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！

龙图腾网获悉国网山东省电力公司应急管理中心申请的专利基于空天地海一体化融合的监测数据管理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：CN118627001B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202410644611.3，技术领域涉及：G06F18/25；该发明授权基于空天地海一体化融合的监测数据管理方法及系统是由刘朝章;许永刚;隋灿;侯炜;张鹏;武楠;韩志骏;朱坤双;刘东明;张海强;李英成;徐泽;张铭刚设计研发完成，并于2024-05-23向国家知识产权局提交的专利申请。

本基于空天地海一体化融合的监测数据管理方法及系统在说明书摘要公布了：本申请实施例提供一种基于空天地海一体化融合的监测数据管理方法及系统，通过将候选空天地海监测区域划分为多个监测单位区域并进行数据采集，生成各监测单位区域的多维融合特征数据，并且引入了注意力系数，能够表征每个监测单位区域对于整体候选空天地海监测区域的目标异常场景类别数据的参与因子，通过加权融合每个监测单位区域的多维融合特征数据和相应的注意力系数，进一步优化了各个监测单位区域的目标多维融合特征数据，可以更加精准地反映了各个监测单位区域的特性及其对整体异常场景的影响程度。最后，依据所有监测单位区域的目标多维融合特征数据，对整个候选空天地海监测区域进行决策，生成了具有更高精度的目标异常场景类别数据。

