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！

龙图腾网获悉南京信息工程大学申请的专利基于递归门控卷积和注意力机制改进的ENSO时空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：CN116307224B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202310312312.5，技术领域涉及：G06Q10/04；该发明授权基于递归门控卷积和注意力机制改进的ENSO时空预测方法是由方巍;沙雨设计研发完成，并于2023-03-28向国家知识产权局提交的专利申请。

本基于递归门控卷积和注意力机制改进的ENSO时空预测方法在说明书摘要公布了：本发明公开了基于递归门控卷积和注意力机制改进的ENSO时空预测方法，包括如下步骤，S1、构建ENSO样本数据集；S2、构建密集卷积DenseBlock模块增强特征传播降低参数数量；S3、构建利用Attention机制改进的MIMG‑Encoder‑Decoder架构；S4、转置卷积恢复特征图的原始大小；S5、构建并训练ENSO时空预测模型；S6、预测时空序列。本发明通过多层密集卷积模块可以很好的提取时空序列数据的高维空间特征，抑制非必要的冗余特征。改进后的MIMG模块能够更好的学习到ENSO数据时空演化的高阶非平稳性。本发明提出的ENSO时空预测模型架构理论上适用于所有的时空序列。

本发明授权基于递归门控卷积和注意力机制改进的ENSO时空预测方法在权利要求书中公布了：1.基于递归门控卷积和注意力机制改进的ENSO时空预测方法，其特征在于，包括如下步骤： S1、采集待观察区域的ENSO原始数据，进行预处理，构建ENSO样本数据集； S2、构建两层DenseBlock网络对ENSO样本数据集进行压缩，获得时空序列的高维空间特征； S3、将步骤S2得到的时空序列的高维空间特征图输入至注意力机制连接MIMG-Encoder-Decoder架构中，进行自适应特征修正，通过预测网络获得最终预测结果；包括如下子步骤： S301、构建MIMG-Encoder-Decoder架构：Encoder对时空序列的高维空间特征图进行编码，将其转换为向量形式，然后Decoder对该向量进行解码，还原为输出序列；在编码模块中，经过DenseBlock模块和注意力机制提取特征后的输出作为ST-LSTM的输入然后生成它的隐状态，接着进入三层MIMG堆叠模块，在解码模块中使用三层MIMG堆叠模块，所有输入序列共享Encoder的参数且所有输出序列共享Decoder的参数； MIMG堆叠模块在MIM的基础上嵌入了递归门控卷积的残差形式rgConv，首先使用来获得一组投影特征，如下式： ， 其中，rgConv的输入特征的维度为高宽通道数H×W×C，p、q表示投影特征，是执行通道混合的投影层，表示层数，是第1阶的通道数，是第k+1阶的通道数，是最大阶数； 然后递归地执行门控卷积，如下式： ， 其中，表示深度方向的卷积层，表示按不同顺序的匹配维度；表示层数，表示第k层的投影特征； 将最后一个递归步骤的输出输入给投影层，再以残差的形式输出rgConv的结果: ， 其中，是原始特征，是经过n层递归后输出的特征； S302、用Attention模块连接DenseBlock和MIMG-Encoder-Decoder架构：将时空序列的高维空间特征作为Attention模块的输入，，再经过通道注意力模块一维卷积，将卷积结果乘原图，将通道注意力模块输出结果作为空间注意力模块的输入，进行空间注意力模块的二维卷积，再将输出结果与原图相乘，如下式： S4、以步骤S3获得的预测结果为输入，经过转置卷积模块，恢复特征图原始大小； S5、ENSO样本数据集中T帧数据的矢量序列为输入、其对应的预测序列为输出，结合两层DenseBlock网络、注意力机制连接MIMG-Encoder-Decoder架构、以及转置卷积模块构建并训练ENSO时空预测模型，并在训练中采用早停法、设置学习率自动衰减。

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南京信息工程大学，其通讯地址为：210044 江苏省南京市浦口区宁六路219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。