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！

龙图腾网获悉山东大学申请的专利基于轻量化上下文感知网络的船舶升沉运动预测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：CN121705670B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202610214926.3，技术领域涉及：G06F18/20；该发明授权基于轻量化上下文感知网络的船舶升沉运动预测方法及系统是由李世振;孙乙桁;时文卓;韩昊洋;王昕源设计研发完成，并于2026-02-14向国家知识产权局提交的专利申请。

本基于轻量化上下文感知网络的船舶升沉运动预测方法及系统在说明书摘要公布了：本发明涉及基于轻量化上下文感知网络的船舶升沉运动预测方法及系统，属于船舶与海洋工程运动控制技术领域，包括步骤如下：信号采集与预处理、基于LCGNet网络的升沉运动多步预测、模型训练与优化、将训练好的LCGNet模型进行量化压缩，部署于船载边缘计算设备；系统运行时，实时采集历史升沉数据，输入至所述模型中，循环执行步骤S2，实现对未来升沉运动的连续在线预测，通过创新的轻量化网络结构设计，在极低的参数与计算成本下实现高精度、多步长的升沉运动实时预测，以满足船载主动升沉补偿系统的工程化部署需求。

本发明授权基于轻量化上下文感知网络的船舶升沉运动预测方法及系统在权利要求书中公布了：1.基于轻量化上下文感知网络的船舶升沉运动预测方法，其特征在于，包括以下步骤： S1：信号采集与预处理 采集船舶的升沉运动时序信号，对原始信号进行滤波、降噪处理，并统一降采样至目标频率，随后进行数据标准化； S2：基于LCGNet网络的升沉运动多步预测 所述LCGNet网络的结构特征在于： 1.上下文感知嵌入模块：包括一个1×1卷积层输入、至少一组处理单元，每组处理单元包括：一个具有特定膨胀率的分组卷积层、一个用于下采样的深度卷积层、以及一个通道混洗层，每组处理单元的分组卷积层的膨胀率在各组间递进增加，经过最后一组处理单元后，再经过一个具有最大膨胀率的分组卷积层，输出最终的特征嵌入； 2.双路径多尺度特征提取模块：该模块接收所述特征嵌入，通过两条并行路径进行协同特征增强： 全局路径：采用全局平均池化与全局最大池化提取窗口级统计特征，通过轻量级多层感知机生成通道注意力权重，对特征嵌入进行全局统计整形； 局部路径：通过通道混洗与通道分割，将特征送入不同卷积核大小的深度可分离卷积支路，并行提取多尺度局部时序形态特征； 最终，将全局路径与局部路径两条路径的输出特征进行逐元素相乘，实现全局统计信息与局部形态信息的自适应融合； 3.预测输出层：包括一至两层标准卷积层和一个全连接层，对融合后的高级特征进行整合与非线性映射，输出最终的多步预测序列； 将预处理后的历史序列输入至LCGNet网络，所述LCGNet网络依次包括上下文感知嵌入模块、双路径多尺度特征提取模块和预测输出层；所述网络以前向传播方式，输出未来多个时间步的升沉运动预测值； 其中，所述上下文感知嵌入模块用于通过递进式下采样与混合膨胀卷积对输入序列进行压缩并聚合跨时间段上下文信息，输出紧凑的特征嵌入； 所述双路径多尺度特征提取模块用于通过并行的全局路径和局部路径对所述特征嵌入进行协同特征增强与融合，所述全局路径用于进行基于窗口统计的通道级特征整形，所述局部路径用于进行多尺度局部时序形态特征提取； S3：模型训练与优化 利用历史升沉运动数据构建训练集，以预测值与真实值之间的Huber损失作为优化目标，使用梯度下降算法对LCGNet网络参数进行训练，直至模型收敛； S4：模型部署与实时预测 将训练好的LCGNet模型进行量化压缩，部署于船载边缘计算设备；系统运行时，实时采集历史升沉数据，输入至所述模型中，循环执行步骤S2，实现对未来升沉运动的连续在线预测。

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山东大学，其通讯地址为：250100 山东省济南市历城区山大南路27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”。

以上内容由龙图腾AI智能生成。