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！

龙图腾网获悉中山大学申请的专利一种基于深度学习和可解释性分析的地表径流成因识别方法及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：CN120744460B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202511164529.1，技术领域涉及：G06F18/213；该发明授权一种基于深度学习和可解释性分析的地表径流成因识别方法及装置是由王天;张瓅丹;王喻鸣设计研发完成，并于2025-08-20向国家知识产权局提交的专利申请。

本一种基于深度学习和可解释性分析的地表径流成因识别方法及装置在说明书摘要公布了：本发明公开了一种基于深度学习和可解释性分析的地表径流成因识别方法及装置，用于解决现有的地表径流成因识别方法导致识别精度较低的技术问题。方法包括获取气象水文因子时间序列数据，并将气象水文因子时间序列数据输入至基于深度学习的地表径流成因识别模型；基于深度学习的地表径流成因识别模型包括一维卷积模块、双向长短期记忆网络、基于多头注意力机制的识别模块；采用一维卷积模块对气象水文因子时间序列数据进行卷积操作，输出局部响应特征序列；通过双向长短期记忆网络对局部响应特征序列执行双向处理操作，生成目标全面特征序列；将目标全面特征序列输入至基于多头注意力机制的识别模块进行识别，输出目标地表径流成因识别结果。

本发明授权一种基于深度学习和可解释性分析的地表径流成因识别方法及装置在权利要求书中公布了：1.一种基于深度学习和可解释性分析的地表径流成因识别方法，其特征在于，包括： 获取气象水文因子时间序列数据，并将所述气象水文因子时间序列数据输入至基于深度学习的地表径流成因识别模型；所述基于深度学习的地表径流成因识别模型包括一维卷积模块、双向长短期记忆网络、基于多头注意力机制的识别模块； 采用所述一维卷积模块对所述气象水文因子时间序列数据进行卷积操作，输出局部响应特征序列； 通过所述双向长短期记忆网络对所述局部响应特征序列执行双向处理操作，生成目标全面特征序列； 将所述目标全面特征序列输入至所述基于多头注意力机制的识别模块进行识别，输出目标地表径流成因识别结果； 所述基于深度学习的地表径流成因识别模型的训练过程，具体为： 获取多个用于模型训练的气象水文因子时间序列数据，并分别将各所述用于模型训练的气象水文因子时间序列数据输入至初始基于深度学习的地表径流成因识别模型，输出各所述用于模型训练的气象水文因子时间序列数据对应的训练地表径流成因识别结果； 根据多个所述训练地表径流成因识别结果，计算总平方和； 采用双段式加权法和三段式加权法根据各所述训练地表径流成因识别结果对应的径流真实观测值，输出各所述径流真实观测值对应的权重； 根据各所述训练地表径流成因识别结果、各所述径流真实观测值和对应的权重，计算加权残差平方和； 将所述加权残差平方和和所述总平方和代入预置损失函数并求导，输出模型梯度； 采用所述模型梯度对所述初始基于深度学习的地表径流成因识别模型的模型参数进行更新，确定中间基于深度学习的地表径流成因识别模型，并实时统计模型更新次数； 判断所述模型更新次数是否达到预置训练次数阈值； 若是，则根据所述中间基于深度学习的地表径流成因识别模型输出的多个训练地表径流成因识别结果，计算特征重要性得分； 基于所述特征重要性得分，计算特征贡献占比； 将所述中间基于深度学习的地表径流成因识别模型作为训练好的所述基于深度学习的地表径流成因识别模型； 所述预置损失函数，具体为： ； 其中，为预置损失函数对应的损失值；为加权残差平方和；为总平方和；取值10-8。

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山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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。