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！

龙图腾网获悉武汉大学申请的专利一种基于集成模型的电离层智能预报与监测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：CN116805516B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202310790933.4，技术领域涉及：G16C20/30；该发明授权一种基于集成模型的电离层智能预报与监测方法及系统是由杨芃昕设计研发完成，并于2023-06-29向国家知识产权局提交的专利申请。

本一种基于集成模型的电离层智能预报与监测方法及系统在说明书摘要公布了：本发明提供一种基于集成模型的电离层智能预报与监测方法及系统，包括：基于电离层历史数据构建电离层特征向量；对电离层特征向量进行预处理得到预处理电离层特征向量，将预处理电离层特征向量进行归一化处理得到训练数据集；采用Transformer模型、LSTM模型和树模型依次堆叠构建集成模型，利用训练数据集对集成模型进行训练，采用网格搜索法确定集成模型最优参数，得到电离层预测模型；将实时电离层数据输入至电离层预测模型，得到电离层预测结果。本发明通过将集成模型技术应用于电离层智能预测中，能覆盖到多个应用场景，实现了多维参数提升预测精度以及对电离层变化的实时监测，满足精密导航定位中对电离层延迟实时改正的需求。

本发明授权一种基于集成模型的电离层智能预报与监测方法及系统在权利要求书中公布了：1.一种基于集成模型的电离层智能预报与监测方法，其特征在于，包括： 采集电离层历史数据，基于所述电离层历史数据构建电离层特征向量； 对所述电离层特征向量进行预处理得到预处理电离层特征向量，将所述预处理电离层特征向量进行归一化处理得到训练数据集； 采用Transformer模型、长短期记忆LSTM模型和树模型依次堆叠构建集成模型，利用所述训练数据集对所述集成模型进行训练，采用网格搜索法确定集成模型最优参数，得到电离层预测模型； 将实时电离层数据输入至所述电离层预测模型，得到电离层预测结果； 采用Transformer模型、LSTM模型和树模型依次堆叠构建集成模型，包括： 分别确定采用随机森林算法构建所述树模型的初级学习器，采用梯度提升决策树算法构建所述树模型的次级学习器，采用长短期记忆网络LSTM构建所述集成模型； 所述Transformer模型包括编码器和解码器，所述解码器通过注意力机制与所述编码器相连接，分别由所述编码器接收历史时间序列，由所述解码器采用掩码自注意力机制提取所述历史时间序列中的历史值； 所述LSTM模型包括输入层、隐藏层和输出层，所述输入层包括历史电离层特征向量，所述隐藏层包括两层LSTM网络、两层Dropout层和一层全连接层，所述输出层包括预测电离层数据； 所述树模型采用随机森林RF算法构建初始学习器，采用极度梯度提升树XGBoost算法构建次级学习器； 利用所述训练数据集对所述集成模型进行训练，采用网格搜索法确定集成模型最优参数，得到电离层预测模型，包括： 确定集成模型参数包括学习率、最大决策树数量、随机状态、树最大深度、叶子节点中最小样本权重、训练批量大小、训练轮次、每轮次包含样本数、LSTM网络神经元数量、训练丢弃率、激活函数和损失函数； 分别确定所述集成模型参数中所述Transformer模型、所述LSTM模型和所述树模型的固定参数搭配组合，以及待调整参数的初始值； 利用所述网格搜索法，基于所述固定参数搭配组合确定所述待调整参数的最优值； 重复所述利用所述网格搜索法，基于所述固定参数搭配组合确定所述待调整参数的最优值的步骤，直至所述Transformer模型、所述LSTM模型和所述树模型分别达到局部最优参数； 将达到所述局部最优参数的所述Transformer模型、所述LSTM模型和所述树模型以预设权重进行加权计算，得到所述电离层预测模型。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299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。