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！

龙图腾网获悉浙江省水文管理中心申请的专利一种基于联邦学习框架的水文数据异常识别与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：CN115982658B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202211546472.8，技术领域涉及：G06F18/2433；该发明授权一种基于联邦学习框架的水文数据异常识别与修复方法是由陈浙梁;童增来;姚东;李歆遒;言薇;徐斌;沈凯华;钱克宠;刘林海;张紫琳;王玉明;倪宪汉;李欢;吕耀光;金晶设计研发完成，并于2022-12-02向国家知识产权局提交的专利申请。

本一种基于联邦学习框架的水文数据异常识别与修复方法在说明书摘要公布了：本发明公开了一种基于联邦学习框架的水文数据异常检测与修复方法，包括模型训练过程和识别修复过程，模型训练过程包括以下步骤：首先对训练用水文数据进行预处理并进行异常化处理，其次，搭建联邦学习架构，服务器初始化模型参数，将全局模型发送给每一个客户端；客户端接收模型之后开始学习本地数据特征，模型利用带注意力机制的双向LSTM提取上下文信息，之后，通过对抗学习的方式同时优化异常检测与数据修复的功能，最后通过客户端与服务器之间的迭代交互以更新模型的功能。本发明通过提出新的方法，在水文遥测数据隐私得到保护的前提下，同时进行异常识别与修复，为提升水文预报性能、降低不确定灾害带来的损失提供支持。

本发明授权一种基于联邦学习框架的水文数据异常识别与修复方法在权利要求书中公布了：1.一种基于联邦学习框架的水文数据异常识别与修复方法，包括模型训练过程和识别修复过程，模型训练过程包括以下步骤： S1：对训练用水文数据进行预处理并进行异常化处理； S2：搭建联邦学习架构，对模型参数初始化； S3：客户端通过对抗学习优化异常检测与数据修复功能； S4：本地客户端与服务器交互，进行全局参数更新； 识别修复过程具体为：对原始水文数据进行预处理后输入到训练后的模型中，输出即为修复后的数据； 所述步骤S2包含如下步骤： S2.1：将个水文遥测站作为客户端，云服务器作为服务器搭建联邦学习框架；K为水文遥测站的总数； S2.2：定义第k个客户端的数据集大小为，1≤k≤K，则用于本地训练总的数据集大小为； S2.3：服务器初始化全局模型参数，即生成对抗网络和LSTM各层网络的训练参数，并将全局模型及初始参数发送给每一个客户端； 所述模型包括生成器和判别器，生成器包括LSTM网络和全连接层，判别器包括带注意力机制的双向LSTM网络和全连接层； 在预测T+1时刻的水文数据时，需要将T+1时刻之前的水文数据经过处理后得到矩阵序列FT输入到生成器，输入生成器的矩阵序列首先经过包含三个控制单元状态门的神经元，分别是： 遗忘门，用于获取要舍弃的信息: 输入门，用于得到要记忆的信息以及存储当前细胞状态信息： 根据上述要舍弃的信息和要记忆的信息得到新的细胞状态： 以及输出门: 最终计算得出t时刻的生成器输出隐层状态；用于获取长期记忆信息，而则用于获取短期记忆信息，且初始以及默认为全0矩阵；其中，为矩阵序列的第t个时间点的输入，指代t-1时刻的隐层状态，W根据下标分别表示对应门控单元或细胞状态的权重向量，b根据下标分别表示对应门控单元或细胞状态的偏移量，则是激活函数； 最终的LSTM网络的输出由综合了前面所有有用信息的最后一个时间步T的隐层状态得到，再送入全连接层网络： 得到下一时刻的待预测值； 判别器的双向LSTM网络包括正向LSTM网络层和反向LSTM网络层，正向LSTM网络层和反向LSTM网络层的结构均与生成器中的LSTM网络层结构相同，输入到正向LSTM网络层的矩阵序列为正向输入，t时刻的正向输出隐层状态记为；输入到反向LSTM网络的矩阵序列为反向输入，t时刻的正向输出隐层状态记为；双向LSTM的隐层状态通过以下公式计算，其中为Concat函数，结合前后向隐层状态信息： 注意力层通过以下公式提取权重矩阵： 并通过与权重矩阵的乘积作为注意力层的输出： 其中，是双向LSTM层的输出，即所有时间点的隐层状态信息，大小为，其中是隐层状态信息的嵌入特征数，是序列的长度，则是训练学习得到的参数向量的转置，为权重矩阵，为该层的输出；之后再进入到全连接层网络Linear以及激活函数sigmoid将值固定于[0,1]区间: 得到序列的每个时间戳t为真的概率，其中的大小为T*1，且均处于[0,1]之间。

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浙江省水文管理中心，其通讯地址为：310009 浙江省杭州市上城区佑圣观路72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。