原始SLA数据的空间细节信息进行特征保留同样传入融合层,两者与预测SLA特征分布H1进行连接,传入回归层,与待预测SLA空间分布进行损失计算,更新模型参数; S3、使用历史混合数据集训练得到海面高度变化预测模型;并将待预测数据输入模型,得到预测结果。

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中国海洋大学,其通讯地址为:266100 山东省青岛市崂山区松岭路238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。