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！

龙图腾网获悉四川大学申请的专利一种基于深度模糊物理信息神经网络的物理场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：CN119312091B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411341151.3，技术领域涉及：G06F18/214；该发明授权一种基于深度模糊物理信息神经网络的物理场预测方法是由彭德中;刘东;孙元;于洋;吴汶远;段思远设计研发完成，并于2024-09-25向国家知识产权局提交的专利申请。

本一种基于深度模糊物理信息神经网络的物理场预测方法在说明书摘要公布了：本发明公开了一种基于深度模糊物理信息神经网络的物理场预测方法，包括以下步骤：S1、采集物理场数据，对存在噪声的数据进行预处理，得到处理后的训练数据集Dtrain和测试数据集Dtest；S2、构建深度模糊物理信息神经网络模型；S3、输入带有高斯噪声的物理场训练数据集和其对应的偏微分方程，对神经网络模型进行训练，得到训练完成的神经网络模型；S4、通过训练完的神经网络模型计算测试数据集中不同时空坐标下的物理量，实现物理场预测；本发明解决了现有的物理信息神经网络方法没有考虑到训练数据集中存在噪声的情况，在噪声数据集的干扰下深度神经网络模型的训练效果不佳，无法准确地学习到偏微分方程中的物理信息，从而导致物理场预测性能严重下降的问题。

本发明授权一种基于深度模糊物理信息神经网络的物理场预测方法在权利要求书中公布了：1.一种基于模糊深度神经网络的物理场预测方法，其特征在于，包括以下步骤： S1、采集物理场数据，对存在噪声的数据进行预处理，得到处理后的训练数据集和测试数据集； S2、构建深度模糊物理信息神经网络模型； S3、输入带有高斯噪声的物理场训练数据集和其对应的偏微分方程，对神经网络模型进行训练，得到训练完成的神经网络模型；所述步骤S3包括以下分步骤： S31、输入训练数据到模型的深度特征提取器和模糊特征提取器中得到深度特征和模糊特征分别为DF和FF，更新公式如下： ， ， 其中和分别是模型中的深度特征提取器和模糊特征提取器，DF是深度特征提取器提取的深度特征，FF是模糊特征提取器提取的模糊特征； S32、将深度特征提取器提取的深度特征DF和模糊特征提取器提取的模糊特征FF进行融合来更新融合后的特征TF，更新公式如下： ， 其中concat表示将深度特征DF和模糊特征FF相拼接，TF表示得到的融合后的特征； S33、输入融合后的特征到模型的物理场预测器中得到最终的物理量预测值； 所述步骤S33中的更新公式如下： ， 其中表示最终的物理量预测值，表示物理场预测器，TF表示融合后的特征； S34、计算数据和物理的损失来更新模型参数，进行训练；所述步骤S31包括以下分步骤： S311、将归一化后的时空坐标数据输入模糊隶属度函数层，通过高斯隶属度来捕获模糊集的隶属度，具体来说，第个模糊神经元将第个输入映射为模糊隶书度； 所述步骤S311中第个模糊神经元将第个输入映射为模糊隶属度的计算公式如下： ， 其中为高斯隶属度函数，其均值为，方差为，表示第层的第个神经元； S312、将获得的模糊隶属度输入模糊规则层，对模糊隶属度函数层的隶属关系进行融合，并进行‘AND’模糊逻辑运算,得到最终的模糊特征； 所述步骤S312中融合隶属关系并获取最终模糊特征的计算公式如下： ， 其中，表示连接到模糊规则神经元的模糊隶属函数层的神经元集合； S313、将归一化后的时空坐标数据输入深度神经网络层，将其转换为高维表示； 所述步骤S313中获得高维表示的计算公式如下： ， 其中，表示tanh激活函数，表示第层的第个神经元的权重，表示第层的第个神经元的偏置； S4、通过训练完的神经网络模型计算测试数据集中不同时空坐标下的物理量，实现物理场预测。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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。