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！

龙图腾网获悉南京航空航天大学申请的专利机场场面运行场景可解释相似性度量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：CN119005484B 。

龙图腾网通过国家知识产权局官网在2025-08-29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：202410928838.0，技术领域涉及：G06Q10/063；该发明授权机场场面运行场景可解释相似性度量方法及系统是由尹嘉男;乔沛然;谢华;胡明华;田文;何雨轩;吴维设计研发完成，并于2024-07-11向国家知识产权局提交的专利申请。

本机场场面运行场景可解释相似性度量方法及系统在说明书摘要公布了：本发明公开了一种机场场面运行场景可解释相似性度量方法及系统，方法包括以下步骤：步骤1，采集来自于不同数据渠道的航班数据与气象数据，作为场景数据，并将其进行预处理，构建离场航班视角下的场景运行数据集合；步骤2，对步骤1中得到的场景运行数据集合中的数据，进行二级特征的处理，按照特征特点分别将其划分为航班静态属性特征和环境动态属性特征两类特征；步骤3，将步骤2中所得到的两类特征，构造用于可解释相似度数据的数据结构；步骤4，将步骤3所得到的数据应用于计算可解释相似度的网络，基于两类数据分别计算机场场面运行场景可解释相似度。

本发明授权机场场面运行场景可解释相似性度量方法及系统在权利要求书中公布了：1.一种机场场面运行场景可解释相似性度量方法，其特征在于：包括以下步骤： 步骤1，采集来自于不同数据渠道的航班数据与气象数据，作为场景数据，并将其进行预处理，构建离场航班视角下的场景运行数据集合； 步骤2，对步骤1中得到的场景运行数据集合中的数据，进行二级特征的处理，按照特征特点分别将其划分为航班静态属性特征和环境动态属性特征两类特征； 步骤3，将步骤2中所得到的两类特征，构造用于可解释相似度数据的数据结构； 步骤4，将步骤3所得到的数据应用于计算可解释相似度的网络，基于两类数据分别计算机场场面运行场景可解释相似度；具体包括以下步骤： 步骤4-1：对于第n个候选相似场景下的主要监督指标Tn，使用目标场景ξ的监督指标Tξ与第n个候选相似场景和目标场景间的偏差δn表示；因此采用以下方式对候选相似场景离场监督指标组成进行建模分析： Tn＝Tξ+δn 设在第n个候选场景下的监督指标偏差服从0均值的正态分布使得其中为在该场景条件下由于其与目标场景间的关键特征差异而产生方差； 步骤4-2：设定在一类场景中仅存在两个不同的离场航班运行场景i和j，将监督指标改写为同样将另一个样本改写为使用多个均值一致但方差不同的样本进行组合，且分别施加权重尽量降低整体方差，获得较为准确的TS取值： 其中，ω为场景相似度，为目标场景监督指标的估计值，限制相似度之和ωi+ωj＝1； 步骤4-3：通过统计学知识得TS的方差值为 对式中相似度进行求导得： 显然二阶导数取值大于零，所以获得方差值的最小值，其对应相似度取值分别为： 若确定多个场景的对应相似度，则表达方式如下： 其中S为场景集合，包含n个不同场景，因此得到以下结果： 其中所有相似度和为1，即 步骤4-4：同时考虑到样本方差取值为最小值，结合最后预测结果，近似认为目标场景的监督指标为样本的加权和，其表示方式为： 同样相似度和为1，即其中每一个权重ωi即为该场景的可解释相似度； 基于可解释相似度的特点，将处理后的两类数据分别投入到两个神经网络NET1与NET2中，两个神经网络原始数据输入形状分别为n×1×αcat与n×2×40，其中n为候选相似场景数，αcat为处理后的分类特征维度，计算过程如步骤4-5至步骤4-8所示： 步骤4-5：数据降采样图像化，以1×2的卷积核将数据进行降采样；将简化后的数据展开形成二维张量，其大小与形状和常见图片相近； 步骤4-6：类图像卷积，采用基于LeNet的网络框架结构对张量进行卷积池化处理，在两个神经网络的最后接入全连接层得到各自的相似度向量，并进行权重的组合，得到一个n×1的相似度拟合结果，其数量与候选相似场景数量一致，其中损失函数计算方式为： 式中ω为所有目标场景下的候选相似场景相似度集合，ωmn为第m个目标场景下第n个场景的相似度，的的含义为第m个目标场景特征，xn的含义为第n个历史场景特征，α为目标场景集合，β为候选相似场景集合，λ为偏差重要性参数，K为训练过程中所有离场航空器所处的目标运行场景的数量，Txn为第n个候选相似场景的监督指标，为目标场景下的实际监督指标；该损失函数由两部分组成，在最小化在训练集上的监督指标预测误差的同时减少高偏差场景的相似度取值，本过程中的神经网络的实际作用为计算不同场景与目标场景的相似度并用于线性生成目标场景下离场航班的监督指标； 步骤4-7：先验处理，最终为了保证相似度和为1，需要以下条件：基于该限制条件，需要将两个神经网络中输出的相似度进行额外先验处理：首先，需要将输出的所有负相似度映射为0，即在两个神经网络的最后额外接入一个ReLU层，其次，需要对所有权重进行归一化normalized处理，即在两个神经网络的ReLU层后接入一个归一化层；将上述完成处理的相似度进行组合加权输出即可产生目标场景与候选相似场景的整体相似度，计算方式如下： 式中μ为组合相似度分配系数，与分别为第n个样本目标场景下NET1与NET2输出的候选相似场景静态与动态向量相似度； 步骤4-8：迭代训练与相似度提取，通过线性生成监督指标，将预测产生的组合相似度与候选相似场景中的历史监督指标进行线性加权求和，根据损失函数进行迭代训练降低两者间误差。

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南京航空航天大学，其通讯地址为：213300 江苏省常州市溧阳市滨河东路29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”。