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！

龙图腾网获悉西北工业大学申请的专利一种基于注意力机制的非定常气动力快速计算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：CN119337768B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202411422728.3，技术领域涉及：G06F30/28；该发明授权一种基于注意力机制的非定常气动力快速计算方法是由安效民;潘一华;雷昱祺设计研发完成，并于2024-10-12向国家知识产权局提交的专利申请。

本一种基于注意力机制的非定常气动力快速计算方法在说明书摘要公布了：本发明公开了一种基于注意力机制的非定常气动力快速计算方法，首先基于非定常流动求解方法计算研究对象在给定运动规律中的非定常气动力；然后将给定研究对象的运动信息与非定常求解器计算所得的非定常气动力汇总整理，构建数据库；接下来将对应数据库进一步划分为训练集、验证集及预测集，并加载至基于注意力机制的时序神经网络；再利用训练集对时序神经网络进行参数训练，根据验证集检验网络训练情况，直至所得网络精度达到实际工程应用要求；之后利用预测集对训练好的网络进行测试，并根据预测集测试结果，选择对网络进行保存或重新生成。本发明方法可为飞行器设计、流动控制等问题的非定常气动力求解模块提供参考，缩短相应问题的研究周期。

本发明授权一种基于注意力机制的非定常气动力快速计算方法在权利要求书中公布了：1.一种基于注意力机制的非定常气动力快速计算方法，其特征在于，包括如下步骤： 步骤1：根据研究对象，对于给定流动工况，设计并记录研究对象的运动规律；基于非定常流动求解方法计算研究对象在给定运动规律中的非定常气动力； 步骤2：将给定研究对象的运动信息与非定常求解器计算所得的非定常气动力汇总整理，构建数据库； 所述数据库的具体形式表现为：各时刻下的研究对象位移及气动力呈现一一对应关系，在后续网络训练及测试过程中，位移为输入数据，气动力为输出数据； 步骤3：将对应数据库进一步划分为训练集、验证集及预测集，并加载至基于注意力机制的时序神经网络； 所述基于注意力机制的时序神经网络为L-Transformer，包括： 数据集加载系列模块，用于按批次向网络中加载数据，及网络的训练及测试； 位置编码模块PositionalEncoding，用于向加载入网络的数据中注入位置信息； 带有掩码功能的多头注意力系列模块MultiHeadAttention，用于对加入位置编码后的数据进行内部特征整合，并抽取数据的内部关系特征；其中，掩码功能用于消除网络学习过程中未来数据对先前数据的影响； 残差连接及层规范化模块AddNorm，用于对注意力机制处理后的数据进行正则化处理，加速训练过程，提升网络性能； 基于位置的前馈网络模块PositionWiseFFN，用于捕捉特征重整后数据间的长距离依赖关系； 编码器基本单元块EncoderBlock，包含若干多头注意力系列模块、残差连接及层规范化模块及基于位置的前馈网络模块，用于对输入数据进行特征归纳及学习； 解码器基本单元块DncoderBlock，包含带有掩码功能的多头注意力系列模块、若干多头注意力系列模块、残差连接及层规范化模块及基于位置的前馈网络模块，用于整合输入数据信息及编码器处理后的信息，实现时序数据辨识及预测； 编码器模块TransformerEncoder，包含线性层linear、位置编码模块及若干编码器基本单元块，用于归纳位移数据的特征信息，并指导解码器进行气动力辨识； 解码器模块TransformerDecoder，包含线性层linear、位置编码模块、若干解码器基本单元块及隐状态初始化模块，用于在编码器的指导下，利用输入位移信息获取气动力； 编-解码器组合模块EncoderDecoder，用于将编码器模块及解码器模块进行组合，构建完整网络框架，用于工程应用； 训练系列模块，用于加载数据库中的训练集及验证集数据，以更新网络参数； 梯度截断模块grad_clipping，用于在训练过程中防止出现梯度爆炸现象，提升网络对于数据的适应性能； 预测模块predict_seq2seq，用于对测试集进行加载，以验证网络是否训练完成； 数据集加载系列模块中，采用连续性截断机制来处理原始数据，以最大限度减少输入数据信息量的损失，并防止网络一次性处理过量数据造成的训练效率损失； 数据集加载系列模块中，对于训练阶段所用的气动力输入，额外添加前置项气动力，用于训练时的强制教学，提升训练效果； 编码器基本单元块中，去除编码器中原有的掩码机制，确保了对输入数据特征的完整提取； 编码器模块和解码器模块中，利用线性层linear代替原有嵌入层embedding，适用于序列型数据的维度转换； 训练系列模块中，利用指数型均方误差expMSEloss替代原有均方误差MSEloss，提升训练效率及网络性能； 预测模块中，添加滑窗机制，能够根据输入数据的迟滞性，对编码器输入进行调整，并设置了相应的调节参数，使得网络更好地应用于迟滞环等含有迟滞特征的非定常流动问题； 预测模块中，引入长尾截断机制，并设置了相应的调节参数，根据多数非定常气动力本身时延效应有限的前提，在更新当前时刻解码器隐状态时，去除较早期输出数据的影响，防止长序列预测时的预测效率随序列长度而降低； 步骤4：利用训练集对时序神经网络进行参数训练，根据验证集检验网络训练情况，直至所得网络精度达到实际工程应用要求； 步骤5：利用预测集对训练好的网络进行测试，并根据预测集测试结果，选择对网络进行保存或重新生成； 步骤6：对于预测集检验通过的网络进行保存，该网络后续被应用于非定常气动力的计算。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127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。