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！

龙图腾网获悉昆明理工大学申请的专利星载GNSS-R多模态数据融合的海洋涌浪高和风浪高联合反演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：CN119881978B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202411786145.9，技术领域涉及：G01S19/37；该发明授权星载GNSS-R多模态数据融合的海洋涌浪高和风浪高联合反演方法是由布金伟;籍超颖;汪秋兰;王梓逸;李欢;刘馨雨;左小清设计研发完成，并于2024-12-06向国家知识产权局提交的专利申请。

本星载GNSS-R多模态数据融合的海洋涌浪高和风浪高联合反演方法在说明书摘要公布了：本发明公布了星载GNSS‑R多模态数据融合的海洋涌浪高和风浪高联合反演方法，属于GNSS反射测量与深度学习交叉研究领域，包括以下步骤：S1，原始数据获取；S2，对原始数据进行处理；S3，将步骤S2处理后的数据集划分为训练数据、验证数据和测试数据；S4，构建海洋涌浪高和风浪高联合反演模型；S5，对海洋涌浪高和风浪高两个目标进行自适应加权；S6，将测试数据输入到联合反演模型中进行测试；S7，评估模型的性能，本发明的有益效果是，本发明的模型可以直接使用本模型一次性地输出两个目标，并且在一定程度上同时保证了两个目标的反演精确度，在大大的节省计算效率的同时，能带来毫不逊色于单输出模型反演的效果，具有经济效益。

本发明授权星载GNSS-R多模态数据融合的海洋涌浪高和风浪高联合反演方法在权利要求书中公布了：1.星载GNSS-R多模态数据融合的海洋涌浪高和风浪高联合反演方法，其特征在于，包括以下步骤： S1，原始数据获取，获取天目一号全球导航卫星掩星探测仪-M型的L1数据、ERA5再分析数据集和辅助数据作为原始数据； S2，对原始数据进行预处理、质量控制和时空匹配，并对L1数据进行校准； S3，将步骤S2处理后的数据集进行划分，60％作为训练数据，15％数据作为验证数据，25％作为测试数据； S4，构建海洋涌浪高和风浪高联合反演模型，并对模型进行训练和验证； 所述联合反演模型的主体结合了以下五条输入线： 输入线一的输入为双基雷达散射截面； 输入线二的输入为GNSS-R变量和辅助参数； 输入线三的输入为有效散射面积； 输入线四的输入为原始计数DDM； 输入线五的输入为功率DDM； 输入线一、输入线四和输入线五的输入均为图像，它们的处理处理方法如下： 1CNN卷积处理： 使用两个卷积层提取特征，之后使用了全局平均池化层降低维度，再通过全连接层进行进一步的特征映射和输出，这个过程用公式表示如下： 使用两个卷积层提取特征： X1＝Conv2DX∈RH×W×64 X2＝Conv2DX1∈RH×W×128 其中，输入张量用X∈RH×W×C表示，H是输入图像的高度，W是宽度，C是卷积核数量；Conv2D表示二维卷积操作；X表示原始输入；X1是经过第一次卷积后的张量，卷积核数量为64；X2是经过第二次卷积后的张量，卷积核数量为128； 进入全局平均池化层： X3＝GlobalAveragePooling2DX2∈R128 其中，X3是长度为128的向量，表示提取的特征，GlobalAveragePooling2D表示全局平均池化操作； 通过全连接层将X3映射到256个神经元并输出X4： X4＝DenseX3∈R256； 2使用Transformer模块对进行输入数据的处理： Transformer模块利用多头注意力和前馈神经网络进行输入数据的处理，注意力输出通过残差连接添加到原始输入中，然后将层归一化应用于总和，达到稳定训练并提高收敛的效果，前馈网络使用两个全连接层，第一层使用Relu激活函数引入非线性，第二层使inputs.shape[-1]操作，将输出投影为与输入相同的维度，为了防止过拟合，使用了随机失活，并将前馈输出添加到第一层归一化的结果来应用了另一个残差连接，最后对结果进行再次归一化，作为Transformer模块的最终输出，这里的前馈神经网络由以下公式实现 FFNX＝max0，XW1+b1W2+b2 这里W1表示第一层权重矩阵；W2表示第二层权重矩阵；b1，b2表示偏置项；max0，·代表Relu激活函数；X表示原始输入； 最终输出可表示为： TransformerX＝LayerNormX+MultiHeadQ,K,V+LayerNormFFNX 其中，MultiHeadQ,K,V为多头注意力机制，LayerNorm表示归一化操作； 输入线二的输入使用动态多路径状态空间模型Mamba提取特征，使用三个不同的路径处理输入，且每条路经均使用了多层感知器MLP和一维卷积进行特征提取，对提取的特征使用乘法组合，除此之外，添加了门控机制，使用Softmax门控权重确定每条路径的贡献，而Skip连接把最终输出和原始输入结合，促进了梯度流动。在这个模块中，假设输入为X∈RN×D,N为批量大小，D为特征维度，最终输出可由公式表示为： 其中，Yfinal为每条路径的加权和，为经过每条路径的MLP处理和一维卷积Conv1D的结果，gi表示门控权重； 经过处理后，通过一个有128个神经元的全连接层并使用ReLU激活函数，与其他线路汇合，汇合过程即为数据融合机制，具体表现为相乘融合，这一步操作以前，两条线路均通过了含有256个神经元的全连接层并使用ReLU激活函数，目的是保证形状的一致； 五条输入线汇合后，进一步使用双向卷积长短期记忆网络特征推理模块，在有效提取输入数据中的空间特征的同时，捕捉时序数据中的长期依赖，从而更全面地理解数据的空间—时间特征； S5，添加自适应损失层，对海洋涌浪高和风浪高两个目标进行自适应加权，权重上引入正则化以防止过拟合，平衡联合反演模型的输出； S6，将测试数据输入到经过验证的联合反演模型中，对模型的拟合效果进行进一步测试； S7，联合反演模型的输出结果与ERA5数据的涌浪高真值、风浪高真值进行对比，评估模型的性能。

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昆明理工大学，其通讯地址为：650000 云南省昆明市一二一大街文昌路68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。