-
公开(公告)号：CN119760660A
公开(公告)日：2025-04-04
申请号：CN202411880641.0
申请日：2024-12-19
Applicant: 复旦大学
Abstract: 本发明公开了极端天气预测模型的训练方法，极端天气预测模型包括扩散模型，扩散模型包括正向扩散模块和反向扩散模块，训练方法包括：确定用于训练的初步预测天气样本和其对应的预测标签；通过初步预测天气样本和预测标签对扩散模型进行训练，包括：通过正向扩散模块对初步预测天气样本添加噪声数据，得到噪声天气融合数据；通过反向扩散模块对噪声天气融合数据还原至预测天气还原样本，得到预测噪声数据；根据噪声数据与预测噪声数据确定损失函数；根据损失函数、预测天气还原样本和预测标签训练扩散模型，得到训练完成的极端天气预测模型。训练出的模型预测更准确。本发明还公开了训练装置、极端天气预测方法及装置、电子设备和可读存储介质。
-
公开(公告)号：CN119940614A
公开(公告)日：2025-05-06
申请号：CN202411997135.X
申请日：2024-12-31
Applicant: 复旦大学
IPC: G06Q10/04 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F18/25 , G01W1/10
Abstract: 本申请提供了一种基于稀疏数据融合的AI热带气旋预测方法、系统、电子设备及程序产品。AI热带气旋预测方法，包括如下步骤：稀疏观测融合步骤，获取输入数据，所述输入数据包括原始稀疏观测数据和IFS‑HRES模式预报数据，利用数据同化模型对所述输入数据进行数据融合，输出初始场；AI天气预测步骤，将所述初始场输入至AI天气预测模型进行天气预测，获取不同时刻的天气预测数据，从所述不同时刻的天气预测数据中提取不同时刻的热带气旋局部预测数据；偏差修正步骤，将所述不同时刻的热带气旋局部预测结果输入至AI偏差修正模型中，输出不同时刻的热带气旋修正结果，从而得到修正后的热带气旋强度预测结果，其中，所述AI偏差修正模型为Conv2Former‑LSTM混合模型。
-
公开(公告)号：CN119167163A
公开(公告)日：2024-12-20
申请号：CN202411183511.1
申请日：2024-08-27
Applicant: 复旦大学
IPC: G06F18/241 , G01W1/10 , G06F18/21 , G06F18/10 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了天气预测方法，通过天气预测模型进行天气预测，天气预测模型包括时空变分自编码器，时空变分自编码器包括编码器和解码器，天气预测方法包括：获取包含当前天气情况信息的当前天气数据；通过编码器对当前天气数据在隐空间进行编码，得到当前天气隐空间数据；当前天气隐空间数据为增加特征维度并降低时空维度后的数据；在隐空间上进行天气预测，得到预测天气隐空间数据；通过解码器对预测天气隐空间数据进行解码，得到预测天气数据。上述方法能够减少当前天气数据的冗余性，提取关键气象特征，有利于提高天气预测的准确性。本发明还公开了天气预测模型的训练方法、天气预测装置、天气预测模型的训练装置、电子设备和可读存储介质。
-
公开(公告)号：CN119089407A
公开(公告)日：2024-12-06
申请号：CN202411183518.3
申请日：2024-08-27
Applicant: 复旦大学
Abstract: 本发明公开了极端天气预测模型的训练方法，极端天气预测模型包括扩散模型，扩散模型包括正向扩散模块和反向扩散模块，训练方法包括：确定用于训练的初步预测天气样本和其对应的预测标签；通过初步预测天气样本和预测标签对扩散模型进行训练，包括：通过正向扩散模块对初步预测天气样本添加噪声数据，得到噪声天气融合数据；通过反向扩散模块对噪声天气融合数据还原至预测天气还原样本，得到预测噪声数据；根据噪声数据与预测噪声数据确定损失函数；根据损失函数、预测天气还原样本和预测标签训练扩散模型，得到训练完成的极端天气预测模型。训练出的模型预测更准确。本发明还公开了训练装置、极端天气预测方法及装置、电子设备和可读存储介质。
-
Patent Agency Ranking
公开(公告)号：CN119033821A
公开(公告)日：2024-11-29
申请号：CN202411169480.4
申请日：2024-08-24
Applicant: 复旦大学附属眼耳鼻喉科医院
IPC: A61K35/741 , A61K35/74 , A61P27/10 , A23L33/135 , C12Q1/689 , C12Q1/6883 , C12R1/01
