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！

龙图腾网获悉杭州摩西科技发展有限公司申请的专利基于深度学习的智能物联与元宇宙虚实融合识别方法及系统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：CN120105041B 。

龙图腾网通过国家知识产权局官网在2025-07-18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：202510579056.5，技术领域涉及：G06F18/21；该发明授权基于深度学习的智能物联与元宇宙虚实融合识别方法及系统是由朱健瑞;朱晓丹;陈凯;韩雨龙设计研发完成，并于2025-05-07向国家知识产权局提交的专利申请。

本基于深度学习的智能物联与元宇宙虚实融合识别方法及系统在说明书摘要公布了：本发明提供基于深度学习的智能物联与元宇宙虚实融合识别方法及系统，涉及元宇宙技术领域，包括获取虚拟与实际行为数据，利用深度神经网络模型提取特征向量，结合注意力机制进行交叉融合，并通过图神经网络构建时序关系图，最终实现对用户虚实行为一致性的评分与验证。本方法能有效提升虚实行为识别准确率，增强元宇宙场景中的安全性与交互体验。

本发明授权基于深度学习的智能物联与元宇宙虚实融合识别方法及系统在权利要求书中公布了：1.基于深度学习的智能物联与元宇宙虚实融合识别方法，其特征在于，包括： 获取终端设备采集的用户在元宇宙虚拟场景中的虚拟行为数据以及物联网设备采集的用户在现实场景中的实际行为数据； 通过预先训练的深度神经网络模型对所述虚拟行为数据和所述实际行为数据进行特征提取，得到虚拟行为特征向量和实际行为特征向量； 基于注意力机制对所述虚拟行为特征向量和所述实际行为特征向量进行交叉融合，生成虚实融合特征向量，其中，所述注意力机制通过计算所述虚拟行为特征向量与所述实际行为特征向量之间的相关性权重，实现虚实行为的自适应特征对齐； 利用图神经网络构建虚实行为时序关系图，通过条件随机场对节点间的时序依赖关系进行建模，对节点特征进行多跳信息传播，获取时序上下文特征，通过跨子图特征融合层将多个子图的时序上下文特征进行整合，生成融合的时序特征向量； 根据所述融合的时序特征向量识别用户的虚实行为一致性，得到虚实行为一致性评分；基于所述虚实行为一致性评分对用户在元宇宙虚拟场景中的行为进行验证和授权； 计算所述虚拟行为特征向量和所述实际行为特征向量之间的注意力权重矩阵，其中，对于所述虚拟行为特征向量中的每个特征元素，通过点积运算计算其与所述实际行为特征向量中每个特征元素的相关性得分，并对所述相关性得分进行归一化处理得到所述注意力权重矩阵； 基于所述注意力权重矩阵对所述虚拟行为特征向量和所述实际行为特征向量进行加权聚合，得到虚拟行为的上下文特征向量和实际行为的上下文特征向量，其中，所述虚拟行为的上下文特征向量通过所述注意力权重矩阵与所述实际行为特征向量的矩阵相乘得到，所述实际行为的上下文特征向量通过所述注意力权重矩阵的转置与所述虚拟行为特征向量的矩阵相乘得到； 将所述虚拟行为特征向量与所述虚拟行为的上下文特征向量进行特征拼接，将所述实际行为特征向量与所述实际行为的上下文特征向量进行特征拼接，得到增强后的虚拟行为特征向量和增强后的实际行为特征向量； 通过非线性变换对所述增强后的虚拟行为特征向量和所述增强后的实际行为特征向量进行融合，生成虚实融合特征向量； 利用图神经网络构建虚实行为时序关系图，将每个时间步的所述虚实融合特征向量映射为所述虚实行为时序关系图中的节点特征； 通过条件随机场对节点间的时序依赖关系进行建模，基于节点特征的变化趋势和历史交互模式，动态预测节点间的因果关联强度； 将所述因果关联强度归一化处理得到节点对之间的采样概率；设置采样概率阈值，筛选高于所述采样概率阈值的节点对作为关键时序路径；以所述关键时序路径为中心，通过随机游走算法采样得到多个局部子图； 对每个所述局部子图执行以下操作： 构建局部图神经网络，设置多层图卷积层；在每一层图卷积中，聚合节点的邻居特征并更新节点表征；通过跳接连接保留各层的节点特征，得到包含多跳信息的节点时序上下文特征； 通过跨子图特征融合层整合多个局部子图的信息，具体包括： 计算不同子图中对应节点特征的注意力权重；基于所述注意力权重对多个子图的节点时序上下文特征进行加权融合；通过池化操作得到最终的融合时序特征向量。

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杭州摩西科技发展有限公司，其通讯地址为：311200 浙江省杭州市萧山区城厢街道金城路39号紫橙国际创新中心3号楼5楼502室；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”。