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！

龍圖騰網恭喜西北工業大學申請的專利一種基于樣本重加權和Attention-Bi-GRU的目標意圖穩定識別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：CN116910447B 。

龍圖騰網通過國家知識產權局官網在2025-04-01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：202310820062.6，技術領域涉及：G06F18/10；該發明授權一種基于樣本重加權和Attention-Bi-GRU的目標意圖穩定識別方法是由蔣雯;張瑜;鄧鑫洋設計研發完成，并于2023-07-05向國家知識產權局提交的專利申請。

本一種基于樣本重加權和Attention-Bi-GRU的目標意圖穩定識別方法在說明書摘要公布了：本發明公開了一種基于樣本重加權和Attention?Bi?GRU的目標意圖穩定識別方法，包括以下步驟：步驟一對傳感器探測得到的目標屬性數據進行預處理；步驟二將預處理后的目標數據輸入到Attention?Bi?GRU提取深層特征信息；步驟三將步驟二獲取的深層特征信息一路輸入樣本重加權模塊獲取樣本權重，一路輸入分類函數層，并計算樣本加權交叉熵損失；步驟四基于步驟三的損失函數，迭代訓練完備的網絡模型；步驟五將實際環境得到的目標屬性數據按步驟一進行預處理，之后輸入訓練好的網絡模型進行測試，得到目標意圖識別結果。本發明針對現有意圖識別方法忽略實測數據與訓練數據分布存在協變量偏移的問題，同時考慮目標屬性數據的多維性和時序性，使用注意力機制來捕捉目標樣本的時刻信息差異，采用雙向門控單元挖掘目標屬性數據的深層特征信息；此外，構建了一個樣本重加權模塊學習樣本權重，削弱訓練集和實測數據的分布偏差，從而在實際環境中有效進行目標意圖識別，更具實用性和實際意義。

本發明授權一種基于樣本重加權和Attention-Bi-GRU的目標意圖穩定識別方法在權利要求書中公布了：1.一種基于樣本重加權和Attention-Bi-GRU的目標意圖穩定識別方法，其特征在于，包括以下步驟：步驟一、對傳感器探測得到的一段時間t內的目標屬性數據進行預處理；步驟101：將目標屬性數據分為數值型屬性數據和非數值型屬性數據，并對其進行歸一化標準處理；步驟102：對目標意圖空間進行意圖編碼；步驟二、將預處理后一段時間t內的目標屬性數據輸入到Attention-Bi-GRU提取深層特征信息；步驟201：將步驟101歸一化處理后的目標屬性數據輸入注意力機制模塊進行時刻加權；步驟202：將步驟201時刻加權后的目標屬性數據輸入Bi-GRU模塊提取深層特征信息；步驟三、將步驟二獲取的深層特征信息一路輸入樣本重加權模塊獲取樣本權重，一路輸入Softmax分類層，并計算樣本加權交叉熵損失；步驟301：采用隨機傅里葉特征RandomFourierFeature,RFF將網絡提取的深層特征信息映射至隨機特征空間： 其中，h表示隨機特征空間映射函數，z表示步驟202提取的深層特征；步驟302：定義目標樣本權重為β，對隨機特征空間的特征信息基于Frobenius范數進行加權獨立性檢驗：當趨于0時，兩個變量趨于獨立；為隨機特征間的加權互協方差， 其中，n為隨機特征的維度，p，q分別表示隨機特征的維度序號；步驟303：將步驟302的樣本權重與Softmax分類層得到的交叉熵結合，計算樣本加權交叉熵損失： 其中，f·為深層特征表示函數，g·表示分類函數，Ii表示第i個目標樣本的意圖標簽編碼，βi表示第i個目標樣本權重，LCE·,·表示交叉熵損失函數；步驟四、基于步驟三的損失函數，迭代訓練完備的網絡模型，迭代訓練過程如下： 其中，k表示訓練輪次；步驟五、將實際環境得到的目標屬性數據按步驟一進行預處理，之后輸入訓練好的網絡模型進行測試，得到目標意圖識別結果。

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西北工業大學，其通訊地址為：710072 陜西省西安市碑林區友誼西路127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”。