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！

龙图腾网获悉武汉交通职业学院申请的专利一种多模态大语言模型建立方法、介质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：CN120123981B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202510218709.7，技术领域涉及：G06F18/25；该发明授权一种多模态大语言模型建立方法、介质及系统是由朱建平;徐艳设计研发完成，并于2025-02-26向国家知识产权局提交的专利申请。

本一种多模态大语言模型建立方法、介质及系统在说明书摘要公布了：本发明提供一种多模态大语言模型建立方法、介质及系统，属于计算机模型技术领域，本发明提出的多模态大语言模型建立方法，首先对文本、图像、音频数据进行标准化预处理，然后构建包含双向长短时记忆网络、残差网络和一维卷积网络的特征提取结构。通过对齐度函数评估特征提取效果，基于对齐分量矩阵计算拆分指数，并构建模态贡献分配模型评估特征重要性。最后利用注意力机制实现特征融合，通过分类器层和损失函数优化完成模型训练。该方法通过特征对齐优化和贡献值分配实现了高效的多模态特征融合，解决了现有技术中存在的多模态特征对齐不足导致特征融合效果差的技术问题。

本发明授权一种多模态大语言模型建立方法、介质及系统在权利要求书中公布了：1.一种多模态大语言模型建立方法，其特征在于，包括以下步骤：S01、获取文本数据、图像数据及音频数据作为训练输入数据，并对所述训练输入数据进行预处理得到标准化训练数据； S02、构建多层卷积神经网络结构，在所述多层卷积神经网络结构中设置文本特征提取层、图像特征提取层及音频特征提取层，其中所述文本特征提取层采用双向长短时记忆网络结构，所述图像特征提取层采用残差神经网络结构，所述音频特征提取层采用一维卷积神经网络结构； S03、计算所述文本特征提取层、所述图像特征提取层及所述音频特征提取层中每一层的卷积核参数与所述标准化训练数据之间的对齐度函数； S04、基于所述对齐度函数构建对齐分量矩阵及非对齐分量矩阵，并计算所述对齐分量矩阵与所述非对齐分量矩阵之间的拆分指数； S05、建立所述拆分指数与所述多层卷积神经网络结构中每一层网络参数之间的映射关系； S06、在所述多层卷积神经网络结构与注意力机制层之间构建模态贡献分配模型，所述模态贡献分配模型包括特征贡献函数、交互影响函数及时序衰减函数； S07、根据所述映射关系对所述多层卷积神经网络结构进行参数优化，得到优化后网络参数； S08、利用所述优化后网络参数对所述标准化训练数据进行特征提取，得到多模态特征； S09、将所述多模态特征输入所述模态贡献分配模型，计算每个模态特征对模型预测结果的贡献值； S10、构建注意力机制层，基于所述贡献值计算不同模态特征之间的注意力权重； S11、基于所述注意力权重对所述多模态特征进行加权融合，得到融合特征向量； S12、构建分类器层，将所述融合特征向量输入所述分类器层进行训练； S13、计算模型输出结果与标注数据之间的损失函数值； S14、根据所述损失函数值对所述多层卷积神经网络结构、所述模态贡献分配模型、所述注意力机制层及所述分类器层的参数进行优化更新； S15、重复执行步骤S08至步骤S14，直至所述损失函数值小于预设阈值，得到训练完成的多模态大语言模型； 其中，计算对齐度函数的步骤，具体是：计算每层网络输出的特征图与输入数据之间的互信息；计算特征图之间的余弦相似度矩阵；将互信息和相似度矩阵结合得到对齐度函数值；所述模态贡献分配模型中，特征贡献函数采用加权注意力机制，根据历史预测准确率对特征重要性进行加权；交互影响函数通过计算特征之间的互信息和条件互信息来量化模态间的相互作用；时序衰减函数采用指数衰减形式，衰减率根据时间间隔自适应调整。

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交通职业学院，其通讯地址为：430000 湖北省武汉市洪山区黄家湖西路6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。