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！

龙图腾网恭喜山东科技大学;自然资源部第一海洋研究所申请的专利一种基于深度学习的海洋内波监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：CN119622614B 。

龙图腾网通过国家知识产权局官网在2025-05-23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：202510169470.9，技术领域涉及：G06F18/2433；该发明授权一种基于深度学习的海洋内波监测方法是由吕元超;陈亮;崔虎山;唐海洋;胡同欣设计研发完成，并于2025-02-17向国家知识产权局提交的专利申请。

本一种基于深度学习的海洋内波监测方法在说明书摘要公布了：本发明公开一种基于深度学习的海洋内波监测方法，属于海洋内波监测技术领域，用于海洋内波监测，包括采集观测海域的流速数据集，作为原始数据集，对原始数据集进行质控，对质控后的数据进行正常序列和异常序列的区分，并划分训练集、验证集和测试集；构建海洋内波异常监测模型，优化异常评分且重构误差参数，利用训练好的海洋内波异常监测模型对海域的流速观测数据进行监测，识别海洋内波序列；对海洋内波异常监测模型提取的海洋内波序列进行内波动力学特征分析并输出特征。本发明采用深度学习模型能够准确捕捉正常流速的行为模式，并通过重构误差实现内波流的异常检测，有效区分正常流速和内波流速，减少了由传统方法引起的误判和漏判情况。

本发明授权一种基于深度学习的海洋内波监测方法在权利要求书中公布了：1.一种基于深度学习的海洋内波监测方法，其特征在于，包括：S1、采集观测海域的流速数据集，作为原始数据集，对原始数据集进行质控，对质控后的数据进行正常序列和异常序列的区分，并划分训练集、验证集和测试集；S2、在自编码器AE模型的基础上进行改进，构建海洋内波异常监测模型，优化异常评分且重构误差参数，利用训练好的海洋内波异常监测模型对海域的流速观测数据进行监测，识别海洋内波序列；S3、对海洋内波异常监测模型提取的海洋内波序列进行内波动力学特征分析并输出特征；海洋内波异常监测模型包括数据输入层、编码器层、潜在特征层、编码器层和重构数据层；数据输入层将时间序列数据输入至编码器层，所述编码器层包括一个多尺度卷积层和一个LSTM层，多尺度卷积层包括感受野从小到大的多个卷积层，多尺度卷积层输出不同感受野的特征，LSTM层融合不同感受野的特征并将特征映射到潜在特征层，在编码器层中引入时间步注意力机制，动态关注重要时间点，生成加权特征用于解码器解码；编码器层包括一个多尺度卷积层和一个LSTM层，编码器层从潜在特征层中提取信息，重现与原始输入相似的序列，将生成的重构结果输入重构数据层；在海洋内波异常监测模型中引入异常评分计算和重构误差计算；对于潜在特征层中的特征进行异常评分计算，建立超球体来捕捉正常数据的分布，在训练过程中，自动调整超球体的半径，以适应正常数据的分布变化，基于正常数据的分布动态更新超球体半径，当网络对输入数据进行推理时，计算潜在特征与超球体中心的距离： ；式中，是潜在特征与超球体中心的距离，是潜在特征，根据判断数据是否偏离正常分布，进而判断是否异常；使用均方误差进行重构误差计算： ；式中，是重构误差计算结果，是流速值，是流速估值，是样本总数，是特征总维度，是第层的样本在时间步和特征维度上的实际值，是第层的样本在时间步和特征维度上的重构值；将异常评分和重构误差求和生成最终的异常评分： ；式中，是最终的异常评分，是加权参数；设置判断阈值，若超过判断阈值则判定为异常数据点；将数据输入层的数据与重构数据层的数据进行对比，计算它们之间的最终的异常评分，筛选异常数据。

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山东科技大学;自然资源部第一海洋研究所，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579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”。