買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉吉林大學(xué)申請的專利一種用于敏感區(qū)域地面運動目標(biāo)的微地震監(jiān)測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120254958B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-29發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510749020.7，技術(shù)領(lǐng)域涉及：G01V1/28；該發(fā)明授權(quán)一種用于敏感區(qū)域地面運動目標(biāo)的微地震監(jiān)測方法是由佟訓(xùn)乾;聶彤羽;孫鋒;董新桐;王宇奇設(shè)計研發(fā)完成，并于2025-06-06向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種用于敏感區(qū)域地面運動目標(biāo)的微地震監(jiān)測方法在說明書摘要公布了：本發(fā)明屬于智能感知技術(shù)領(lǐng)域，涉及一種用于敏感區(qū)域地面運動目標(biāo)的微地震監(jiān)測方法，包括采集五類運動目標(biāo)地震動信號，構(gòu)建數(shù)據(jù)集；數(shù)據(jù)預(yù)處理；基于標(biāo)量波場方程構(gòu)建可解釋性卷積內(nèi)核，通過嵌入偏微分算子實現(xiàn)關(guān)鍵物理參量的自適應(yīng)提取與高維特征空間的非線性降維，形成具有物理可溯源性的緊湊特征表示；采用正向擴散對含噪特征進行漸進式高斯噪聲增強；設(shè)計具有多頭自注意力機制與位置編碼的Transformer架構(gòu)，通過上下文建模捕捉震動信號的時空關(guān)聯(lián)特性，結(jié)合多層感知機實現(xiàn)從物理特征到分類決策的端到端映射；對模型進行訓(xùn)練，事件決策，輸出決策分類結(jié)果。本方法運動目標(biāo)地震動信號識別準(zhǔn)確率可達95.2%，魯棒性顯著提高。

本發(fā)明授權(quán)一種用于敏感區(qū)域地面運動目標(biāo)的微地震監(jiān)測方法在權(quán)利要求書中公布了：1.一種用于敏感區(qū)域地面運動目標(biāo)的微地震監(jiān)測方法，其特征在于，包括以下步驟： A、采集五類運動目標(biāo)誘發(fā)的地震動信號，構(gòu)建三組數(shù)據(jù)集，其中，數(shù)據(jù)集一為在均勻地質(zhì)條件下具有高信噪比的原始震動信號數(shù)據(jù)，數(shù)據(jù)集二為來自現(xiàn)場記錄的非平穩(wěn)地質(zhì)噪聲以及人為通過注入高斯白噪聲模擬強干擾環(huán)境數(shù)據(jù)；數(shù)據(jù)集三為反映現(xiàn)場數(shù)據(jù)稀缺性的不平衡樣本類別數(shù)據(jù)； B、數(shù)據(jù)預(yù)處理： 對原始震動信號數(shù)據(jù)進行信號單元的歸一化和直流分量的移除處理，消除數(shù)據(jù)采集時產(chǎn)生的直流偏置，獲得去除直流分量的地震和聲學(xué)信號，對于不平衡類別數(shù)據(jù)進行數(shù)據(jù)增強，對各數(shù)據(jù)集分別完成特征提取、標(biāo)簽提取、歸一化和滑動窗口處理，將時間序列數(shù)據(jù)轉(zhuǎn)換為一組輸入特征和相應(yīng)的標(biāo)簽； C、物理特征提取： 對特征進行壓縮處理，將物理先驗知識嵌入深度卷積神經(jīng)網(wǎng)絡(luò)的特征編碼過程，基于標(biāo)量波場方程提取拉普拉斯核，構(gòu)建可解釋性卷積內(nèi)核定義初始卷積層，通過嵌入偏微分算子實現(xiàn)關(guān)鍵物理參量的自適應(yīng)提取與高維特征空間的非線性降維，形成具有物理可溯源性的緊湊特征表示的深度卷積神經(jīng)網(wǎng)絡(luò)模型； D、擴散驅(qū)動數(shù)據(jù)增強： 從深度卷積神經(jīng)網(wǎng)絡(luò)模型提取深層物理特征，采用正向擴散對深層物理特征中含噪特征進行漸進式高斯噪聲增強，模擬信號被干擾淹沒的情況，通過漸進式高斯擾動注入實現(xiàn)環(huán)境干擾的顯式建模，提升模型對非穩(wěn)態(tài)噪聲的容忍度； E、全局建模決策： 構(gòu)建具有多頭自注意力機制與位置編碼的Transformer模型架構(gòu)，通過嵌入層將原始輸入映射為稠密向量后，再將位置編碼信息注入序列，通過長程上下文建模捕捉震動信號的時空關(guān)聯(lián)特性，使得模型在處理輸入序列時，能夠動態(tài)感知并整合序列中所有位置的信息，結(jié)合多層感知機實現(xiàn)從物理特征到分類決策的端到端映射； F、事件決策： 對模型進行訓(xùn)練，利用Transformer模型捕獲全局環(huán)境，應(yīng)用正向反饋網(wǎng)絡(luò)增強Transformer模型的非線性表示能力，在多頭注意力和前饋子層周圍加入殘差連接層和歸一化層，以確保穩(wěn)定的訓(xùn)練并促進梯度流動，輸出事件決策分類結(jié)果，以0-4之間不同的數(shù)字表示五類運動目標(biāo)。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人吉林大學(xué)，其通訊地址為：130012 吉林省長春市朝陽區(qū)前進大街2699號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。