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！

龙图腾网获悉兰州大学申请的专利融合AI算法再优化的沙尘天气同化数据生成方法、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：CN121479664B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202511630545.5，技术领域涉及：G06F18/25；该发明授权融合AI算法再优化的沙尘天气同化数据生成方法、装置是由陈斌;王涣智;管晓丹设计研发完成，并于2025-11-10向国家知识产权局提交的专利申请。

本融合AI算法再优化的沙尘天气同化数据生成方法、装置在说明书摘要公布了：本申请提供一种融合AI算法再优化的沙尘天气同化数据生成方法、装置，涉及计算机科学和大气科学融合技术领域。该方法包括：获取卫星提供的多通道观测数据；引入贝叶斯优化过程使背景误差与观测误差相互独立，得到同化后的分析场数据；构建联合优化框架，该框架响应于输入的分析场数据，利用CNN生成初步后优化数据场作为CNN全局特征，通过SVR得到SVR局部修正特征，通过动态加权融合实现CNN全局特征与SVR局部修正特征的平衡。本申请通过多卫星通道数据间的协同处理与实际沙尘天气过程的结合比对，显著提升了对大范围沙尘数据的重建精度，为当前沙尘同化后数据整体的构建提供了更精确的支持。

本发明授权融合AI算法再优化的沙尘天气同化数据生成方法、装置在权利要求书中公布了：1.一种沙尘天气同化数据生成方法，其特征在于，所述方法包括： 获取卫星提供的多通道观测数据；其中，所述多通道观测数据包括背景场数据和观测场数据； 以四维变分与集合卡尔曼滤波结合的4DEnVar方法为基础同化模型，引入贝叶斯优化过程使背景误差与观测误差相互独立，将所述多通道观测数据输入所述基础同化模型进行同化计算，输出同化后的分析场数据； 构建联合优化框架，所述联合优化框架融合卷积神经网络CNN与支持向量回归SVR，所述联合优化框架响应于输入的分析场数据，利用CNN多层卷积结构捕捉多时间窗口数据的空间关联性及多尺度特征，生成初步后优化数据场作为CNN全局特征，通过SVR的ε-不敏感损失函数对高频残差进行二次建模，得到SVR局部修正特征，所述高频残差为初步后优化数据场与真实观测场数据的差值，通过动态加权融合实现CNN全局特征与SVR局部修正特征的平衡，以融合后的数据作为最终的沙尘天气同化数据； 利用CNN多层卷积结构捕捉多时间窗口数据的空间关联性及多尺度特征，生成初步后优化数据场作为CNN全局特征，包括： 基于CNN引入针对空间自适应的动态权重函数，所述动态权重函数通过梯度加权提升同化数据在极端值突变区域的贡献，同时基于多时间窗口背景场相似性抑制平稳区域同化过程引入的振荡噪声； 在所述联合优化框架中构建包含残差连接的架构，并确定所述架构的损失函数； 通过循环迭代机制，结合所述动态权重函数与损失函数，生成同时满足极端值保真与平稳区域稳定的优化数据作为CNN全局特征； 所述动态权重函数表示为： 式中，为动态权重函数，为背景场不确定性参数，为分析场数据的梯度，为背景场数据，max为取最大值，exp为以自然常数为底的指数函数，ISDI为沙尘强度指数，用以量化沙尘天气中沙尘强度； 所述损失函数表示为： 式中，L为损失函数，为CNN算法再优化后的分析场数据，为观测场数据，分析场数据，TV为衡量空间波动程度的总变差； 通过如下公式生成同时满足极端值保真与平稳区域稳定的优化数据作为CNN算法再优化后的分析场数据： 式中，Rx为基于CNN框架的正则化约束项，为背景场与极端区域分析数据的损失函数，为背景场与平缓区域分析数据的损失函数，Xb为背景场数据，y为观测场数据，X为极端区域分析数据，argmin为取使得后面目标函数取得最小值的变量值； 所述动态加权融合基于梯度敏感度构建自适应权重函数，实现CNN全局特征与SVR局部修正特征的动态平衡，所述自适应权重函数的表达式为： 式中，α、β分别为控制梯度敏感区域与平稳区域的贡献权重，为CNN全局特征的梯度，即CNN算法再优化后的观测数据梯度，为SVR局部修正特征，即SVR算法修正得到的同化后数据，为CNN全局特征，即CNN算法修正得到的同化后数据，WDeepSVRx为自适应权重，exp为以自然常数为底的指数函数，max为取最大值，为SVR局部修正与CNN全局特征差异的特征尺度参数。

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兰州大学，其通讯地址为：730000 甘肃省兰州市城关区天水南路222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。