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！

龍圖騰網獲悉自然資源部寧德海洋中心(自然資源部寧德海洋預報臺)申請的專利一種基于深度學習的核電取水口生物數量預測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：CN120409533B 。

龍圖騰網通過國家知識產權局官網在2025-09-16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：202510923792.8，技術領域涉及：G06N3/006；該發明授權一種基于深度學習的核電取水口生物數量預測方法是由劉煒;程宏;王慶業;夏永健;郭玉臣;林先飛;林俊杰;阮強;林婧;魏雪萍設計研發完成，并于2025-07-04向國家知識產權局提交的專利申請。

本一種基于深度學習的核電取水口生物數量預測方法在說明書摘要公布了：本發明涉及核電取水口生物數量預測技術領域，公開了一種基于深度學習的核電取水口生物數量預測方法，該方法先采集環境因子、生物分布及歷史預測偏差等數據，構建模型選擇關聯方程，據此選定當前預測模型，再通過實際生物數量數據判定是否優化模型，最終得到優化的預測模型結構。方法中劃定監測區域和目標生物種類，設定統計時段和關鍵參數，利用群體智能優化技術構建關聯方程和權重數據集，通過比較成功率確定模型，依據效果差異臨界值判斷是否優化模型結構。該方法能提高預測準確性和適應性，為核電取水口生物數量預測提供有效方案。

本發明授權一種基于深度學習的核電取水口生物數量預測方法在權利要求書中公布了：1.一種基于深度學習的核電取水口生物數量預測方法，其特征在于，包括以下步驟： S1、采集不同時段核電取水口區域的環境因子數據、生物種類分布數據以及歷史預測偏差數據，得到當前環境因子數據集、當前生物分布數據集以及當前預測偏差數據集； S2、采集每個候選預測模型的歷史應用成功率數據、每個候選預測模型的環境因子數據、不同時段的生物分布數據以及預測偏差數據并構建最終模型選擇關聯方程以及最終環境因子權重數據集，其中，所述最終模型選擇關聯方程描述候選預測模型的成功率與各類數據之間的數學關系，所述最終環境因子權重數據集明確每個環境因子在模型選擇過程中的重要程度； S3、根據最終模型選擇關聯方程、當前環境因子數據集、當前生物分布數據集以及當前預測偏差數據集選定當前預測模型； S4、通過采集使用當前預測模型之后的實際生物數量數據，判定是否需要對當前預測模型進行參數調整或結構優化，得到判定結果，所述S4包括以下步驟： S41、設定第二當前統計時段；在第二當前統計時段內設定若干個時間節點，得到當前時間節點集；設定若干類能夠反映預測模型應用效果的驗證參數，得到模型驗證參數類型集； S42、配合模型驗證參數類型集以及當前時間節點集，采集使用當前預測模型之后的實際生物數量數據，得到當前驗證參數矩陣；再采集使用當前預測模型之前的若干個時間節點的平均生物數量數據，得到歷史平均數量數據集；計算歷史平均數量數據集與當前驗證參數矩陣中每行數據之間的差異數值，得到當前效果差異數據集； S43、設定第一效果差異臨界值以及第二效果差異臨界值；當當前效果差異數據集中存在當前效果差異數值小于第二效果差異臨界值時，將當前預測模型切換回當前初始預測模型；當當前效果差異數據集中存在當前效果差異數值大于或者等于第二效果差異臨界值且小于第一效果差異臨界值時，進入S5；否則，進入S44； S44、根據當前驗證參數矩陣并采用前饋神經網絡模型對未來時間節點的生物數量數據進行預測，得到未來驗證參數矩陣；再計算歷史平均數量數據集與未來驗證參數矩陣中每行數據之間的差異數值，得到未來效果差異數據集；當未來效果差異數據集存在未來效果差異數值小于第二效果差異臨界值時，進入S5；否則，不作處理； S5、根據判定結果對當前預測模型進行結構優化處理，得到最終預測模型結構，所述S5包括以下步驟： S51、設定初始模型結構優化參數；采用初始模型結構優化參數對當前預測模型進行結構優化處理并存儲；對當前預測模型進行結構優化處理并存儲完成后，根據模型驗證參數類型集采集當前的生物數量數據，得到當前優化后驗證參數集；計算當前優化后驗證參數集與歷史平均數量數據集之間的差異數值，得到當前優化后差異數值； S52、當當前優化后差異數值大于或者等于第一效果差異臨界值時，將初始模型結構優化參數作為最終預測模型結構；否則，對初始模型結構優化參數進行調整，直到當前優化后差異數值大于或者等于第一效果差異臨界值時為止。

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自然資源部寧德海洋中心(自然資源部寧德海洋預報臺)，其通訊地址為：352100 福建省寧德市興寧路3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”。