Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 中国海洋大学杨永全获国家专利权

中国海洋大学杨永全获国家专利权

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!

龙图腾网获悉中国海洋大学申请的专利一种基于归纳学习的时空数据的插值方法、系统和装置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:CN119150919B

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:202411629126.5,技术领域涉及:G06N3/042;该发明授权一种基于归纳学习的时空数据的插值方法、系统和装置是由杨永全;汲生君;魏志强;殷波;聂婕设计研发完成,并于2024-11-15向国家知识产权局提交的专利申请。

一种基于归纳学习的时空数据的插值方法、系统和装置在说明书摘要公布了:本发明涉及一种基于归纳学习的时空数据的插值方法、系统和装置,属于数据处理领域,使用相应仪器采集时空数据,然后对时空数据集进行预处理;利用数据集构造时空数据插值模型的训练样本,以生成能够使模型泛化到未知节点和图结构的训练样本;构建一种属于图神经网络的空间聚合网络;构建时间编码器;训练时空数据插值模型;训练得到的目标模型用于模拟生成新的传感器数据以及生成未采样节点的数据;将需要插值的数据集作为训练模型的基础,将数据处理成所述的插值模型能够接受的输入,使用训练好的插值模型进行插值。本发明方法不仅提升了时空插值的精度,还具备更好的适应性和通用性。在数据稀缺的情况下,实现对未观测点的精准插值。

本发明授权一种基于归纳学习的时空数据的插值方法、系统和装置在权利要求书中公布了:1.一种基于归纳学习的时空数据插值方法,所述方法应用于海洋表面温度数据集的插值,其特征在于,所述方法包括以下步骤: 步骤1:使用包括卫星、船舶、浮标和Argo浮标在内的平台收集海洋表面温度数据集,将收集的海洋表面温度数据归一化后作为历史数据矩阵,标记历史矩阵中的缺失值,生成数据缺失矩阵,根据数据缺失矩阵标识历史数据矩的缺失数据,并划分训练集、验证集和测试集; 步骤2:在步骤1的历史数据矩阵中随机选择不同时间点生成多个训练样本,在每个样本子集中,随机选择部分节点作为缺失位置集,定义全零掩码矩阵,设置10%-20%比例的屏蔽节点,将掩码矩阵中对应位置屏蔽;具体包括: 步骤3:利用步骤2构造的时空数据插值模型的训练样本构建一种属于图神经网络的空间聚合网络;将时空数据中的空间位置看成图中一个节点,可达性、距离关系看成等图中的连接关系,通过空间聚合网络来提取时空数据的空间依赖,使用聚合函数来整合邻居节点的特征,学习并更新节点的特征; 在图神经网络的基础上,空间聚合网络在同一层中使用聚合函数和距离信息来捕捉复杂的空间依赖性; 步骤4:构建时间编码器;使用一个以上不同大小的一维卷积核并行对单个节点的时间序列数据进行卷积操作,提取局部和长时的时间特征,在卷积操作之前进行零填充;将卷积生成的所有特征通道拼接在一起,并使用门控机制,传递对任务至关重要的信息,同时时间编码器使用不同的激活函数、残差连接和跳跃连接的方式增强网络的学习能力、避免梯度消失问题; 步骤5:训练时空数据插值模型;确定模型的超参数设置,训练开始时,使用空间聚合网络层和时间编码器层交替堆叠来学习时空数据的空间和时间特征;在每一层中,空间聚合网络层利用一种以上聚合函数综合邻居节点的信息,而时间编码器则通过多尺度卷积操作捕捉时间序列的动态变化;在模型中引入残差连接;在每次迭代中,根据训练批量参数确定的样本数量,从历史数据中随机抽取训练样本,并应用掩码策略模拟数据缺失情况;通过最小化损失函数均方根误差或平均绝对误差来调整模型参数;利用Adam优化器梯度下降方法,根据反向传播算法计算得到的梯度更新模型的可学习参数; 训练过程中,采用早停机制监控验证集上的损失,当连续多个迭代损失没有显著下降时,提前终止训练以避免过拟合;当模型在验证集上的性能达到稳定或满足预设的训练条件时,得到最终的目标模型; 所述的超参数包括网络层数、训练批量大小和最大训练周期以及缺失节点比例、训练数据的输入序列长度、时间编码器中时间卷积核长度、邻居节点数; 步骤6:将步骤5训练得到的目标模型用于模拟生成新的传感器数据以及生成未采样节点的数据;将需要插值的数据集作为训练模型的基础,确定需要插值的区域,包括未采样节点的位置和时间段,将数据处理成步骤5所述的插值模型能够接受的输入,邻接矩阵需要包含未采样节点信息,同时在掩码矩阵中置零来标识未采样节点,使用训练好的步骤5所述的插值模型进行插值;具体方法如下: 使用目标模型插值预测海洋表面温度数据集中未采样点的海洋表面温度,迭代插值策略从已知节点的附近开始,逐步向外扩展;初步生成的插值结果用于扩充训练集,通过多次迭代进一步优化模型的插值精度,最终得到时间分辨率为日,空间分辨率为0.25°×0.25°无缺失数据的网格化海洋表面温度数据集。

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中国海洋大学,其通讯地址为:266100 山东省青岛市崂山区松岭路238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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。