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！

龍圖騰網恭喜中山大學申請的專利一種基于深度學習的空間曲線形狀匹配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：CN114419347B 。

龍圖騰網通過國家知識產權局官網在2025-05-27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：202210068297.X，技術領域涉及：G06V10/74；該發明授權一種基于深度學習的空間曲線形狀匹配方法是由蘇坤華;陶鈞設計研發完成，并于2022-01-20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空間曲線形狀匹配方法在說明書摘要公布了：本發明公開了一種基于深度學習的空間曲線形狀匹配方法，所述方法包括通過時間序列數據的可見圖在流線上的擴展得到流線的可見圖，在流線s上的所有點之間生成一個成對的距離矩陣得到然后選擇需要的閾值d過濾該矩陣生成一個距離為d的可見圖，在可見圖中進行采樣獲得子圖，神經網絡進行深度學習訓練獲得潛在向量，最后實現流線的形狀匹配。通過深度學習的手段將任何流線數據集的形狀信息單獨進行編碼并嵌入到一個潛在的特征空間，在盡量保證信息損失最小的前提下，利用流線編碼成的潛在向量描述符進行精確的形狀匹配。

本發明授權一種基于深度學習的空間曲線形狀匹配方法在權利要求書中公布了：1.一種基于深度學習的空間曲線形狀匹配方法，其特征在于，所述方法包括通過時間序列數據的可見圖在流線上的擴展得到流線的可見圖，在流線s上的所有點之間生成一個成對的距離矩陣得到然后選擇需要的閾值d過濾該矩陣生成一個距離為d的可見圖，在可見圖中進行采樣獲得子圖，神經網絡進行深度學習訓練獲得潛在向量，最后實現流線的形狀匹配；可見圖頂部為一個時間序列，底部為其對應的可見圖；條形圖的每一條的高低表示時間序列中的一個值的大小，并對應于可見圖中按相同順序排列的一個節點；若兩個節點對應的條形可以相互觀察而不被其他條形阻塞，則它們通過可見圖中的一條邊連接起來；對于由一系列采樣點組成的流線，如果一個點與另一個點之間的距離小于閾值d，那么它們就是彼此可見的；所述在可見圖中進行采樣獲得子圖包括為了識別流場中基本的形狀圖集，以鄰接矩陣形式表示的是一條流線對應的可見圖，每一行或每一列的每個位置都代表流線上的一個點，將矩陣中對應位置的值提取出，就得到流線段可見子圖；深度學習神經網絡體系結構是一個標準的卷積自動編碼器，由編碼器和解碼器組成，編碼器將輸入數據編碼成潛在空間中的一個向量，而解碼器則從該向量中重構出原始的數據，編碼器以一個可視子圖作為輸入，并通過三個卷積層和兩個全連接層將其映射到一個128維的潛在向量，而解碼器采用類似的結構將潛在向量重建成一個可視子圖，將重建后的圖像與原始輸入圖像進行比較，以均方誤差MSEL作為網絡的誤差進行訓練： 其中，N為樣本數，n2為正方形圖像的大小，x和y分別為原始圖像和重建圖像；通過神經網絡的訓練，把流線段的形狀信息記錄到了編碼器輸出的128維的潛在向量上，并以此作為流線段的描述符，用于之后的形狀匹配上；通過訓練好的神經網絡模型，得到每條流線段所對應的128維的潛在向量，即每條流線段都與一個特定的潛在向量一一對應；對于兩條不同的流線s1和s2，其對應的潛在向量分別為v1和v2，將s1和s2的相似性度量定義為它們對應潛在向量之間的歐氏距離的大小dis，即： 其中，v1和v2分別是流線s1和s2的潛在向量，n為潛在向量的維數；為衡量流線之間的相似度，為流線的相似度設定一個閾值若兩條流線對應的潛在向量的歐氏距離小于閾值即這兩條流線是相似的。

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山大學，其通訊地址為：510275 廣東省廣州市海珠區新港西路135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”。