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！

龙图腾网获悉西安理工大学申请的专利基于变换门时空长短期记忆单元的雷达回波序列预测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：CN115097460B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202210694591.1，技术领域涉及：G01S13/95；该发明授权基于变换门时空长短期记忆单元的雷达回波序列预测方法是由孙强;别永涛设计研发完成，并于2022-06-17向国家知识产权局提交的专利申请。

本基于变换门时空长短期记忆单元的雷达回波序列预测方法在说明书摘要公布了：本发明公开了基于变换门时空长短期记忆单元的雷达回波序列预测方法，具体为：将数据集分为训练集和测试集；之后对数据集中的图像进行预处理，得到雷达回波序列；在时空长短期记忆单元的基础上，使用变换门机制针对遗忘门进行改进，从而构建网络结构中的TG‑ST‑LSTM结构单元；采用TG‑ST‑LSTM结构单元堆叠的方式获得TG‑PredRNN网络结构，利用训练集数据对网络结构进行训练；将测试集数据输入到网络中进行测试，再对得到的图像进行复原，最终得到预测结果图。相较于经典的ST‑LSTM和ConvLSTM结构单元，带有变换门机制的结构单元可以显著提升捕获雷达回波序列短期突变现象和时空相关性的能力。

本发明授权基于变换门时空长短期记忆单元的雷达回波序列预测方法在权利要求书中公布了：1.基于变换门时空长短期记忆单元的雷达回波序列预测方法，其特征在于，具体按照以下步骤实施： 步骤1、使用MovingMNIST数据集和StandardizedRAdarDataset2020雷达回波数据集，并将数据集分为训练集和测试集；之后对两个数据集中的图像进行预处理，得到能够输入到网络结构的雷达回波序列； 步骤2、在时空长短期记忆单元的基础上，使用变换门机制针对遗忘门进行改进，从而构建网络结构中的TG-ST-LSTM结构单元； 具体为： 在ST-LSTM的单元结构中，通过1-tanh函数将遗忘门的Sigmoid函数饱和区间进行压缩，使得遗忘门输出通过设置的变换门映射到[0,0.75]的范围，而后在经过变换门处理之后，将接近1的值将缩小为0.25，将接近0的值变得接近1，而靠近中间的值将被压缩为0.5，进而得到TG-ST-LSTM结构单元，其表达式如下： 式中，表示输入调制门；表示输入门；表示遗忘门；分别表示另一组门机制中的调制门、输入门和遗忘门；表示变换门机制；表示时刻第层长期记忆；表示时刻第层长期记忆；表示时刻第层时空记忆；表示时刻层的时空记忆；表示输出门；表示时刻第层短期记忆状态；tanh表示tanh函数；表示Sigmoid函数，均表示权重；均表示偏置； 步骤3、采用TG-ST-LSTM结构单元堆叠的方式获得TG-PredRNN网络结构；具体为： TG-PredRNN网络结构由4层TG-ST-LSTM结构单元堆叠而成；具体为：在水平方向上，其传递的是上一时刻的长期记忆状态和隐藏状态利用上一时刻的隐藏状态和长期记忆状态作为当前时刻的隐藏状态和长期记忆状态实现水平方向的交互，以保证每一层隐藏状态和长期记忆状态的更新，初始的隐藏状态和记忆状态设置为零；在垂直方向上，传递隐藏状态和时空记忆单元，将隐藏状态和时空记忆单元连在一起作为输入进行传递，形成TG-PredRNN网络结构，将最后一层中得到的隐藏状态和记忆单元进行特征融合，得到最终的预测结果； 步骤4，利用训练集数据对TG-PredRNN网络结构进行训练；具体为： 将MovingMNIST数据集中的训练集图像以每十帧输入至TG-PredRNN网络结构中，再通过均方误差损失函数来优化输出结果，并选用图像相似度、峰值信噪比和图像感知相似度作为评估指标，对于TG-PredRNN网络结构进行评价； 将SRAD2020数据集中的训练集图像以每十帧输入至TG-PredRNN网络结构中，通过均方误差损失函数来优化输出结果，选用不同的阈值来评估降雨量大小，阈值依次取值为20和30，分别对应不同大小的降雨量；选用临界成功指数、检测概率、Heidke技能分数作为评估指标，对于TG-PredRNN网络结构进行评价； 步骤5，将测试集数据输入到TG-PredRNN网络中进行测试，再对得到的图像进行复原，最终得到预测结果图。

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安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。