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！

龙图腾网获悉华东交通大学申请的专利一种基于PSO-GRU的拉索气动特性预测方法及系统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：CN119783591B 。

龙图腾网通过国家知识产权局官网在2025-06-27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：202510286899.6，技术领域涉及：G06F30/28；该发明授权一种基于PSO-GRU的拉索气动特性预测方法及系统是由黄贻凤;夏凯权;刘林芽;王晓明;姚道金;董文涛设计研发完成，并于2025-03-12向国家知识产权局提交的专利申请。

本一种基于PSO-GRU的拉索气动特性预测方法及系统在说明书摘要公布了：本发明公开了一种基于PSO‑GRU的拉索气动特性预测方法及系统，方法包括：根据粒子群算法对GRU网络的关键超参数进行循环优化并计算适应度函数，得到最佳参数，并根据所述最佳参数构建PSO‑GRU模型；获取多个拉索数据，并根据预设的多通道信息加权融合模型对多个拉索数据进行加权融合，得到目标拉索数据，将目标拉索数据输入至PSO‑GRU模型中，采用分位数回归算法获取不同分位数下的点预测概率区间，PSO‑GRU模型输出得到与目标拉索数据相对应的拉索气动特性。可以有效预测复杂工况下拉索的气动特性，提高预测的准确率。

本发明授权一种基于PSO-GRU的拉索气动特性预测方法及系统在权利要求书中公布了：1.一种基于PSO-GRU的拉索气动特性预测方法，其特征在于，包括： 根据粒子群算法对GRU网络的关键超参数进行循环优化并计算适应度函数，得到最佳参数，并根据所述最佳参数构建PSO-GRU模型，其中，所述根据粒子群算法对GRU网络的关键超参数进行循环优化并计算适应度函数，得到最佳参数包括： 根据参数双调和优化决策方程，构建GRU网络的关键超参数映射关系，考虑复杂工况因素和约束条件，设定与决策相关的参数，得到最佳参数，所述参数双调和优化决策方程的表达式为： 式中，为双调和算子，为可行域投影算子，为灵敏度算子，为参数双调和优化决策方程，为参数模量阈值，为参数模量精度，为参数模量偏置项，a4为参数权重，为参数序列分辨率，b4为参数序列局部分辨率，c4为参数序列位移分辨率，U为超参数，为超参数预测分量，为超参数实际分量，为超参数混合分量，E为超参数权重，Δωm1k为超参数预测遗忘数据，Δωm2k为超参数实际遗忘数据，Δωm12k为超参数混合遗忘数据，Δωk为超参数数据序列，R1为超参数预测误差，R2为超参数实际误差，αλ为参数模量阈值权值，AT为参数模量阈值修正参数，λτ为参数模量阈值灵敏度，Rτ为参数模量阈值均方误差，nτ为参数模量阈值相关系数，Ts为参数模量阈值光滑因子，jτ为参数模量阈值修正因子，Mλ为参数模量阈值高阶模态，kλ为参数模量阈值空洞宽度，为参数模量精度时间熵序列，为参数模量精度能量熵序列，γ1为参数模量精度子信号时间熵序列权值，为参数模量精度角度序列，γ2为参数模量精度混合信号时间熵序列权值，为参数模量精度数值序列，Thw为参数模量偏置项离散系数，Jw为参数模量偏置项离散权重，θw为参数模量偏置项离散角度，为参数模量偏置项离散梯度，Ch为参数模量偏置项离散边界阈值，θmr为参数模量偏置项节点值，为参数模量偏置项边界值，Gf为参数模量偏置项误差，Tw,s为参数模量偏置项主指标，Tw,c为参数模量偏置项总指标，αw为参数模量偏置项一阶指标，Bw为参数模量偏置项2阶指标； 所述根据所述最佳参数构建PSO-GRU模型包括： 根据多重分形非线性拉索气动特性关联策略提取不同工况与拉索气动特性的深层关联关系，根据所述深层关联关系对配置所述最佳参数的GRU网络进行训练，得到PSO-GRU模型，所述多重分形非线性拉索气动特性关联策略的表达式为： 式中，Δ1为多重分形非线性拉索气动特性关联策略，为气动特征提取器，为非线性映射函数，为标签阈值下界，Ni,1为标签阈值上界，为域判别器下界，为域判别器上界； 其中 式中，Dψ表示函数单一区间，Lψ表示函数混合区间，Asin表示气动特征权值，Rψ表示长向量，μ0表示非线性特征映射系数，Lvac表示非线性气动特征系数，μ1表示线性特征映射系数，Lmet表示线性气动特征系数，lψ表示对抗偏置项，er表示多分支偏置项，La表示反向偏置项，rψ表示叠加偏置项，θp表示非线性气动特征随机变量系数，Zω表示非线性气动特征可靠系数，表示线性气动特征约界系数，cj表示线性气动特征分布向量，λχ表示线性气动特征奇异向量，wμjk表示线性气动特征一维标准向量，wσjk表示线性气动特征状态向量，K为力矩，p为阻力系数，ωψ表示非线性气动特征原始系数； 获取多个拉索数据，并根据预设的多通道信息加权融合模型对所述多个拉索数据进行加权融合，得到目标拉索数据； 将所述目标拉索数据输入至所述PSO-GRU模型中，采用分位数回归算法获取不同分位数下的点预测概率区间，所述PSO-GRU模型输出得到与所述目标拉索数据相对应的拉索气动特性。

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华东交通大学，其通讯地址为：330000 江西省南昌市经济技术开发区双港东大街808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”。