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！

龙图腾网恭喜大连理工大学申请的专利一种基于长期历史气象数据的桥梁温度梯度代表值估计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：CN115130176B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202210678109.5，技术领域涉及：G06F30/13；该发明授权一种基于长期历史气象数据的桥梁温度梯度代表值估计方法是由杨东辉;管泽鑫;伊廷华;李宏男设计研发完成，并于2022-06-16向国家知识产权局提交的专利申请。

本一种基于长期历史气象数据的桥梁温度梯度代表值估计方法在说明书摘要公布了：一种基于长期历史气象数据的桥梁温度梯度代表值估计方法，步骤如下：构建基于聚类方法的12种气象参数与结构温度梯度数据的局部化训练数据样本集合；建立基于神经网络模型的结构温度梯度监测指标与气象参数相关模型；基于长期历史气象数据的温度梯度数据样本扩充；基于扩充后结构梯度温度数据的桥梁结构温度梯度代表值估计。该方法有效扩展结构温度梯度的数据长度，解决结构温度监测数据样本不足，难以合理推算50年以上重现期温度作用代表值的问题。该方法充分利用现有监测数据，使得各种气象情况均能被有效训练，提高了训练、预测和泛化精度。该方法适用于不同地域各类型桥梁结构的温度梯度代表值估计，具有广泛的适用性和较大的工程应用潜力。

本发明授权一种基于长期历史气象数据的桥梁温度梯度代表值估计方法在权利要求书中公布了：1.一种基于长期历史气象数据的桥梁温度梯度代表值估计方法，其特征在于，步骤如下：步骤1.构建基于两阶段聚类方法的12种气象参数与结构温度梯度数据的局部化训练数据样本集合1.1气象参数数据样本构建；气象参数包括直接获得的参数和推导获得的参数，直接获得的参数：气温AT、气压AP、湿度AH、风速WS、云量CF、日总太阳辐射SR和是否下雨Rain；推导获得的参数：日最高温度Tdmax、日最低温度Tdmin、日最大温差ATDd、与前一天的最大温差ATDP和日照时长SD；其中数据精度均为1h，有效日照时长的计算公式如下： 其中，δ是赤纬角；是纬度角；ω是太阳时角；d是一年内的第d天；hSD是有效日照时长；t是当地太阳时，单位是小时；CFi为第i小时的云量监测值，反映了天空被云遮蔽的程度，取值为0～10的整数；1.2温度梯度样本构建；当多个监测点时，结构相邻监测点之间的差形成一个温度梯度向量，两个相邻监测点间的结构温差由以下公式给出：STDHI＝TH-TI其中，STDHI为两个监测点H与I之间的温差；TH、TI分别为测点H和I的温度；1.3基于两阶段聚类方法的气象参数局部化训练数据样本构建；将12类气象参数作为输入，温度梯度向量作为输出，通过神经网络建立上述气象参数输入与温度梯度输出之间的关系模型；根据两阶段聚类方法将12类气象参数和结构温度梯度向量形成的数据集合划分训练集和测试集，选取12类气象参数中的Tdmax、Tdmin、ATDd、日总太阳辐射、是否下雨5类气象参数作为聚类指标；定义N天中上述5类气象参数形成的样本集合为X＝{x1,x2,...,xN}，其中每天的数据对象中x中有n1个连续型气象参数变量，n2个分类型气象参数变量；通过对上述气象参数样本集合进行聚类，形成j个气象参数聚类簇构成的集合，Cj＝{c1,c2,…ci,…cj}；其中，任意簇ci和簇cj之间的距离定义为：Dci,cj＝λi+λj-λ{i,j}其中，{i,j}代表气象参数簇ci和簇cj合并后形成的气象参数样本集合；λi通过下列公式进行计算： 其中，Ni是气象参数簇ci中的样本数；是气象参数形成的样本集合X中所有数据点估计出的第k个连续型气象参数变量的估计方差；是根据气象参数簇i中数据点估计出的第k个连续型气象参数变量的估计方差；L为第p个分类型气象参数变量的类别数；Nipl是气象参数簇ci中属于第p个分类型气象参数变量的第l类的样本数；此外，λi和λ{i,j}的计算方式与λi相同；该方法分为两步，第一步是基于贝叶斯信息准则初步确定气象参数簇数的粗略估计值，即当随着气象参数簇数的增加，BIC的下降幅度显著减小时，确定初步的簇数；聚类簇Cj＝{c1,c2,…ci,…cj}的BIC的计算公式为： 其中，N为气象参数聚类X中包含的样本总数；在第二步中，以第一步得到的预聚类结果Cj＝{c1,c2,…ci,…cj}为对象，选取其中距离最小的两个聚类簇进行合并，形成新的聚类簇集合Cj-1；最小距离的计算公式为：dminCj＝min{Dcm,cn:m≠n,m∈1～j,n∈1～j}然后，以相邻合并的最小距离之比作为指标来确定最终的聚类数，相邻合并的最小距离之比公式为：以此类推，依次计算合并后相邻聚类簇集合的最小距离比；当rS＝max{rs:s≥2}时，确定对应的簇号s为最优气象参数簇号；第二步基于最大的比例通常发生在最后两个气象数据集群合并时；以每次合并时距离的比值变化作为判定标准，确定最佳簇数；合并从第一步得到的粗估计气象数据簇开始，在距离比值变化最大时得到气象参数簇数的精估计，从而确定气象参数聚类数据集；根据两阶段聚类法得到气象参数聚类数据集后，分别在每个气象参数聚类数据集中随机取80％的气象参数和温度梯度数据作为训练集，20％的气象参数和温度梯度数据作为测试集，用于气象参数与温度梯度建模；步骤2.建立基于神经网络的结构温度梯度监测指标与气象参数模型；步骤3.基于长期历史气象数据的温度梯度数据样本扩充；步骤4.基于扩充后结构温度梯度数据的桥梁结构温度梯度代表值估计。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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”。