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！

龙图腾网获悉中国海洋大学三亚海洋研究院申请的专利基于频域增强神经网络的精细化海洋预报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：CN121167642B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202511606365.3，技术领域涉及：G06F18/25；该发明授权基于频域增强神经网络的精细化海洋预报方法是由梁韵;黄炜楠;赵玮;夏瑞雪设计研发完成，并于2025-11-05向国家知识产权局提交的专利申请。

本基于频域增强神经网络的精细化海洋预报方法在说明书摘要公布了：本发明提供了一种基于频域增强神经网络的精细化海洋预报方法，涉及海洋预报技术领域，具体包括如下步骤：对原始数据集进行清洗和标准化；将多源海洋环境变量的时空序列数据整理为统一格式，形成输入特征集；利用构建的深度学习模型将时空特征和频域特征融合，对海洋环境变量进行预报；对预测结果进行逆标准化处理，得到最终预测值；将预测得到的未来n天海洋环境变量与过去n天的历史数据相结合，构成新的输入特征，并重复预测步骤，以此实现对未来海洋环境变量的预测。本发明的技术方案克服现有技术中不能够在有限计算资源下高效融合频域与空间域信息，不能充分考虑海洋数据的掩膜特征与多变量关联特性的问题。

本发明授权基于频域增强神经网络的精细化海洋预报方法在权利要求书中公布了：1.一种基于频域增强神经网络的精细化海洋预报方法，其特征在于，具体包括如下步骤： S1，对原始数据集进行清洗和标准化； S2，将多源海洋环境变量的时空序列数据整理为统一格式，形成输入特征集，多源海洋环境变量包括：温度、盐度、流速和海表高度； S3，利用构建的深度学习模型将时空特征和频域特征融合，对海洋环境变量进行预报； S4，对预测结果进行逆标准化处理，得到最终预测值； S5，将预测得到的未来n天海洋环境变量与过去n天的历史数据相结合，构成新的输入特征，并重复步骤S1‑S4，以此实现对未来海洋环境变量的预测； 步骤S3具体包括如下步骤： S3.1，构建深度学习模型包括：依次连接的输入层、空间下采样层、时空特征编码层、频域特征处理层、编码特征融合层和解码器； S3.2，在空间下采样层利用3D卷积操作实现空间下采样，通过控制卷积步长逐步降低空间尺寸，之后使用LayerNorm层进行归一化；假设在输入层输入四维张量为，利用3D卷积进行2倍下采样的过程表示为： ； 其中，和分别代表权重和偏置，和分别代表卷积核的大小和卷积步长，为3D卷积操作； S3.3，在时空特征编码层对降尺度后的特征张量进行编码，提取不同尺度下的局部特征；时空特征编码层包括：3D深度可分离卷积模块，LayerNorm归一化，多层感知机模块和残差连接；时空特征张量编码过程表示为： ； 其中，和分别代表多层感知机模块和深度可分离卷积模块，为时空特征； S3.4，在频域特征处理层，自适应傅里叶神经算子首先将时空特征映射到频域；随后，在频域中引入可学习的权重矩阵；最后，通过逆傅里叶变换将处理后的频域特征映射回时空域，完成特征重构： ； 其中，和分别代表傅里叶变换及傅里叶逆变换； S3.5，重复步骤S3.2至步骤S3.4多次，逐步提取多个阶段的时空特征和频域特征； S3.6，在空间上采样层，首先将编码特征在通道维度上堆叠，作为解码器的输入；随后，采用三线性插值逐步进行上采样；完成上采样后，引入3D卷积操作以重建特征；假设在深度学习模型的第层中的输入四维张量为，上采样的过程表示为： ； 其中，为激活函数，为三线性插值； S3.7，将上采样后的特征输入解码器进行解码，解码过程采用与编码过程相同的深度可分离卷积模块实现： ； 其中，解码器输出特征，为解码器的输入，和分别代表解码器中的多层感知机模块和深度可分离卷积模块； S3.8，重复步骤S3.6至S3.7多次，逐步提取海洋环境变量的多尺度时空特征和频域特征，并在解码过程中逐渐恢复特征的空间分辨率。

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中国海洋大学三亚海洋研究院，其通讯地址为：572024 海南省三亚市崖州区深海科技创新公共平台8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。