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！

龙图腾网获悉电子科技大学申请的专利基于孪生脉冲神经网络的轻量化目标轨迹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：CN121659997B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202610171467.5，技术领域涉及：G06N3/045；该发明授权基于孪生脉冲神经网络的轻量化目标轨迹预测方法是由张马路;王敬指南设计研发完成，并于2026-02-06向国家知识产权局提交的专利申请。

本基于孪生脉冲神经网络的轻量化目标轨迹预测方法在说明书摘要公布了：本发明公开了一种基于孪生脉冲神经网络的轻量化目标轨迹预测方法，属于目标轨迹预测领域。本发明包括：构建包括模版帧与搜索帧的样本对；构建包括模板分支、搜索分支、自适应掩码模块、脉冲神经Transformer模块和输出预测层的孪生脉冲神经网络模型，其中模板分支与搜索分支权重共享；自适应掩码模块用于对两分支的输出特征对齐，并生成掩码和特征增强，脉冲神经Transformer模块用于获取增强特征的全局依赖关系，并通过输出预测层输出目标的当前位置和追踪路径终点，以生成目标的追踪计划路径；基于样本对构建的训练数据对构建的模型进行训练，得到用于获取目标的追踪计划路径的模型。本发明方通过动态筛选关键脉冲、优化网络结构，实现精度与效率的双重提升。

本发明授权基于孪生脉冲神经网络的轻量化目标轨迹预测方法在权利要求书中公布了：1.基于孪生脉冲神经网络的轻量化目标轨迹预测方法，其特征在于，包括下列步骤： 步骤1，构建样本对； 以事件相机采集的时空非均匀采样的关键帧序列作为输入数据源，在预设的时间窗口范围内采用动态随机采样策略生成样本对；其中，每个样本包括模版帧与搜索帧； 步骤2，构建孪生脉冲神经网络模型，其包括：两路权重共享的模板分支和搜索分支；其中，模板分支和搜索分支的网络结构相同，采用基于脉冲神经卷积块的轻量级骨干网络；模板分支的输入数据为样本对中的模版帧，用于提取模板特征；搜索分支的输入数据为样本对中的搜索帧，用于提取搜索特征；在模板分支和搜索分支后连接自适应掩码模块，以实现模板特征和搜索特征的特征对齐和掩码生成，并基于生成的掩码对搜索特征进行自适应增强，向脉冲神经Transformer模块输出增强特征；脉冲神经Transformer模块基于脉冲神经卷积块和自注意力机制和自注意力机制获取增强特征所对应的特征图中的全局依赖关系，通过脉冲时间戳信息计算相关性；最后，通过输出预测层输出目标的当前位置和追踪路径终点，以生成目标的追踪计划路径； 步骤3，基于步骤1生成的样本对构建训练数据集，对孪生脉冲神经网络模型进行模型参数训练，当满足预置的训练收敛条件时，得到用于获取目标的追踪计划路径的孪生脉冲神经网络模型； 其中，自适应掩码模块包括两个下采样层，第一下采样层用于处理模板特征，第二个下采样层用于处理搜索特征； 第一下采样层后依次包括：平均池化层、连接层、第一卷积层、第一批归一化层、ReLU激活函数、LIF神经元层、第二卷积层、第二批归一化层、Sigmoid激活函数和自适应增强层；且第二下采样层的处理后的搜索特征直接送入连接层和自适应增强层； 两个下采样层采用分组卷积，两个卷积层的卷积核尺寸均设置为1×1； 连接层用于对经过平均池化处理的模板特征进行特征维度调整，以匹配下采样后的搜索特征的空间维度，实现模板特征与搜索特征在空间维度上的对齐；然后对模板特征和搜索特征进行通道维度的拼接，再将拼接特征送入第一卷积层，依次经第一批归一化层、ReLU激活函数、LIF神经元层、第二卷积层、第二批归一化层、Sigmoid激活函数后生成区分目标与背景的掩码； 自适应增强层基于掩码和可学习参数进行特征增强，输出增强特征： ； 其中，表示增强特征，表示哈达玛积。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。