Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 江苏省安全生产科学研究院陈妍获国家专利权

江苏省安全生产科学研究院陈妍获国家专利权

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!

龙图腾网获悉江苏省安全生产科学研究院申请的专利一种基于光谱向量数据处理的监测气体泄露的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:CN119961656B

龙图腾网通过国家知识产权局官网在2025-08-01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:202510446490.6,技术领域涉及:G06F18/213;该发明授权一种基于光谱向量数据处理的监测气体泄露的方法是由陈妍;周汝;朱桂明;高岳毅;蒋俊;贺钢锋设计研发完成,并于2025-04-10向国家知识产权局提交的专利申请。

一种基于光谱向量数据处理的监测气体泄露的方法在说明书摘要公布了:一种基于光谱向量数据处理的监测气体泄露的方法,采用了收集光谱向量数据、输入生成对抗网络训练、区分真样本数据和假样本数据实现数据扩充、输入特征提取模型训练、每个阶段采用不同策略调整神经网络的权重和偏置、输入特征降维模型训练、从低维表示重构特征、输入分类器模型训练、转换为量子比特、用训练后的特征提取模型、数据降维模型和分类器模型处理样本数据的技术方案,克服了训练样本不足导致模型泛化能力差、依赖全局梯度信息更新权重、过拟合的技术问题,产生了提高光谱数据样本生成数据数量和质量、增强算法在不同数据阶段的灵活性、输入与重构输出之间的差异最小化、增强分类器性能、准确预测不同类型气体泄漏状态的技术效果。

