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！

龙图腾网恭喜镇江市生态环境监测站(镇江市辐射环境监测站)申请的专利一种基于多输入特征融合ConvLSTM模型的纹影流场重构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：CN119251260B 。

龙图腾网通过国家知识产权局官网在2025-04-08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：202411286066.1，技术领域涉及：G06T7/269；该发明授权一种基于多输入特征融合ConvLSTM模型的纹影流场重构方法是由潘静耀;吴昊;杨慧;颜丹设计研发完成，并于2024-09-13向国家知识产权局提交的专利申请。

本一种基于多输入特征融合ConvLSTM模型的纹影流场重构方法在说明书摘要公布了：本发明提供了一种基于多输入特征融合ConvLSTM模型的纹影流场重构方法，包括以下步骤：S1：参数初始化；S2：数据预处理，将图像进行裁剪及灰度处理，对压力数据进行归一化处理；S3：数据生成与分割，进行数据集划分；S4：模型构建与编译，使用ConvLSTM模型，构建多输入神经网络；S5：模型训练与回调，设置优化器及模型优化函数；S6：结果可视化及预测，包括绘制损失曲线及模型预测与结果保存。有益效果：本方法通过将ConvLSTM技术应用于纹影流场视频帧的处理，充分利用时空序列中的空间和时间信息，避免了传统方法在长序列处理时出现的性能下降问题，使得重构结果更具连续性和一致性，提高重构效果的精度和鲁棒性，大幅降低了计算资源的需求，具备更好的实时性。

本发明授权一种基于多输入特征融合ConvLSTM模型的纹影流场重构方法在权利要求书中公布了：1.一种基于多输入特征融合ConvLSTM模型的纹影流场重构方法，其特征在于,包括以下步骤：S1、参数初始化，定义模型训练所需的学习率、衰减率、批次大小、正则化因子、时间步长；S2、数据预处理，首先手动选择需要训练的压力参数及图像数据，将所有原始图像进行灰度处理，并在保留原始图像特征的前提下将图像裁剪为1024×256像素大小，对原始压力数据进行归一化处理；S3、数据生成与分割，进行数据集划分，将数据集按组分为训练集和验证集，自定义数据生成器，用于在训练过程中批量加载和处理数据，避免将所有数据一次性加载到内存中；S4、模型构建与编译，使用ConvLSTM模型，构建多输入神经网络，包括图像输入部分、压力数据输入部分、特征融合和输出部分，多输入神经网络模型的训练集包含处理后的图像以及与之对应的归一化后的压力参数两部分，其中图像输入至多输入神经网络中的图像输入部分，压力参数输入至多输入神经网络中的压力数据输入部分，之后图像输入部分和压力输入部分的输出会经过特征融合部分进行特征交叉学习后再进行模型输出；S5、模型训练与回调，设置优化器、损失函数、回调函数，定义早停、检查点保存和学习率调度器，开始训练模型后，使用自定义生成器和回调函数；S6、结果可视化及预测，包括绘制损失曲线及模型预测与结果保存，绘制训练和验证过程中的损失曲线，观察模型的表现，并在验证集上进行预测，并将预测结果保存为图像文件；所述S4具体为：多输入特征融合模型分为三个部分，利用卷积层处理图像数据的部分、利用时间序列层处理压力输入的部分，以及特征融合输出预测部分；图像处理模块包含5个ConvLSTM2D层，和一个Flatten层，其中ConvLSTM2D层能够同时处理时间和空间的信息，每层有64个滤波器，卷积核大小为3×3，每层ConvLSTM2D层都设置‘return_sequences＝True’，使得每层都能输出一个包含时间维度的序列，以此来保留时间步的特征，在每一层ConvLSTM2D后都插入了一个批量归一化层，用于加速训练过程，并提高模型的稳定性，最后一层ConvLSTM2D结束后，使用Flatten层将输出张量展平为一维向量，准备与压力数据的输出结合；其中，ConvLSTM的单步预测基本公式如下： 其中：σg表示sigmod函数，tanhg表示双曲正切激活函数，Xt是当前时间步的输入，Ht-1是上一时间步的隐藏状态，Ct-1是上一时间步的记忆单元，It为输入门，Ft为遗忘门，Ot为输出门,Ct为记忆单元，W、b分别是权重矩阵和偏置矩阵，°为乘积，*为卷积算子，bi为输入门的偏置矩阵，bf为遗忘门的偏置矩阵，bo为输出门的偏置矩阵，bc为记忆单元Ct的偏置矩阵；压力数据处理模块包含一层Flatten层和一层Dense全连接层，其中Flatten层对压力数据的输入层进行展平处理，将其转换为一维向量，将每个时间步的压力数据合并为一个向量，Dense全连接层对展平后的压力数据进行处理，全连接层包含64个神经元，并使用ReLU激活函数，通过增加非线性变换，提取压力数据的特征；特征融合与预测输出模块按顺序分别为Concatenate层、Dense全连接层、Dropout层、Dense层，Concatenate层将图像处理模块的输出x和压力数据处理模块的输出y合并在一起，这个融合的输出包含了从图像和压力数据中提取的特征，合并后的输出再次经过一个全连接层Dense，进一步提取混合特征，接着使用Dropout层，随机丢弃一定数目的神经元，防止过拟合，最后使用一个全连接层输出预测结果；通过‘tf.keras.Model’定义整个模型，指定输入层为图像和压力数据，输出层为预测值，使模型集成图像与压力数据的处理管道，能够同时考虑这两种数据的特征；使用Adam优化器作为自适应学习率优化算法；Adam优化器的更新规则如下：mt＝β1mt-1+1-β1gt 其中：gt是参数的梯度，β1和β2是两个指数加权平均值的衰减系数，和是梯度的偏差纠正后的移动平均值，θt+1是更新后的参数，η是学习率，ε取大于0的常数。

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镇江市生态环境监测站(镇江市辐射环境监测站)，其通讯地址为：212000 江苏省镇江市京口区东吴路周家门山3-4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”。