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！

龙图腾网获悉重庆交通大学申请的专利基于机器学习增强Hermite多项式模型的平稳非高斯风压模拟方法及系统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：CN121389758B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202511532199.7，技术领域涉及：G06F30/27；该发明授权基于机器学习增强Hermite多项式模型的平稳非高斯风压模拟方法及系统是由姜言;赵宁;谢沛伦;吴凤波;辛景舟;张洪;唐启智;刘成梁设计研发完成，并于2025-10-24向国家知识产权局提交的专利申请。

本基于机器学习增强Hermite多项式模型的平稳非高斯风压模拟方法及系统在说明书摘要公布了：本发明涉及一种基于机器学习增强Hermite多项式模型的平稳非高斯风压模拟方法及系统，首先构建了一个多输入单输出的机器学习模型来确定提出方法的转换函数中需要的统计矩，随后在此基础上建立了多输入多输出的非高斯功率谱到潜在高斯功率谱的神经网络转换模型，最后基于双机器学习模型构造的ML‑EHPM模型，分别预测得到转换函数所需的统计矩和高斯PSD预测模型预测出的潜在高斯功率谱，采用该潜在高斯功率谱表示法模拟出非高斯风压；在强非高斯风压、超出单调区域的风压以及双峰风压分布条件下，ML‑EHPM方法能更真实地再现目标概率密度函数和功率谱密度，模拟精度显著超越传统HPM方法，尤其在强非高斯样本中优势尤为突出。

本发明授权基于机器学习增强Hermite多项式模型的平稳非高斯风压模拟方法及系统在权利要求书中公布了：1.基于机器学习增强Hermite多项式模型的平稳非高斯风压模拟方法，其特征在于，包括以下步骤： S1、构造多输入单输出的BES-XGBoost模型，将十阶原点矩和转换函数均值作为输入特征，其余转换函数统计矩,,,作为输出特征进行训 练，得到对应四个统计矩的预测模型； 假设是非高斯分量过程的原始PDF，则随机过程正侧的前四个统计矩定 义为： 1 2 3 4 其中，是从原始PDF导出的中值；、、和分别是新定义的正侧 的均值、标准差、偏度和峰度；同样，负侧的统计矩定义为： 5 6 7 8 其中,,和分别是新定义的负侧的均值、标准差、偏度和峰度； 步骤S1具体为： S11、构造配对训练数据集 基于实测数据估计前十阶原点矩和目标概率密度函数，并通过公式1得到的转换函 数均值作为输入，然后通过公式2、4、6、8分别计算转换函数统计矩,,,作为输出数据，构建出训练数据集，为模型训练提供基础数据； S12、训练BES-XGBoost模型 针对转换函数的四个统计矩,,,，分别构建四个独立的BES- XGBoost模型；在训练过程中，利用BES算法对XGBoost的关键超参数，即迭代次数、树 深度与学习率进行优化，以提升预测精度和模型泛化能力； S13、建立嵌套输入结构 为进一步提高预测稳定性与准确性，引入嵌套输入结构；即利用BES-XGBoost模型预测 正负侧的标准差,，将预测得到的标准差作为新的输入特征，进一步使用同样的 BES-XGBoost模型预测峰度,； S14、预测转换函数统计矩 训练完成后，将目标前十阶原点矩和对应的转换函数均值输入训练好 的BES-XGBoost模型中，直接输出转换函数的统计矩,,,； S2、构造多输入多输出的BPNN模型，将非高斯PSD、转换函数均值和转换函数统计矩 ,,,作为输入特征，潜在高斯PSD作为输出特征，经过训练，得到潜在 高斯PSD的预测模型； S3、基于步骤S1、步骤S2构造的ML-EHPM模型，分别预测得到转换函数所需的统计矩,,,和高斯PSD预测模型预测出的潜在高斯功率谱，采用该潜在 高斯功率谱表示法模拟出非高斯风压。

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重庆交通大学，其通讯地址为：400074 重庆市南岸区学府大道66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。