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！

龙图腾网获悉中南大学申请的专利一种基于混合网络模型的雪深估计方法及系统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：CN121808285B 。

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：202610275166.7，技术领域涉及：G06F18/20；该发明授权一种基于混合网络模型的雪深估计方法及系统是由董健;窦昊锋;刘诗蕾;李明君;肖程望;李一楠;刘淑波设计研发完成，并于2026-03-09向国家知识产权局提交的专利申请。

本一种基于混合网络模型的雪深估计方法及系统在说明书摘要公布了：本发明公开了一种基于混合网络模型的雪深估计方法及系统，该方法对亮温与实测雪深数据进行预处理与时空对齐，构建标准化数据集；构建混合网络模型，其输入层采用卷积分块嵌入提取局部特征，编码‑协同层LayerScale机制捕获全局依赖，输出层则通过双分支残差融合结构集成深层语义特征与原始浅层特征；以平均绝对误差为损失函数，采用AdamW优化器与余弦退火学习率调度对模型进行训练，得到优化的雪深估计模型；通过优化的雪深估计模型实时预测雪深估计值。该系统具有相同的技术构思。本发明克服了传统方法泛化能力弱、对局部与全局特征利用不足以及输出缺乏物理约束的问题，实现了对积雪厚度的高精度、稳健反演。

本发明授权一种基于混合网络模型的雪深估计方法及系统在权利要求书中公布了：1.一种基于混合网络模型的雪深估计方法，其特征在于，包括如下步骤： 获取亮温数据和雪深数据，分别对所述亮温数据和所述雪深数据进行处理，基于处理后的亮温数据和处理后的雪深数据构建亮温雪深数据集，标准化处理所述亮温雪深数据集，得到亮温雪深标准集； 构建由输入层、编码-协同层和输出层组成的卷积-Transformer混合网络模型，其中，所述输入层用于提取所述亮温雪深标准集中的浅层局部特征，所述编码-协同层用于获取用于表征全局依赖关系的深层语义特征，所述输出层用于融合处理后的所述浅层局部特征和处理后的所述深层语义特征，并输出雪深估计值； 所述获取用于表征全局依赖关系的深层语义特征，包括如下步骤：将所述亮温雪深标准集中的亮温序列通过深度可分离卷积模块划分为图块嵌入后映射为高维嵌入向量，并附加可学习位置编码，形成令牌序列；将所述令牌序列输入至由若干个堆叠编码块构成的Transformer编码器中；其中，每个编码块采用Pre-Norm结构，并包含：层归一化模块、带LayerScale机制的多头自注意力模块以及多层深层残差前馈网络；从所述Transformer编码器中提取出浅层特征，将所述浅层特征与自注意力权重矩阵拼接后进行层归一化处理，再进行逐层累积残差连接计算，将所述多层深层残差前馈网络的输出作为所述深层语义特征； 所述融合处理后的所述浅层局部特征和处理后的所述深层语义特征，包括如下步骤：将所述浅层局部特征通过第一预设多层全连接网络进行抽象处理，得到处理后的浅层局部特征；将所述深层语义特征展平后通过第二预设多层全连接网络进行抽象处理，得到处理后的深层语义特征；基于可学习的权重参数，将所述处理后的所述浅层局部特征和处理后的所述深层语义特征进行加权残差融合，得到融合特征； 所述输出雪深估计值，具体为：采用所述输出层的Softplus激活函数将所述融合特征映射在雪深值空间，以输出非负的所述雪深估计值； 基于所述亮温雪深标准集，采用AdamW优化器与余弦退火学习率调度策略对所述卷积-Transformer混合网络模型进行训练，直至损失函数收敛，得到优化后的卷积-Transformer混合网络模型； 将待估计的亮温雪深标准集输入至所述优化后的卷积-Transformer混合网络模型中，得到与所述待估计的亮温雪深标准集相对应的雪深估计值。

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南大学，其通讯地址为：410083 湖南省长沙市岳麓区麓山南路932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。