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！

龙图腾网获悉山东省科学院海洋仪器仪表研究所申请的专利一种基于时空双注意力神经网络的浮标气象数据修复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：CN120832480B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202511331639.2，技术领域涉及：G06F18/15；该发明授权一种基于时空双注意力神经网络的浮标气象数据修复方法是由宋苗苗;黄九璋;刘世萱;李文庆;付晓;张可可;杨祥龙;闫星魁;郑迪设计研发完成，并于2025-09-18向国家知识产权局提交的专利申请。

本一种基于时空双注意力神经网络的浮标气象数据修复方法在说明书摘要公布了：本发明涉及海洋资料浮标数据质量控制领域，公开了一种基于时空双注意力神经网络的浮标气象数据修复方法，包括如下步骤：数据采集与预处理；建立时空双注意力神经网络模型：所述模型包括时间编码链路、空间编码链路和特征融合层；模型训练，将包含待预测目标要素的时间特征输入时间编码链路，气象要素输入空间编码链路，模型输出为待预测时刻的目标要素；模型训练后，利用测试集对模型进行评估；利用评估合格的模型对实时采集的多维度气象要素数据中的空缺值或异常值进行预测，实现数据的修复。本发明所公开的方法有效的结合了时间和空间约束，实现了对气象数据中的异常值和空缺值进行预测并替换，从而实现对气象数据的修复。

本发明授权一种基于时空双注意力神经网络的浮标气象数据修复方法在权利要求书中公布了：1.一种基于时空双注意力神经网络的浮标气象数据修复方法，其特征在于，包括如下步骤： 步骤1，数据采集与预处理： 收集海洋资料浮标获取的历史多维度气象要素数据，划分训练集和测试集，其中，对测试集中的数据进行预处理得到包含空缺值和异常值的测试集； 步骤2，建立时空双注意力神经网络模型： 所述模型包括时间编码链路、空间编码链路和特征融合层； 所述时间编码链路包括线性嵌入层、位置编码器和多层Transformer编码器，每一层Transformer编码器包括多头交叉注意力机制层、残差链接和层归一化层以及前馈神经网络层； 所述空间编码链路包括自适应物理约束矩阵、图卷积运算层和特征处理层； 所述特征融合层将时间编码链路和空间编码链路输出的特征进行融合后输出； 步骤3，模型训练与评估： 利用训练集中的数据对模型进行训练，首先，将数据划分为包含待预测目标要素的时间特征和气象要素，包含待预测目标要素的时间特征输入时间编码链路，气象要素输入空间编码链路，模型输出为待预测时刻的目标要素；模型训练后，利用测试集对模型进行评估，将模型预测值与真值进行比较，得到评估合格的模型； 步骤4，数据修复： 利用评估合格的模型对实时采集的多维度气象要素数据中的空缺值或异常值进行预测，实现数据的修复； 气象要素输入序列输入空间编码链路后，与自适应物理约束矩阵进行图卷积运算，图卷积计算公式如下： ； 其中，表示图卷积计算后得出的气象要素； 然后进入特征处理层，在特征处理层中，气象要素经过ReLU函数进行非线性变换投影到高位空间，最终得出目标要素的空间特征并输出，其计算过程如下： ； 其中，、为空间编码链路的权重矩阵，、为空间编码链路的偏置向量； 所述自适应物理约束矩阵在模型训练过程中随着训练过程自适应调整后得到，计算公式如下： ； 其中，表示Sigmoid函数，表示哈达玛积；是物理先验矩阵，其是一个n*n的布尔型矩阵，行和列均对应气象要素集合，其中n为气象要素数量；该矩阵中行索引对应目标要素，即受影响的要素，列索引对应原气象要素，即施加影响的要素；对于目标要素所在的行，其与施加影响的原气象要素相对应的列位置的权值被设定为0或1：其中，0表示该原气象要素与目标要素为无关要素，1表示该原气象要素与目标要素为相关要素；为物理学习矩阵，该矩阵为一个可学习参数矩阵，其初始值与相同，该矩阵内的权值会根据训练时梯度下降的过程不断自动调整，且范围保持在[0,2]； 在特征融合层，输出的融合特征计算如下： ； 其中，为空间编码链路输出的空间特征，为时间编码链路输出的时间特征，表示哈达玛积，为成门控向量： ； 其中，表示Sigmoid函数，、为特征融合层的权重矩阵。

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山东省科学院海洋仪器仪表研究所，其通讯地址为：266200 山东省青岛市即墨区鳌山卫街道青岛蓝色硅谷核心区蓝色硅谷创业中心一期2号楼；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。