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！

龙图腾网恭喜中国海洋大学申请的专利基于异常注意力和FNO的叶绿素浓度补全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：CN119068211B 。

龙图腾网通过国家知识产权局官网在2025-03-25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：202411561845.8，技术领域涉及：G06V10/44；该发明授权基于异常注意力和FNO的叶绿素浓度补全方法及系统是由聂婕;左子杰;叶敏;温琦;王鑫;聂为之设计研发完成，并于2024-11-05向国家知识产权局提交的专利申请。

本基于异常注意力和FNO的叶绿素浓度补全方法及系统在说明书摘要公布了：本发明属于图像补全技术领域，公开了基于异常注意力和FNO的叶绿素浓度补全方法及系统，所述系统包括空间域双流注意力网络和频率域融合补全网络，所述空间域双流注意力网络将周均值叶绿素浓度场、破损的叶绿素浓度场作为输入，经过空间稳定注意力模块和空间异常注意力模块同时输出空间域上的稳定特征向量、异常特征向量；频率域融合补全网络将空间域上的稳定特征向量、异常特征向量作为输入，在频率域上经过融合补全后输出补全的叶绿素浓度场，并伴随得到重构的周均值叶绿素浓度场、破损的叶绿素浓度场，用于进行判别训练。通过本发明提高补全的准确性。

本发明授权基于异常注意力和FNO的叶绿素浓度补全方法及系统在权利要求书中公布了：1.基于异常注意力和FNO的叶绿素浓度补全方法，其特征在于，包括以下步骤：步骤S1、输入数据：输入数据包括破损的叶绿素浓度场SSTcor、周均值叶绿素浓度场SSTave：步骤S2、空间域双流注意力处理：首先通过不同的卷积提取SSTcor的空间表征向量Embsta、Embano，提取SSTave的空间表征向量Embave，然后通过稳定注意力加强Embsta中与Embave具有相似相关性的潜在数据模式，得到空间域上的稳定特征向量同时，通过异常反注意力加强Embano中与Embave具有负相关性的潜在数据模式，得到空间域上的异常特征向量步骤S2中，空间域上的稳定特征向量的计算如下： 其中，head1，head2，...headi，...，headh表示多头注意力机制中的第1，2，...，...i，...，h个头，h表示头部的总数量，Wsta表示用于拼接操作的权重矩阵，Q1、K1和V1分别代表查询、键和值，和是对应的权重矩阵，dk是K1中向量的维度；其中这里的Q1和V1来自于Embsta，而K1则来自于Embave，softmax函数用于计算Q1和K1之间的相似相关性；空间域上的异常特征向量的计算如下： 其中Q2和V2来自于Embano，而K2则来自于Embave；公式5表示使用了异常反注意力ReverseAttention，其公式如下： 通过进行相似相关性取反操作；步骤S3、频率域融合补全：对于在频率域上使用傅里叶神经算子FNO，经过融合补全后输出补全的叶绿素浓度场SSTrec，并伴随得到重构的周均值叶绿素浓度场破损的叶绿素浓度场SSTrec和真实叶绿素浓度场SSTgro用判别器D2进行判别训练，和SSTave用判别器D1进行判别训练，和SSTcor用判别器D3进行判别训练；其中，傅里叶神经算子FNO包括傅里叶变换、过滤层、傅里叶逆变换，步骤S3具体如下：步骤S31、获取频率域信息：输入特征向量首先应用傅里叶变换将其转换到傅里叶频率域上，随后使用2个相应的过滤层Rsta·；θ1、Rano·；θ2进行过滤，分别得到稳定的频率域信息Signsta、异常的频率域信息Signano；步骤S32、频率域信息融合：将稳定的频率域信息Signsta、异常的频率域信息Signano同时输入一层复数通道卷积，实现两者信息在频率域的融合，并输出得到融合后的频率域信息Signfus；步骤S33、叶绿素浓度场融合补全：融合后的频率域信息Signfus经过傅里叶逆变换，从频率域还原回空间域上，得到表征向量Embrec，然后使用2维卷积对Embrec进行非线性增强，输出补全的叶绿素浓度场SSTrec；步骤S34、重构周均值叶绿素浓度场和破损的叶绿素浓度场稳定的频率域信息Signsta、异常的频率域信息Signano分别经过傅里叶逆变换和2维卷积，输出重构的周均值叶绿素浓度场和破损的叶绿素浓度场步骤S35、判别器训练：SSTrec和真实叶绿素浓度场SSTgro用判别器D2进行判别训练，和SSTave用判别器D1进行判别训练，和SSTcor用判别器D3进行判别训练。

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国海洋大学，其通讯地址为：266100 山东省青岛市松岭路238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”。