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！

龙图腾网获悉福州大学申请的专利基于多头门控残差网络的海上风机监测数据缺失智能填充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：CN121479154B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202610025969.7，技术领域涉及：G06F18/15；该发明授权基于多头门控残差网络的海上风机监测数据缺失智能填充方法是由李栋;吴科达;吴凡熙;廖毅桢;林大伟;马俊奇设计研发完成，并于2026-01-09向国家知识产权局提交的专利申请。

本基于多头门控残差网络的海上风机监测数据缺失智能填充方法在说明书摘要公布了：本发明公开了基于多头门控残差网络的海上风机监测数据缺失智能填充方法，涉及人工智能技术领域，包括：构建多头门控残差网络模型；利用所述模型输入数据集对所述多头门控残差网络模型进行训练，优化模型参数，直至模型收敛，获得训练完备的缺失数据填充模型。本发明通过构建并行设置的三个特征提取头，包括时空特征提取头、工况模式提取头和缺失模式提取头，能够分别且协同地从海上风机监测数据中捕获时序依赖、空间关联、工况耦合特性以及缺失分布模式，实现了对复杂运行环境下多源异构信息的深度融合与特征提取，从而显著提升了缺失值填充的准确性与上下文理解能力。

本发明授权基于多头门控残差网络的海上风机监测数据缺失智能填充方法在权利要求书中公布了：1.基于多头门控残差网络的海上风机监测数据缺失智能填充方法，其特征在于，具体包括以下步骤： S1、获取包含缺失值的海上风机多变量运行参数历史序列，并对所述历史序列进行标准化预处理，得到标准化序列，以构建模型输入数据集； S2、构建多头门控残差网络模型；所述模型包括并行设置的多个特征提取头、一个门控融合模块以及一个残差预测模块；所述多个特征提取头至少包括时空特征提取头、工况模式提取头和缺失模式提取头； 所述时空特征提取头，用于捕获风机运行参数在时间和空间维度上的依赖关系； 所述工况模式提取头，用于学习在不同风机运行工况下参数间的稳态与瞬态关联模式； 所述缺失模式提取头，用于显式地建模数据缺失值的分布模式及其对上下文信息的影响； 所述时空特征提取头，由时序卷积网络层和注意力机制层串联构成；所述时序卷积网络层用于提取局部时间特征，所述注意力机制层用于建模全局时间依赖性及不同运行参数变量间的空间相关性； 所述工况模式提取头，其输入为经过编码的工况标签向量与所述标准化序列的拼接，通过一个多层感知机提取与所述不同风机运行工况深度耦合的特征表示； 所述缺失模式提取头，通过生成一个与输入序列维度相同的缺失掩码矩阵，并将该掩码矩阵与所述标准化序列共同输入一个基于门控循环单元的网络层，以学习缺失模式下的上下文特征； S3、利用所述模型输入数据集对所述多头门控残差网络模型进行训练，优化模型参数，直至模型收敛，获得训练完备的缺失数据填充模型； 对所述多头门控残差网络模型进行训练时，所采用的损失函数L为重构损失与正则化损失之和，具体表示为： L=Lrec+λ*Lreg， 其中，Lrec为重构损失项，Lreg为正则化损失项，λ为正则化系数； S4、将待填充的、含有缺失值的海上风机实时运行参数序列输入所述训练完备的缺失数据填充模型，由模型输出完整的、缺失值已被填充的风机运行参数序列； S5、对所述完整的、缺失值已被填充的风机运行参数序列进行合理性校验；若校验通过，则输出所述完整的、缺失值已被填充的风机运行参数序列作为最终填充数据；若校验不通过，则输出校验异常警报或调用备用填充结果。

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福州大学，其通讯地址为：350100 福建省福州市福州大学城乌龙江北大道2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。