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！

龙图腾网获悉青岛哈尔滨工程大学创新发展中心;哈尔滨工程大学申请的专利基于动态周期模式识别与加权的船舶运动预报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：CN119719685B 。

龙图腾网通过国家知识产权局官网在2025-06-17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：202510213843.8，技术领域涉及：G06F18/20；该发明授权基于动态周期模式识别与加权的船舶运动预报方法及系统是由黄礼敏;孙高翔;陈航宇;李貌;杨珂设计研发完成，并于2025-02-26向国家知识产权局提交的专利申请。

本基于动态周期模式识别与加权的船舶运动预报方法及系统在说明书摘要公布了：本发明属于船舶与海洋工程技术领域，公开了基于动态周期模式识别与加权的船舶运动预报方法及系统。该方法通过数据切割得到训练集与测试集；滑动窗口法得到输入数据集与输出数据集；将输入数据集依次输入时域预报模块得到时域预报结果；以及输入频域预报模块得到频域预报结果；对输入数据进行主频能量占比计算，得到周期模式权重占比；将时域预报结果与频域预报结果进行加权得到最后预报结果；并与输出训练数据对比计算损失函数；将测试输入数据集输入训练好的模型得到测试数据集预报结果。本发明充分地利用了时域预报模型和频域预报模型在各自擅长的周期模式上的优势，有效改善了预报模型在预报过程中预报结果相位偏移的现象。

本发明授权基于动态周期模式识别与加权的船舶运动预报方法及系统在权利要求书中公布了：1.一种基于动态周期模式识别与加权的船舶运动预报方法，其特征在于，该方法包括步骤： S1：对船舶某一自由度运动时历数据进行分割，得到时历预报的训练集Dtr和测试集Dte； S2：设置历史输入步长back和提前预测步长ahead，根据训练集Dtr和测试集Dte构建多周期模式动态预报模型的输入训练数据集Xtr、输出训练数据集Ytr、输入测试数据集Xte和输出测试数据集Yte； S3：根据得到的输入训练数据集Xtr，将其中的各段输入数据输入频域预报模块进行预报，得到频域预报结果 S4：根据得到的输入训练数据集Xtr，将其中的各段输入数据输入时域预报模块进行预报，得到时域预报结果 S5：根据得到的输入训练数据集Xtr，将其中的各段输入数据进行主频能量占比计算，获得相应的权重占比；其中，相应的权重占比包括：频域预报结果权重占比θfreq和时域预报结果权重占比θtime； S6：根据得到的频域预报结果权重占比θfreq和时域预报结果权重占比θtime，与得到的频域预报结果和时域预报结果分别相乘得到最后预报结果，并与输出训练数据集Ytr对比计算损失函数； S7：将步骤S2中得到的输入测试数据集Xte输入至训练好的多周期模式动态预报模型之中，经过模型求解得到输出测试数据集预报结果 在步骤S3中，频域预报模块进行预报，包括： 根据得到的输入训练数据集在其中的输入训练数据后面填充零值向量得到扩展输入训练数据 其中，back为历史输入步长，ahead为提前预测步长； 将扩展输入训练数据通过快速傅里叶变换从时域转换到频域，得到扩展输入训练频谱数据其中，wi为傅里叶变换后的频率分量；对输入训练数据集Xtr中每个输入训练数据均开展上述操作，得到扩展输入训练频谱数据集其中，为各输入训练数据对应的频谱片段； 将得到的扩展输入训练频谱数据集Wtr中各个训练频谱数据 依次输入复值注意力计算网络，在复值注意力计算网络中，通过线性映射扩展到D维隐空间其中，为D维隐空间中的向量； D维隐空间中的分别通过可学习向量可学习向量和可学习向量生成查询矩阵Q＝λQΓtr、键矩阵K＝λKΓtr和值矩阵V＝λVΓtr； 对查询矩阵、键矩阵和值矩阵执行复值点积注意力，得到注意力输出结果H＝softmaxQKTV其中，softmax为归一化指数函数，T为向量转置； 注意力输入结果H通过线性变换映射回原频谱维度，得到频谱矩阵 其中，为线性变换映射后的频率分量； 将频谱矩阵进行快速傅里叶逆变换得到频域预报模块预测结果对扩展模型预测结果进行序列后向裁剪，得到频域预报模型预测结果 其中，为各预报时间点处的值。

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青岛哈尔滨工程大学创新发展中心;哈尔滨工程大学，其通讯地址为：266400 山东省青岛市黄岛区三沙路1777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”。