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！

龙图腾网获悉山东省气象数据中心(山东省气象档案馆)申请的专利基于半监督与反馈强化学习的气象雷达回波结构标注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：CN120162582B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202510140208.1，技术领域涉及：G06F18/214；该发明授权基于半监督与反馈强化学习的气象雷达回波结构标注方法是由刘思宇;郭庆燕;张兴路;刘臻;冯腾琦设计研发完成，并于2025-02-08向国家知识产权局提交的专利申请。

本基于半监督与反馈强化学习的气象雷达回波结构标注方法在说明书摘要公布了：本发明涉及一种基于半监督与反馈强化学习的气象雷达回波结构标注方法，属于气象数据处理领域。其包括以下步骤：数据获取与预处理；数据标注与划分；半监督学习模型设计与训练；不确定性样本筛选与专家反馈；人类反馈强化学习优化；最终标注数据集生成。本发明通过改进型3D卷积神经网络进行多尺度特征提取，在半监督训练中引入一致性正则化方法和平均教师方法，能够提升标注数据的准确性和模型鲁棒性，通过置信度筛选不确定性样本，引入专家反馈和设计奖励函数，能够优化关键类别的标注精度，采用REINFORCE算法实现多轮交互优化，使模型逐步逼近专家标准，生成高质量标注数据集，为极端天气预警和气象研究提供了可靠数据支持。

本发明授权基于半监督与反馈强化学习的气象雷达回波结构标注方法在权利要求书中公布了：1.一种基于半监督与反馈强化学习的气象雷达回波结构标注方法，其特征在于，包括以下步骤： S1.数据获取与预处理：从气象雷达系统中获取高时空分辨率观测数据，并对数据进行标准化处理； S2.数据标注与划分：从标准化后的数据集中选择样本进行人工标注，构建标注数据集和无标注数据集； S3.半监督学习模型设计与训练：使用改进型3D卷积神经网络提取多尺度特征，结合有监督与无监督损失优化模型；具体步骤如下： S31.所述半监督学习模型将改进型3D卷积神经网络3D-CNN作为基础架构，并在半监督训练中引入一致性正则化方法ConsistencyRegularization和平均教师方法MeanTeacher； 所述改进型3D卷积神经网络包括多通道分支卷积层、中间融合层、多尺度3D卷积与池化层以及输出层；将步骤S1样本标准化处理后的四维张量输入到改进型3D卷积神经网络中进行类别预测，得到各类回波结构的预测概率，其中，表示学生模型参数，表示模型预测样本属于类别的概率； S32.对于有标注数据集合，采用有监督损失进行模型训练，公式表示如下： ， 其中，表示有标注数据集合，表示有标注样本数量，表示样本的回波类型标签，表示回波类别集合，表示学生模型参数，表示模型对样本预测为类别的概率； S33.对于无标注数据集合，引入半监督学习策略，采用一致性正则化方法ConsistencyRegularization和平均教师方法MeanTeacher完成无标注损失的定义与优化，具体为： S331.对未标注样本进行数据增强得到增强的样本，数据增强包括添加噪声、随机裁剪以及轻微时空扰动； S332.利用平均教师方法MeanTeacher中的教师模型对进行预测，并对学生模型在上的预测要求保持一致，教师模型参数为学生模型参数在训练过程中的指数滑动平均，无监督损失为教师模型与学生模型预测结果的距离度量，公式表示如下： ， 其中，表示无标注数据集合，表示未标注样本数量； S34.最终的半监督学习模型的损失函数，公式表示如下： ， 其中，表示平衡系数； S35.利用随机梯度下降SGD优化算法对步骤S34中的学生模型参数进行优化更新； S4.不确定性样本筛选与专家反馈：根据模型置信度筛选不确定性样本，构建待审集，提交专家审查，获得标注修正和反馈； S5.人类反馈强化学习优化：设计奖励函数用于区分不同回波类型的重要性，使用REINFORCE算法对模型参数进行优化； S6.最终标注数据集生成：生成高质量标注数据集，应用于气象预测模型训练集及极端天气预警。

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山东省气象数据中心(山东省气象档案馆)，其通讯地址为：250031 山东省济南市天桥区无影山路12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。