Abstract: 本发明涉及一组肠道菌群在改善或治疗高度近视的产品中的应用，所述的肠道菌群选自Akkermansia、Fusobacteriaceae或Parvimonas中的一种或几种。本发明还提供了肠道菌群在调节巩膜中I型胶原蛋白α1链(COL1A1)表达增加的产品中的应用，以及肠道菌群生物标志物在预测、筛查或诊断近视、高度近视诊断试剂或试剂盒中的应用。本发明研究发现高度近视(HM)与肠道菌群改变之间的关系，为HM的发病机制提出了新的视角。在HM患者和健康对照(HC)之间观察到肠道菌群组成的显著差异。HM患者的Akkermansia、Fusobacteriaceae和Parvimonas减少，而Gemmatimonadetes和Butyricicoccus增加。Akkermansia的作用：Akkermansia是一种有益微生物，是HM受试者中减少最显著的菌种，并且与HM的严重程度呈强烈的负相关。这表明Akkermansia对近视及HM进展具有保护作用。
-
公开(公告)号：CN118903113A
公开(公告)日：2024-11-08
申请号：CN202411169481.9
申请日：2024-08-24
Applicant: 复旦大学附属眼耳鼻喉科医院
IPC: A61K31/405 , A23L33/10 , A61P27/10
Abstract: 本发明涉及3‑吲哚乙酸在预防或减缓近视、高度近视的产品中的应用。所述的3‑吲哚乙酸(3‑IAA)是肠道微生物群相关代谢物。本发明还提供了3‑IAA在调节巩膜中I型胶原蛋白α1链(COL1A1)表达增加的产品中的应用。3‑IAA是一种肠道微生物群相关代谢物，在HM患者中显著改变。在小鼠中口服补充3‑IAA导致巩膜中COL1A1的表达增加并减弱近视、HM进展。3‑IAA以SP1依赖性方式增加COL1A1表达，表明3‑IAA可能有助于维持巩膜结构完整性的机制。调节肠道微生物群和补充3‑IAA是预防或减缓近视、HM进展的潜在治疗策略。
-
公开(公告)号：CN114958745A
公开(公告)日：2022-08-30
申请号：CN202210469270.1
申请日：2022-04-28
Applicant: 复旦大学附属儿科医院
IPC: C12N5/079 , C12N5/0775 , A61L27/36 , A61L27/38 , A61L27/50
Abstract: 本发明提供了一种适宜儿童使用的组织工程神经及其制备方法，其特征在于，包括以下步骤：冻干脱细胞神经支架的制备；人脐带间充质干细胞的培养和诱导；支架‑细胞复合物的构建与动物实验；本发明中冻干脱细胞技术利用冻干复温过程在保持细胞外基质完整的同时破坏细胞壁结构，避免使用去污剂等有细胞毒性的试剂进行脱细胞的操作，保持细胞外基质的生物特性，本发明运用的种子细胞是人脐带间充质干细胞，这种细胞已经被证明有施万细胞的分化能力，对于儿童多见的产瘫病人而言，这种细胞较病人其他部位的细胞更容易获取，而且无创，且方便进行动物实验。
-
公开(公告)号：CN119830098A
公开(公告)日：2025-04-15
申请号：CN202411880638.9
申请日：2024-12-19
Applicant: 复旦大学
IPC: G06F18/241 , G01W1/10 , G06F18/21 , G06F18/10 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了天气预测方法，通过天气预测模型进行天气预测，天气预测模型包括时空变分自编码器，时空变分自编码器包括编码器和解码器，天气预测方法包括：获取包含当前天气情况信息的当前天气数据；通过编码器对当前天气数据在隐空间进行编码，得到当前天气隐空间数据；当前天气隐空间数据为增加特征维度并降低时空维度后的数据；在隐空间上进行天气预测，得到预测天气隐空间数据；通过解码器对预测天气隐空间数据进行解码，得到预测天气数据。上述方法能够减少当前天气数据的冗余性，提取关键气象特征，有利于提高天气预测的准确性。本发明还公开了天气预测模型的训练方法、天气预测装置、天气预测模型的训练装置、电子设备和可读存储介质。
-
公开(公告)号：CN119620241A
公开(公告)日：2025-03-14
申请号：CN202411795899.0
申请日：2024-12-06
Applicant: 复旦大学
IPC: G01W1/10 , G06F18/25 , G06N3/0455 , G06N3/0464
Abstract: 本申请提供了用于预报天气的方法和装置。方法包括：从背景区域中获取包含观测区域的规则网格区域，包括多个网格点，并计算得到预定观测时间段中的每个网格点的网格点观测数据；对每个网格点的网格点观测数据进行编码，得到额外观测数据；将网格点观测数据和额外观测数据进行组合，得到组合观测数据；将背景区域中的背景数据进行裁切，以匹配规则网格区域，得到背景输入数据；将背景输入数据和组合观测数据进行混合，得到混合输入数据；将组合观测数据、背景输入数据、以及混合输入数据输入深度学习模型，基于输出数据来预报天气。本发明中，采用了基于深度学习模型的数据同化框架来预报天气，不仅提高了数据处理效率，而且简化了数据同化过程。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.019 seconds)