本发明授权一种基于光谱向量数据处理的监测气体泄露的方法在权利要求书中公布了:1.一种基于光谱向量数据处理的监测气体泄露的方法,其特征在于,包括: 用光谱传感设备从3-12um波长收集光谱向量数据,标注类别为气体未泄露、气体轻微泄露、气体正常泄露、气体严重泄漏的样本数据; 将样本数据输入基于时频特征辅助合成的生成对抗网络训练,用生成器生成接近真实的假样本数据,以欺骗判别器,用判别器尝试区分真样本数据和假样本数据,实现数据扩充; 将扩充后的数据输入特征提取模型训练,用环形动态优化算法优化神经网络参数,在不同训练阶段调整优化策略,模拟细胞周期的各阶段,每个阶段采用不同策略调整神经网络的权重和偏置; 将特征提取后的数据输入特征降维模型训练,用基于对偶损失的自编码神经网络算法的编码器和解码器的对偶性特征降维,编码器将输入特征向量压缩到低维表示,解码器尝试从低维表示重构输入特征; 将降维后的数据输入分类器模型训练,用基于量子信息关联的支持向量机算法将降维特征向量转换为量子比特; 用训练后的特征提取模型、数据降维模型和分类器模型处理样本数据,将光谱向量数据标记为,用特征提取模型将转换成特征向量,用数据降维模型将转换成降维向量,输入分类器模型得到预测结果,即气体未泄露、气体轻微泄露、气体正常泄露、气体严重泄漏,实现气体泄漏的监测和预警; 所述数据扩充,包括: 初始化生成对抗网络的生成器和判别器的网络参数,设定初始权重和偏置; 用Uniform-1,1表示[-1,1]区间均匀分布抽取的随机数、表示网络层的输入维度、表示网络层的输出维度,用Glorot()策略表示初始化算法,用计算生成器的初始权重、计算判别器的初始权重; 用表示真样本数据随机抽取的一部分量集合、表示随机噪声、表示生成器的网络参数,从光谱数据向量集合中随机选择部分样本作为训练起点,生成器基于当前网络参数,输入随机噪声,生成假样本数据、用表示,计算假样本数据的时频特征、用表示; 用表示判别器的损失函数、表示学习率、表示损失函数关于判别器参数的梯度,判别器接收假样本数据和真样本数据bx,根据两者的时频特征和原始数据,令,更新其网络参数、用表示,以区分假样本数据和真样本数据; 用M表示时频特征的维度、表示假样本数据的第j个时频特征、表示真样本数据的第j个时频特征,用计算时频特征损失; 用表示生成器的损失函数、表示真样本数据的时频特征、表示时频特征损失的权重、表示固定学习率、表示第t次迭代的自适应学习率、表示第t次迭代的一阶矩估计、表示第t次迭代的二阶矩估计、表示损失函数关于生成器参数的梯度,用时频特征损失指导网络训练,令,更新生成器的损失函数、用计算,更新生成器的网络参数、用表示; 用表示当前步的梯度、和表示衰减率,用计算一阶矩的估计、计算二阶矩的估计; 重复迭代上述过程,直至满足预设的停止条件; 所述将扩充后的数据输入特征提取模型训练,包括: 初始化神经网络模型、用3层全连接神经网络、用ReL_RU激活函数进行特征提取,神经网络的隐藏层数为2,第一层隐藏层包括100个神经元,第二层隐藏层包括50个神经元; 用∼表示服从于特定分布,用表示均值为0、方差为的正态分布,用表示初始学习率,初始化神经网络的权重、用表示,初始化神经网络的偏置、用表示; 用表示权重参数、表示偏置参数、表示加速系数、表示神经网络训练的损失函数、表示损失函数关于权重参数的梯度、表示损失函数关于偏置参数的梯度、表示第t次迭代的权重参数、表示第t+1次迭代的偏置参数、∂表示偏导数、表示生长期学习率,在生长期用加速梯度下降算法更新神经网络参数,用和计算; 用表示预设的最大加速系数、表示取最小值函数,用计算加速系数、避免过度调整; 用表示第i个权重参数的重要性系数、nr表示权重参数的数量,在合成期将多个权重参数合成新的参数以提高网络的泛化能力,用计算; 用计算衰减速度参数,基于生长期权重参数的梯度大小,用动态计算重要性系数; 用表示性能阈值,在评估期以决策函数的形式评估当前网络性能、决定是否调整周期优化策略,用表示,若为1,则进入生长期,否则进入分裂前期; 用表示权重参数的调整增量、表示偏置参数的调整增量、表示微调的振幅参数、表示微调的频率参数,在分裂前期模拟细胞的准备分裂阶段,用和微调权重; 用表示微扰振幅的缩放因子,用和计算; 用表示元素相乘、表示梯度阈值,在分裂期以权重剪枝函数的方式约束权重,用计算; 用表示衰减系数、表示已完成的周期数,在休眠期网络逐步达到稳定状态,调整学习率递减、用计算; 重复迭代上述过程,直至满足预设的停止条件; 所述将特征提取后的数据输入特征降维模型训练,包括: 用表示编码器参数、表示解码器参数,将编码器和解码器的权重方式和偏置方式设置为随机初始化; 用表示输入的特征向量、z表示编码后的低维向量、表示重构的输出向量,输入的特征向量通过编码器转化为低维向量、用表示,再通过解码器重构为原始维度的输出向量、用表示; 用n表示样本数量、和表示正则化参数、S表示自表达矩阵、表示单个样本、表示重构样本、表示编码后的样本、表示对偶损失、表示重构误差、表示稀疏自表达误差,用计算对偶损失,重构误差度量原始输入和重构输出之间的误差、用计算,稀疏自表达误差度量编码后的低维样本与稀疏线性组合之间的误差、用计算; 用Z表示全部编码样本的矩阵、表示控制矩阵密度的超参数、表示欧几里德距离、Softmax表示Softmax函数,构造自表达矩阵S、用和表示; 用表示对偶损失的学习率、表示对偶损失关于的梯度、表示对偶损失关于的梯度,用链式法则计算对偶损失关于编码器参数和解码器参数的梯度,更新参数、用和表示; 重复迭代上述过程,直至满足预设的停止条件; 所述将降维特征向量转换为量子比特,包括: 用表示初始化的量子态、表示第一初始旋转角度参数、表示第二初始旋转角度参数、表示表示第三初始旋转角度参数、表示n个量子比特的初始状态、表示每个量子比特的量子门、包括旋转和纠缠操作,初始化量子态编码模块、用表示; 用表示绕z轴的旋转操作、表示绕y轴的旋转操作、θ表示第一旋转角度参数、ϕ表示第二旋转角度参数、表示第三旋转角度参数,用基本量子操作组合构建量子门; 用表示特征向量qx编码后的量子态,根据输入特征qx设计量子编码单元、用表示,将降维后的特征向量转换为量子态,每个特征向量对应一个量子态、用表示; 用表示特征向量qx的第k个分量,用计算量子编码单元; 用量子态的关联度量作为支持向量机的核函数,构建量子增强的分类模型,用量子分类器核函数计算两个量子态之间的重叠; 用表示量子核函数、表示第i个数据点的量子态、表示第j个数据点的量子态,用计算两个量子态的内积的模平方,反映两个特征向量在量子态空间中的相似度; 用量子态之间的关联度量训练支持向量机,通过量子模拟或量子计算机计算分类边界; 用表示优化后的拉格朗日乘子、α表示拉格朗日乘子向量、Q表示由量子核函数K构建的矩阵、N表示训练样本数量、表示第i个样本标签、表示第j个样本标签、C表示支持向量机的正则化参数,用计算量子核函数K构建的矩阵第i行j列的元素,令分类函数受的约束; 用b表示决策边界的偏置项,用sgn表示符号函数、输出分类预测,用表示基于量子信息关联的支持向量机算法的决策函数。

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江苏省安全生产科学研究院,其通讯地址为:210000 江苏省南京市玄武区花园路9号;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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。