本发明授权基于空天地海一体化融合的监测数据管理方法及系统在权利要求书中公布了：1.一种基于空天地海一体化融合的监测数据管理方法，其特征在于，所述方法包括： 对候选空天地海监测区域进行监测单位分配，生成所述候选空天地海监测区域包括的多个监测单位区域； 对各所述监测单位区域进行数据采集，生成各所述监测单位区域的多维融合特征数据，其中，所述多维融合特征数据为通过卫星、无人机、地面传感器网络以及海洋探测器分别采集得到的特征数据的融合特征数据； 依据各所述监测单位区域的多维融合特征数据，分别对各所述监测单位区域进行第一异常特征模式决策，生成各所述监测单位区域的异常特征模式决策数据； 对于各所述监测单位区域，依据所述监测单位区域的异常特征模式决策数据，确定所述监测单位区域的注意力系数，并将所述监测单位区域的所述多维融合特征数据和所述监测单位区域的所述注意力系数进行加权融合，生成所述监测单位区域的目标多维融合特征数据，所述注意力系数表征所述监测单位区域对于所述候选空天地海监测区域的目标异常场景类别数据的参与因子； 依据所述多个监测单位区域的目标多维融合特征数据，对所述候选空天地海监测区域进行第二异常特征模式决策，生成所述候选空天地海监测区域的目标异常场景类别数据； 所述第一异常特征模式决策通过异常特征模式决策网络的单体预测子网络实现，所述第二异常特征模式决策依据所述异常特征模式决策网络的群体预测子网络实现； 所述方法还包括： 获取用于对所述异常特征模式决策网络进行参数学习的样例多维融合特征数据序列，所述样例多维融合特征数据序列包括多个样例多维融合特征数据，所述样例多维融合特征数据携带有异常场景类别标注数据，所述样例多维融合特征数据包括多个样例监测单位区域，所述样例监测单位区域携带有异常特征模式标注数据； 获取各所述样例多维融合特征数据中各所述样例监测单位区域的样例监测单位特征，依据所述单体预测子网络，依据各所述样例监测单位区域的样例监测单位特征，分别对各所述样例监测单位区域进行第一异常特征模式决策，生成各所述样例监测单位区域的单体预测数据； 对于各所述样例多维融合特征数据，基于所述样例多维融合特征数据中各所述样例监测单位区域的异常特征模式标注数据，通过所述群体预测子网络对所述样例多维融合特征数据进行第二异常特征模式决策，生成所述样例多维融合特征数据的群体预测数据； 依据各所述样例监测单位区域的所述单体预测数据和所述异常特征模式标注数据的偏离度、以及所述样例多维融合特征数据的所述群体预测数据和所述异常场景类别标注数据的偏离度，确定所述异常特征模式决策网络的网络代价参数值； 依据所述网络代价参数值，优化所述异常特征模式决策网络的网络参数，以对所述异常特征模式决策网络进行知识学习； 所述对于各所述样例多维融合特征数据，基于所述样例多维融合特征数据中各所述样例监测单位区域的异常特征模式标注数据，通过所述群体预测子网络对所述样例多维融合特征数据进行第二异常特征模式决策，生成所述样例多维融合特征数据的群体预测数据的步骤之前，所述方法还包括： 依据所述样例多维融合特征数据序列中各所述样例监测单位区域的单体预测数据，从所述样例多维融合特征数据序列的多个样例监测单位区域中，确定所述第一异常特征模式决策生成的各异常特征模式的关键监测单位区域； 对于各所述异常特征模式，获取所述异常特征模式的模板知识表征向量以及相应的模板异常特征模式，并依据所述异常特征模式的关键监测单位区域，动量优化所述模板知识表征向量，生成所述异常特征模式的优化模板知识表征向量； 对于各所述样例监测单位区域，确定所述样例监测单位区域的多维融合特征数据与各所述异常特征模式的优化模板知识表征向量之间的匹配度，并将匹配度最大的目标优化模板知识表征向量所对应的模板异常特征模式，作为所述样例监测单位区域的单位模板异常特征模式； 对于各所述样例监测单位区域，依据所述样例监测单位区域的单位模板异常特征模式，动量优化所述样例监测单位区域的异常特征模式标注数据，生成所述样例监测单位区域的优化异常特征模式标注数据； 所述单体预测数据包括，所述样例监测单位区域匹配各所述异常特征模式的第一置信度； 所述依据所述样例多维融合特征数据序列中各所述样例监测单位区域的单体预测数据，从所述样例多维融合特征数据序列的多个样例监测单位区域中，确定所述第一异常特征模式决策生成的各异常特征模式的关键监测单位区域，包括： 对于各所述异常特征模式，从所述样例多维融合特征数据序列的多个样例监测单位区域中，确定匹配所述异常特征模式的、第一置信度按照从大到小排列的前N个目标样例监测单位区域，所述N为大于1的整数； 将所述前N个目标样例监测单位区域，作为所述异常特征模式的关键监测单位区域； 所述依据所述异常特征模式的关键监测单位区域，动量优化所述模板知识表征向量，生成所述异常特征模式的优化模板知识表征向量，包括： 依据所述异常特征模式的第1个关键监测单位区域，动量优化所述模板知识表征向量，生成所述异常特征模式的第1个中间模板知识表征向量； 依据所述异常特征模式的第k个关键监测单位区域，动量优化所述异常特征模式的第k-1个中间模板知识表征向量，生成所述异常特征模式的第k个中间模板知识表征向量，所述k大于0、且不大于所述N； 轮询所述k，生成所述异常特征模式的第N个中间模板知识表征向量，并将所述异常特征模式的第N个中间模板知识表征向量作为所述异常特征模式的优化模板知识表征向量； 或者，获取所述异常特征模式的各所述关键监测单位区域的关键多维融合特征数据，并确定多个所述关键多维融合特征数据的平均多维融合特征数据； 获取所述平均多维融合特征数据的第一重要性系数、和所述模板知识表征向量的第二重要性系数； 依据所述第一重要性系数和所述第二重要性系数，对所述平均多维融合特征数据和所述模板知识表征向量进行融合计算，生成所述异常特征模式的优化模板知识表征向量； 所述依据所述样例监测单位区域的单位模板异常特征模式，动量优化所述样例监测单位区域的异常特征模式标注数据，生成所述样例监测单位区域的优化异常特征模式标注数据，包括： 获取所述单位模板异常特征模式的第一模式注意力系数、和所述异常特征模式标注数据的第二模式注意力系数； 依据所述第一模式注意力系数和所述第二模式注意力系数，对所述单位模板异常特征模式和所述异常特征模式标注数据进行融合计算，生成所述样例监测单位区域的优化异常特征模式标注数据。

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国网山东省电力公司应急管理中心，其通讯地址为：250032 山东省济南市二环北路8666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”。