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！

龙图腾网获悉国家海洋技术中心申请的专利基于深度学习融合的海洋水文气象数据的融合处理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：CN120067973B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202510063083.7，技术领域涉及：G06Q50/26；该发明授权基于深度学习融合的海洋水文气象数据的融合处理方法是由邱文博设计研发完成，并于2025-01-15向国家知识产权局提交的专利申请。

本基于深度学习融合的海洋水文气象数据的融合处理方法在说明书摘要公布了：本发明涉及数据处理技术领域，具体涉及基于深度学习融合的海洋水文气象数据的融合处理方法，包括以下步骤：S1，数据采集：通过分布式海洋监测网络对海洋水文气象数据进行监测；S2，区域协同融合网络构建；S3，时空一致性优化：引入多尺度时空注意力机制，捕捉数据中同时存在的局部短期变化和全局长期趋势，动态调节不同时间尺度的权重；结合海洋物理特性作为约束条件对数据融合结果进行优化，海洋物理特性包括潮汐以及洋流周期性规律。本发明，通过引入多尺度时空注意力机制，在全局融合数据的基础上实现了对短期动态变化和长期趋势的精准捕捉，通过动态时间窗口调整机制，能够适应不同时间尺度的变化特性。

本发明授权基于深度学习融合的海洋水文气象数据的融合处理方法在权利要求书中公布了：1.基于深度学习融合的海洋水文气象数据的融合处理方法，其特征在于，包括以下步骤： S1，数据采集：通过分布式海洋监测网络对海洋水文气象数据进行监测，所述分布式海洋监测网络包括多个监测节点，每个监测节点配备观测设备，采集水文气象数据，包括温度、盐度、洋流、风速、气压及降水量； S2，区域协同融合网络构建： S21，节点特征嵌入：将每个监测节点的覆盖范围内采集的水文气象数据生成节点特征，包括节点的时间特征与空间特征，通过节点之间的边连接表征数据的时间和空间相关性； 所述时间特征的生成包括：基于监测节点覆盖范围内采集的时间序列水文气象数据，提取周期性、趋势性和突发性变化特征；通过长短期记忆网络对时间序列数据进行建模，生成节点的时间特征向量； 所述空间特征的生成包括：根据监测节点覆盖范围内的空间分布，利用卷积神经网络提取数据的空间变化模式，将空间特征包括局部温度梯度、洋流扩散路径转化为空间特征向量，描述节点所在区域的局部特性； 将时间特征与空间特征进行拼接，通过降维嵌入生成统一的高维节点特征表示，构建每个监测节点的节点特征向量； S22，边权重定义：根据监测节点间的空间距离分量、数据相关性分量定义边的权重； S23，图卷积网络建模：基于监测网络的全局拓扑结构，利用图卷积网络对所有节点进行联合建模，通过卷积操作对节点特征和边连接关系进行综合学习，生成全局融合的海洋水文气象数据表示； S3，时空一致性优化：引入多尺度时空注意力机制，捕捉数据中同时存在的局部短期变化和全局长期趋势，动态调节不同时间尺度的权重，通过时空注意力机制对融合数据进行分类和加权调整，确保突发变化数据和常规变化数据在时空一致性上的协调性；结合海洋物理特性作为约束条件对数据融合结果进行优化，海洋物理特性包括潮汐以及洋流周期性规律； 所述S3还包括多尺度时间窗口划分： 根据监测数据的时间特性，将时间序列划分为多个时间窗口，分别用于捕捉局部短期变化和全局长期趋势； 所述多尺度时空注意力机制包括时间注意力权重以及空间注意力权重的计算； 所述时间注意力权重αt的计算基于多尺度时间窗口划分，对每个时间窗口中的数据片段xt； 所述空间注意力权重βij的计算包括针对每个监测节点vi，计算其与周边节点的数据相关性； 所述通过时空注意力机制对融合数据进行分类和加权调整具体包括： 时空特征融合：将时间注意力权重αt和空间注意力权重βij融合，生成时空联合权重γij,t，基于联合权重γij,t的动态波动，设置分类阈值θ： 若γij,tθ，判定为突发变化数据； 若γij,t≤θ，判定为常规变化数据； 对分类结果分别赋予不同的权重。

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家海洋技术中心，其通讯地址为：300000 天津市南开区芥园西道219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。