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！

龙图腾网获悉南通大学申请的专利Transformer混合模型下的大气电场预测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：CN121500274B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202610037683.0，技术领域涉及：G01S7/41；该发明授权Transformer混合模型下的大气电场预测方法是由杨旭;陈刚;苏强;罗杰;季朗坡;汪翰冉;董续东;王慧;赵君;行鸿彦设计研发完成，并于2026-01-13向国家知识产权局提交的专利申请。

本Transformer混合模型下的大气电场预测方法在说明书摘要公布了：本发明涉及雷电探测技术领域，尤其涉及Transformer混合模型下的大气电场预测方法。本发明解决了雷达图特征与大气电场信号的异步性导致两者时序不对齐的问题。本发明的技术方案为：步骤S1：确定目标区域；提取目标区域内所有的雷达图像素点对应的雷达回波强度：REI数据；步骤S2：特征提取与融合：根据雷达图的目标区域，设计多个人工特征，并基于卷积神经网络：CNN进行深度特征提取和多模态特征融合；步骤S3：设计跨模态注意力机制实现动态时间对齐。本发明的有益效果为：实现了雷达图与电场仪探测范围的空间一致性，避免了因探测范围不匹配引入的噪声，提升了数据的针对性与可用性。

本发明授权Transformer混合模型下的大气电场预测方法在权利要求书中公布了：1.Transformer混合模型下的大气电场预测方法，其特征在于，包括以下步骤： 步骤S1：确定目标区域；提取目标区域内所有的雷达图像素点对应的雷达回波强度：REI数据； 步骤S2：特征提取与融合：根据雷达图的目标区域，设计多个人工特征，并基于卷积神经网络：CNN进行深度特征提取和多模态特征融合； 步骤S3：设计跨模态注意力机制实现动态时间对齐； 对于选取目标区域位置的坐标对应的像素坐标为；在纬度处，每个像素点在经度和纬度上对应的实际地面距离为和； 对于任意的雷达图像素点m,n，其到待测站点的欧氏距离dm,n为： 3 目标区域的筛选条件为距离不超过D，由此得到集合： 4 所提取的目标区域内的REI数据集为： 5 为t时刻像素点mt,nt的REI值，T为时间序列集合； 其中：mt、nt为像素点的坐标m，n在t时刻的横纵坐标值； 所述步骤S2中的 第一人工特征：区域平均强度AVt反映目标区域整体能量水平 6 第二人工特征：最大强度MAt表征最强回波核心的强度，以指示局地强对流： 7 第三人工特征：回波强度的标准差SDt描述回波强度的空间离散程度： 8 第四人工特征：强回波占比StrongRatiot量化强对流活动范围：强度≥SdBZ： 9 第五人工特征：相邻帧相关系数Corrt捕捉雷暴系统的动态演变特性： 10 所述跨模态注意力机制包括特征编码层： 对大气电场和雷达图特征进行统一编码；通过线性投影将雷达图特征转换到隐藏空间： 13 其中，和分别为线性投影的权重矩阵和偏置向量，为投影后的雷达特征表示，为Transformer模型的隐藏层维度； 通过对高频大气电场信号序列注入位置信息，将其编码为时序特征： 14 其中，PE·表示位置编码函数，用于为序列中的每个时间步添加位置信息，为融合了位置信息的大气电场特征表示，T为序列长度； 所述跨模态注意力机制包括跨模态注意力： 基于编码后的特征，构建一个非对称的注意力机制； 以高频大气电场特征作为查询：Q，以低频雷达特征作为键：K和值：V，使得电场信号能够动态查询雷达特征中的相关信息； 15 其中，为查询矩阵，为查询投影权重；为查询矩阵，为查询投影权重；为查询矩阵，为查询投影权重；和分别为键K查询Q和值V的维度；为跨模态注意力机制的输出； 所述跨模态注意力机制包括输出归一化： 通过残差连接和层归一化输出对齐后的特征： 16 其中，表示层归一化操作，为经过跨模态对齐后的融合特征； 时间对齐后的多模态特征，处理以捕获其内部的多尺度时序依赖关系。

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南通大学，其通讯地址为：226000 江苏省南通市崇川区永福路79号1幢南通大学技术转移研究院；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。