買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉南京航空航天大學申請的專利機場場面運行場景可解釋相似性度量方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119005484B 。

龍圖騰網通過國家知識產權局官網在2025-08-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202410928838.0，技術領域涉及：G06Q10/063；該發明授權機場場面運行場景可解釋相似性度量方法及系統是由尹嘉男;喬沛然;謝華;胡明華;田文;何雨軒;吳維設計研發完成，并于2024-07-11向國家知識產權局提交的專利申請。

本機場場面運行場景可解釋相似性度量方法及系統在說明書摘要公布了：本發明公開了一種機場場面運行場景可解釋相似性度量方法及系統，方法包括以下步驟：步驟1，采集來自于不同數據渠道的航班數據與氣象數據，作為場景數據，并將其進行預處理，構建離場航班視角下的場景運行數據集合；步驟2，對步驟1中得到的場景運行數據集合中的數據，進行二級特征的處理，按照特征特點分別將其劃分為航班靜態屬性特征和環境動態屬性特征兩類特征；步驟3，將步驟2中所得到的兩類特征，構造用于可解釋相似度數據的數據結構；步驟4，將步驟3所得到的數據應用于計算可解釋相似度的網絡，基于兩類數據分別計算機場場面運行場景可解釋相似度。

本發明授權機場場面運行場景可解釋相似性度量方法及系統在權利要求書中公布了：1.一種機場場面運行場景可解釋相似性度量方法，其特征在于：包括以下步驟： 步驟1，采集來自于不同數據渠道的航班數據與氣象數據，作為場景數據，并將其進行預處理，構建離場航班視角下的場景運行數據集合； 步驟2，對步驟1中得到的場景運行數據集合中的數據，進行二級特征的處理，按照特征特點分別將其劃分為航班靜態屬性特征和環境動態屬性特征兩類特征； 步驟3，將步驟2中所得到的兩類特征，構造用于可解釋相似度數據的數據結構； 步驟4，將步驟3所得到的數據應用于計算可解釋相似度的網絡，基于兩類數據分別計算機場場面運行場景可解釋相似度；具體包括以下步驟： 步驟4-1：對于第n個候選相似場景下的主要監督指標Tn，使用目標場景ξ的監督指標Tξ與第n個候選相似場景和目標場景間的偏差δn表示；因此采用以下方式對候選相似場景離場監督指標組成進行建模分析： Tn＝Tξ+δn 設在第n個候選場景下的監督指標偏差服從0均值的正態分布使得其中為在該場景條件下由于其與目標場景間的關鍵特征差異而產生方差； 步驟4-2：設定在一類場景中僅存在兩個不同的離場航班運行場景i和j，將監督指標改寫為同樣將另一個樣本改寫為使用多個均值一致但方差不同的樣本進行組合，且分別施加權重盡量降低整體方差，獲得較為準確的TS取值： 其中，ω為場景相似度，為目標場景監督指標的估計值，限制相似度之和ωi+ωj＝1； 步驟4-3：通過統計學知識得TS的方差值為 對式中相似度進行求導得： 顯然二階導數取值大于零，所以獲得方差值的最小值，其對應相似度取值分別為： 若確定多個場景的對應相似度，則表達方式如下： 其中S為場景集合，包含n個不同場景，因此得到以下結果： 其中所有相似度和為1，即 步驟4-4：同時考慮到樣本方差取值為最小值，結合最后預測結果，近似認為目標場景的監督指標為樣本的加權和，其表示方式為： 同樣相似度和為1，即其中每一個權重ωi即為該場景的可解釋相似度； 基于可解釋相似度的特點，將處理后的兩類數據分別投入到兩個神經網絡NET1與NET2中，兩個神經網絡原始數據輸入形狀分別為n×1×αcat與n×2×40，其中n為候選相似場景數，αcat為處理后的分類特征維度，計算過程如步驟4-5至步驟4-8所示： 步驟4-5：數據降采樣圖像化，以1×2的卷積核將數據進行降采樣；將簡化后的數據展開形成二維張量，其大小與形狀和常見圖片相近； 步驟4-6：類圖像卷積，采用基于LeNet的網絡框架結構對張量進行卷積池化處理，在兩個神經網絡的最后接入全連接層得到各自的相似度向量，并進行權重的組合，得到一個n×1的相似度擬合結果，其數量與候選相似場景數量一致，其中損失函數計算方式為： 式中ω為所有目標場景下的候選相似場景相似度集合，ωmn為第m個目標場景下第n個場景的相似度，的的含義為第m個目標場景特征，xn的含義為第n個歷史場景特征，α為目標場景集合，β為候選相似場景集合，λ為偏差重要性參數，K為訓練過程中所有離場航空器所處的目標運行場景的數量，Txn為第n個候選相似場景的監督指標，為目標場景下的實際監督指標；該損失函數由兩部分組成，在最小化在訓練集上的監督指標預測誤差的同時減少高偏差場景的相似度取值，本過程中的神經網絡的實際作用為計算不同場景與目標場景的相似度并用于線性生成目標場景下離場航班的監督指標； 步驟4-7：先驗處理，最終為了保證相似度和為1，需要以下條件：基于該限制條件，需要將兩個神經網絡中輸出的相似度進行額外先驗處理：首先，需要將輸出的所有負相似度映射為0，即在兩個神經網絡的最后額外接入一個ReLU層，其次，需要對所有權重進行歸一化normalized處理，即在兩個神經網絡的ReLU層后接入一個歸一化層；將上述完成處理的相似度進行組合加權輸出即可產生目標場景與候選相似場景的整體相似度，計算方式如下： 式中μ為組合相似度分配系數，與分別為第n個樣本目標場景下NET1與NET2輸出的候選相似場景靜態與動態向量相似度； 步驟4-8：迭代訓練與相似度提取，通過線性生成監督指標，將預測產生的組合相似度與候選相似場景中的歷史監督指標進行線性加權求和，根據損失函數進行迭代訓練降低兩者間誤差。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南京航空航天大學，其通訊地址為：213300 江蘇省常州市溧陽市濱河東路29號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。