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！

龙图腾网获悉安徽大学绿色产业创新研究院申请的专利基于改进DBSCAN算法和多尺度LSTM神经网络的气体浓度预测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：CN117171641B 。

龙图腾网通过国家知识产权局官网在2025-06-17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：202311124140.5，技术领域涉及：G06F18/241；该发明授权基于改进DBSCAN算法和多尺度LSTM神经网络的气体浓度预测方法是由崔小娟;江超超;赵依;崔潇汉;张顺;邹铭敏设计研发完成，并于2023-09-01向国家知识产权局提交的专利申请。

本基于改进DBSCAN算法和多尺度LSTM神经网络的气体浓度预测方法在说明书摘要公布了：本发明公开了一种基于改进DBSCAN算法和多尺度LSTM神经网络的气体浓度预测方法，包括：1、获取气体吸收光谱数据、实验环境的温度和湿度数据；2、使用改进DBSCAN聚类算法对原始数据进行筛选构造数据集并进行归一化处理；3、使用特征提取网络提取变量之间的特征并构造多尺度的LSTM神经网络气体浓度预测模型；4、使用气体浓度预测模型和测试集进行预测得到最终预测值。本发明通过对数据进行筛选和异常数据的修正，并根据修正后的数据集构造了多尺度LSTM神经网络，用于实现对气体浓度值的预测，为监测环境中的气体浓度变化提供了依据。

本发明授权基于改进DBSCAN算法和多尺度LSTM神经网络的气体浓度预测方法在权利要求书中公布了：1.一种基于改进DBSCAN算法和多尺度LSTM神经网络的气体浓度预测方法，其特征在于，包括以下步骤： 步骤1、利用气体吸收光谱实验装置获取大气中的n组气体吸收光谱数据，并计算每组气体的吸收峰积分面积，记为A＝{A1,A2,...,Ai,...An}，其中，Ai表示为第i组气体吸收光谱数据所计算出的吸收峰积分面积； 获取实验环境的温度数据集T＝{T1,T2,...,Ti,...,Tn}和湿度数据集R＝{R1,R2,...,Ri,...,Rn}，其中，Ti和Ri分别表示为第i组气体吸收光谱数据所对应的温度和湿度； 获取n组气体的历史真实浓度数据，记为C＝{C1,C2,...,Ci,...Cn}，其中，Ci表示为第i组气体吸收光谱数据所对应的历史真实浓度；n表示数据组数； 步骤2、使用改进DBSCAN聚类算法筛选异常的离群数据点； 步骤2.1、定义邻域最小样本点数为Pmin、定义并随机初始化邻域的半径ε、定义并随机初始化阈值σ； 步骤2.2、初始化i＝1； 步骤2.3、将Ai作为第i个样本点，判断以Ai为中心的半径为ε的邻域内的样本点数Pi是否大于等于Pmin，若是，则表示Ai为核心点，并将Ai存入核心点集合H中，并由核心点Ai及其半径ε内的所有样本点构成第i个簇Qi；否则，直接执行步骤2.4； 步骤2.4、将i+1赋值给i后，判断in是否成立，若成立，则表示得到若干簇及最终的核心点集合H，否则，返回步骤2.3顺序执行； 步骤2.5、判断若干簇中是否包含相同的样本点，若包含，则将相同的样本点所对应的簇合并为一个簇，否则，不合并；从而形成相互无交集的簇集合Q；并将A中不包含在簇集合Q中的样本点组成离群点集合I； 步骤2.6、计算离群点集合I中的各离群点与核心点集合H中各核心点之间的距离，得到距离矩阵其中，e表示离群点的个数，f表示核心点的个数，lij表示为第i个离群点和第j个核心点之间的距离； 步骤2.7、获取距离矩阵L中每一行向量中的最小值，并得到最近距离矩阵Lmin＝[l1,min,...,li,min,...,le,min]，其中，li,min表示为第i个离群点与最近核心点的距离； 步骤2.8、判断li,min与半径ε之间的差值Si是否小于阈值σ，若是，则保留对应的差值，否则，将对应的差值设为-1，从而得到差值矩阵S＝[S1,S2,...,Si,...,Se]； 步骤2.9、判断S中是否存在大于0的差值，若存在，则从S中选取大于0的差值中的最小值Smin，并将ε+Smin赋值给ε，σ-Smin赋值给σ后，返回步骤2.2顺序执行；否则，表示得到最终的离群点集合I； 步骤3、对测量中的异常数据进行修正并构造神经网络数据集； 步骤3.1、根据Lmin得到e个最近核心点，并利用每个最近核心点的邻域范围内的所有样本点的平均值替换对应的离群点，从而得到修正后的离群点集合I’，再与簇集合Q合并后，得到修正后的气体吸收光谱数据A’； 步骤3.2、由C、A’、T和R构成LSTM神经网络的数据集X＝{C,A',T,R}，并对数据集X进行归一化处理，得到归一化后的X’； 步骤4、利用变量特征提取网络提取X’中变量之间的局部相关性特征； 步骤4.1、将X’中的变量进行两两组合，得到维度为a-1！×n×2的三维矩阵Xcnn；其中，a-1！表示组合的个数，！表示阶乘，a表示X’中的变量个数； 步骤4.2、将三维矩阵Xcnn输入到变量特征提取网络中，并使用卷积核大小为a-1！×q×2，步长为1的三维卷积层提取a个变量两两之间的特征，得到维度为a-1！×n-q+1×1的三维特征矩阵Q1；其中，q表示窗口长度； 步骤4.3、所述变量特征提取网络对三维特征矩阵Q1进行维度重构后，得到维度为n-q+1×a-1！的二维特征矩阵Q2； 步骤4.4、所述变量特征提取网络使用卷积核大小为1×a-1！、卷积核个数为p、步长为1的二维卷积层对二维特征矩阵Q2进行特征提取，得到p个维度为n-q+1×1的一维特征矩阵，最后，将p个一维特征矩阵拼接后，得到维度为n-q+1×p的二维特征矩阵Q3； 步骤5、使用多尺度的LSTM神经网络进行预测； 步骤5.1、将二维特征矩阵Q3划分为训练集和测试集，并以所述训练集作为LSTM神经网络的输入，以C作为LSTM神经网络的输出，从而对LSTM神经网络进行训练，得到一个尺度下的气体浓度预测模型； 步骤5.2、r次改变窗口长度q后，分别返回步骤4.2顺序执行，从而得到r个尺度下的气体浓度预测模型； 步骤5.3、将测试集分别输入r个尺度下的气体浓度预测模型中，并利用式1对每个尺度下的气体浓度预测模型所预测出的气体浓度进行加权和，从而得到r个尺度下的预测综合值y； y＝w1y1+w2y2+…+wkyk+…+wryr1 式1中，yk表示第k个尺度下的气体浓度预测模型预测出的气体浓度，wk表示第k个权重，并有： 式2中，MSEk表示第k个尺度下的气体预测浓度yk与真实浓度值C之间的均方误差。

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安徽大学绿色产业创新研究院，其通讯地址为：230000 安徽省合肥市高新区望江西路创业服务中心B座3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”。