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！

龍圖騰網獲悉中國海洋大學三亞海洋研究院申請的專利基于知識蒸餾的衛星太陽短波輻射反演方法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：CN119623319B 。

龍圖騰網通過國家知識產權局官網在2025-09-12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：202510169471.3，技術領域涉及：G06F30/27；該發明授權基于知識蒸餾的衛星太陽短波輻射反演方法是由梁韻;趙瑋;張烺;夏瑞雪;余蓮設計研發完成，并于2025-02-17向國家知識產權局提交的專利申請。

本基于知識蒸餾的衛星太陽短波輻射反演方法在說明書摘要公布了：本發明提供了一種基于知識蒸餾的衛星太陽短波輻射反演方法，涉及太陽短波輻射反演領域，包括：收集極軌衛星數據、靜止衛星數據、地理信息數據和地面觀測數據；對數據進行預處理，得到教師模型和學生模型訓練的輸入特征與標簽；使用隨機森林模型對輸入特征重要性進行排序，選出關鍵特征，剔除非關鍵特征；利用關鍵特征構建深度學習模型，生成太陽短波輻射反演的教師模型；將教師模型輸出結果作為軟標簽，引入地面觀測數據作為硬標簽進行知識蒸餾，得到太陽短波輻射反演的學生模型。本發明的技術方案克服現有技術中僅依賴地面觀測數據構建模型會面臨數據稀缺和數據獲取成本高的問題，而完全基于衛星數據的反演精度又受到限制的問題。

本發明授權基于知識蒸餾的衛星太陽短波輻射反演方法在權利要求書中公布了：1.一種基于知識蒸餾的衛星太陽短波輻射反演方法，其特征在于，具體包括如下步驟： S1，收集極軌衛星數據、靜止衛星數據、地理信息數據和地面觀測數據； S2，對靜止衛星數據、極軌衛星數據、地面觀測數據，地理信息數據中的經緯度數據和地表高程數據進行預處理，得到教師模型和學生模型訓練的輸入特征與標簽； S3，使用隨機森林模型對輸入特征重要性進行排序，選出衛星太陽短波輻射反演的關鍵特征，剔除非關鍵特征； S4，利用關鍵特征構建深度學習模型，生成太陽短波輻射反演的教師模型； S5，將教師模型輸出結果作為軟標簽，引入地面觀測數據作為硬標簽進行知識蒸餾，得到太陽短波輻射反演的學生模型； 步驟S3具體包括如下步驟： S3.1，對于每棵決策樹，輸入特征包括預處理后的靜止衛星數據和地理信息數據，當一個輸入特征在某個節點進行分裂時，計算該節點對于預測誤差的貢獻減少量： （4）； 其中，為節點分裂時的誤差減少量，、、分別為父節點、左節點和右節點的誤差，和分別為左、右節點樣本數在父節點樣本總數中的占比； S3.2，每個特征在每棵樹中會有多個分裂節點，累加所有節點的之和，然后在整個森林中取平均，得到該特征的總體重要性： （5）； 其中，為特征的重要性，為隨機森林中樹的數量，表示第棵樹，表示樹中的所有節點； 步驟S4具體包括如下步驟： S4.1，神經網絡包括：依次連接的輸入層、全連接層和輸出層，將關鍵特征輸入到神經網絡的輸入層； S4.2，隨后輸入到全連接層，并通過激活函數引入非線性，全連接層的第一層的計算公式為： （6）； 其中，是第一層的輸出緯度，是進行非線性映射的激活函數，是第一層的權重矩陣，是第一層的偏置向量； S4.3，全連接層的第層的計算公式為： （7）； 其中，是第層的輸出，是第層的權重矩陣，是偏置項，是第層的輸出維度； S4.4，最后經過輸出層輸出，輸出層的計算公式為： （8）； 其中，是模型的預測值，表示對應時刻的太陽短波輻射數據，是輸出層的權重矩陣，是倒數第二層的輸出維度，是輸出層的偏置項； S4.5，設置均方誤差損失函數； 步驟S5具體包括如下步驟： S5.1，使用雙線性空間插值方法求出與地面觀測站位置一致的靜止衛星數據和地理信息數據，通過四個臨近的點估算目標點的值，首先進行橫向插值： （10）； （11）； 再進行縱向插值： （12）； 其中，，，，是已知的四個臨近點的數值，，，，是已知數據點的坐標，是估算的目標點坐標； S5.2，利用極軌衛星數據對教師模型進行訓練，將教師模型預測輸出的太陽短波輻射數據作為軟標簽，將地面觀測數據作為硬標簽對學生模型進行訓練，軟標簽和硬標簽訓練時分別使用軟目標損失和硬目標損失進行優化，將學生模型預測結果進行反歸一化得到太陽短波輻射反演的優化結果； 硬目標損失用于衡量學生模型輸出與硬標簽之間的差異，使用均方誤差計算損失值，表達式為： （13）； 其中，指硬目標損失，為地面觀測數據中的總樣本數量，是第個樣本的真實太陽短波輻射數據，是學生模型在第個樣本上的太陽短波輻射預測值； 軟目標損失用于衡量學生模型與教師模型輸出之間的差異，同樣使用均方誤差計算損失值： （14）； 其中，為軟目標函數，為知識蒸餾過程中使用的訓練樣本數量，為教師模型在第個樣本上的預測值，即軟標簽或教師模型的輸出，為學生模型在第個樣本上的預測值，即學生模型在模仿教師模型輸出的過程中得到的值； 結合軟目標損失和硬目標損失定義蒸餾的總損失函數，表達式如下： （15）； 其中，為蒸餾過程中的總損失函數，為超參數； 步驟S5還包括如下步驟： S5.3，將初始學習率設置為10-5并逐步降低學習率，采用學習率衰減策略為指數衰減，表達式如下： （16）； 其中,是當前學習率，是初始學習率，是衰減率，為當前訓練的周期數，為衰減步長。

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中國海洋大學三亞海洋研究院，其通訊地址為：572024 海南省三亞市崖州區深海科技創新公共平臺；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”。