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！

龙图腾网获悉南京信息工程大学申请的专利基于边缘云协作的雷达回波外推循环生成对抗预报方法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：CN120103344B 。

龙图腾网通过国家知识产权局官网在2025-07-08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：202510584812.3，技术领域涉及：G01S13/95；该发明授权基于边缘云协作的雷达回波外推循环生成对抗预报方法是由刘琦;周骏腾;张扬;冯其贺设计研发完成，并于2025-05-08向国家知识产权局提交的专利申请。

本基于边缘云协作的雷达回波外推循环生成对抗预报方法在说明书摘要公布了：本发明公开了一种基于边缘云协作的雷达回波外推循环生成对抗预报方法，涉及气象预报技术领域；首先，为雷达回波外推任务构建边缘‑云协作分层架构，包括：云层、边缘层、传感器层；然后，在边缘层构建循环生成对抗网络，采用循环生成架构在每个边缘服务器上部署循环生成模型，对经传感器层处理后的雷达回波序列数据的建立基于联邦学习的分布式学习模型，对后续雷达回波序列进行预测；最后，构建双交叉注意力长短期记忆单元，采用堆叠架构，形成基于长短期记忆网络的循环单元，进行雷达回波外推，通过挖掘不同时间点雷达回波数据之间的潜在联系。本发明方法可以有效利用云服务器的计算能力，同时提升雷达回波预测的性能。

本发明授权基于边缘云协作的雷达回波外推循环生成对抗预报方法在权利要求书中公布了：1.一种基于边缘云协作的雷达回波外推循环生成对抗预报方法，其特征在于，包括如下步骤： 步骤1、为雷达回波外推任务构建边缘-云协作分层架构，包括：云层、边缘层、传感器层，通过传感器层采集原始雷达数据提取雷达回波序列，通过边缘层进行数据本地处理及传输，通过联邦学习架构利用云层云服务中心的计算能力； 所述边缘-云协作分层架构中，云层、边缘层、传感器层通过互联网相互连接； 所述传感器层包含多个雷达网络，每个雷达网络由多个本地雷达组成，实时采集原始雷达数据，提取雷达回波序列，传输至最近的边缘服务器；所述雷达回波序列由连续时间间隔内捕获的多个雷达回波图组成，用于描绘特定区域一段时间内的天气状况； 所述边缘层包含多个边缘服务器，接收雷达回波序列数据，作为本地客户端通过循环生成对抗网络对本地数据进行计算和传输，更新本地参数并传输至云层的云服务中心； 所述云服务中心包含存储设备、网络设备、同构或异构计算设备；云服务中心接收边缘层本地参数后，通过全局模型执行全局聚合，使用全局参数刷新全局模型，并将全局参数分发至各边缘服务器； 所述边缘服务器接收到云服务中心发出的全局参数后，通过边缘侧本地模型进行训练，计算本地损失梯度，更新本地参数； 步骤2、在边缘层构建循环生成对抗网络，采用循环生成架构在每个边缘服务器上部署循环生成模型，对经传感器层处理后的雷达回波序列数据的建立基于联邦学习的分布式学习模型，对后续雷达回波序列进行预测； 所述分布式学习模型中，部署在边缘服务器上针对雷达网络的损失函数，表示为： ； 其中，是分布式模型的参数，表示边缘服务器从对应的本地雷达网络收集的雷达回波序列，是雷达回波序列的数量，表示每个雷达回波序列上的损失函数； 在全局迭代中，边缘服务器上的分布式模型使用梯度下降法，依据上一次迭代的全局参数更新局部参数，公式如下： ； 其中，是学习率，是梯度的符号，表示在第轮全局迭代时，边缘服务器上对应本地雷达网络的模型基于本地数据计算得到的损失值； 部署于每个边缘服务器上的循环生成模型，包含两组相同的生成器和判别器； 在所述边缘层中，输入的雷达回波序列被分割成两个子序列分别输入至生成器，每个子序列的时间分辨率均为原始雷达回波序列的一半； 所述生成器，基于卷积神经网络构建，包括若干层，生成的潜在序列结果依赖于上一个时间步长和上一层的信息，以及当前的输入特征和隐藏状态； 所述判别器，基于循环生成的长短期记忆网络构建，获取生成器生成的潜在序列结果，与实际序列相结合，得到一个标量，用于描述输入的雷达回波序列来自真实数据或生成器的概率，评估雷达回波序列的真实性； 所述循环生成模型，根据收到的雷达回波序列预测下一个雷达回波图，公式为： ； 其中，是输入的雷达回波图的数量，是预测的雷达回波图的数量，表示实际的雷达回波图，表示预测的雷达回波图，函数表示条件概率分布函数，表示将基于过去个时间步的回波图，预测未来个时间步回波图的概率分布； 所述分布式学习模型中，每个边缘服务器基于数据集训练两个生成器，学习生成数据分布和，方法如下： 步骤2.1、基于来自概率分布的随机噪声，通过生成器得到虚假雷达回波序列； 步骤2.2、建立判别器和，用于区分来自数据分布和的虚假图像与来自分布的真实图像； 步骤2.3、在每个边缘服务器上，循环生成对抗网络的目标函数表示为价值函数：； ； ； 其中，、分别表示判别器集合、生成器集合，分别表示奇数时间步子序列判别器、生成器，分别表示偶数时间步子序列判别器、生成器，、、分别表示奇数时间步真实雷达回波序列的分布、偶数时间步真实雷达回波序列的分布、生成器输入的噪声分布；表示期望，和分别表示判别器和将判定为真实数据样本的概率，和分别表示判别器和将和生成的数据判定为真的概率； 步骤3、构建双交叉注意力长短期记忆单元，采用堆叠架构，形成基于长短期记忆网络的循环单元，进行雷达回波外推，通过挖掘不同时间点雷达回波数据之间的潜在联系，提升边缘-云协作分层架构在生成雷达回波预测方面的性能； 所述双交叉注意力长短期记忆单元由遗忘门、调制门、输入门和输出门组成，通过记忆状态、隐藏状态和卷积提取高强度雷达回波。

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南京信息工程大学，其通讯地址为：211800 江苏省南京市江北新区华富路1号数智溪谷4号楼；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”。