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！

龙图腾网获悉广东工业大学申请的专利一种基于时序非稳态的因果机制发现方法和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：CN114330724B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202111615970.9，技术领域涉及：G06N5/04；该发明授权一种基于时序非稳态的因果机制发现方法和系统是由蔡瑞初;黄莉婷;郝志峰;陈炳丰设计研发完成，并于2021-12-27向国家知识产权局提交的专利申请。

本一种基于时序非稳态的因果机制发现方法和系统在说明书摘要公布了：本发明公开一种基于时序非稳态的因果机制发现方法，包括以下步骤：S1：获取时序非稳态因果机制已知的数据集，并对数据集进行处理；S2：构建用于发现时序非稳态因果机制的模型；S3：利用所述数据集对所述用于发现时序非稳态因果机制的模型进行训练，得到训练好的用于发现时序非稳态因果机制的模型；S4：利用所述训练好的用于发现时序非稳态因果机制的模型对未知时序非稳态因果机制的数据进行因果机制发现。本发明利用从状态空间和高斯过程从包含非稳态因果机制的时序数据中检测并发现因果机制，实现了非稳态因果关系发现。

本发明授权一种基于时序非稳态的因果机制发现方法和系统在权利要求书中公布了：1.一种基于时序非稳态的因果机制发现方法，其特征在于，包括以下步骤： S1：获取时序非稳态因果机制已知的数据集，并对数据集进行处理，所述数据集由14个EEG变量和一个表示眼睛状态的变量组成； S2：构建用于发现时序非稳态因果机制的模型； S3：利用所述数据集对所述用于发现时序非稳态因果机制的模型进行训练，得到训练好的用于发现时序非稳态因果机制的模型； S4：利用所述训练好的用于发现时序非稳态因果机制的模型对未知时序非稳态因果机制的数据进行因果机制发现； 所述步骤S2中用于发现时序非稳态因果机制的模型，具体为： 所述用于发现时序非稳态因果机制的模型包括状态空间检测层和高斯学习过程，其中所述状态空间检测层的输入为时序数据，所述状态空间检测层识别时序数据中的分层结构；所述高斯学习层学习分层后时序数据的稳态因果结构； 所述状态空间检测层具体表示为： qZ,S,M|X＝qM|XqZ|M,XqS|Z,M,X 式中，X为特征向量，X＝{xt}，Z,S分别为状态变量，Z＝{zt}，S＝{st}，s＜t、z＜t表示t之前所有状态变量，M为二元随机变量，M＝{mt}，m＜t表示t之前所有二元随机变量，qZ,S,M|X表示在X条件下，检测到Z,S,M的后验联合概率分布，qM|X表示在X条件下，检测到M的后验联合概率分布，qZ|M,X表示在M,X条件下，检测到Z的后验联合概率分布，qS|Z,M,X表示在Z,M,X条件下，检测到S的后验联合概率分布，pX,Z,S,M表示X,Z,S,M的先验联合概率分布，pxt|st表示在st条件下，检测到xt的先验条件概率分布，pmt|st表示在st条件下，检测到mt的先验条件概率分布，pst|s＜t,zt,mt-1表示在s＜t,zt,mt-1条件下，检测到st的先验条件概率分布，pzt|z＜t,m＜t表示在z＜t,m＜t条件下，检测到zt的先验条件概率分布； 式中，δzt＝zt-1表示zt＝zt-1的先验概率分布函数，表示在dt条件下，检测到zt的先验条件概率分布，表示在ht条件下，检测到st的先验条件概率分布，fz-rnnzt-1|dt-1表示在dt-1条件下，学习zt-1的rnn函数，fs-rnnst-1||zt,ht-1表示将st-1,zt,ht-1联结后，学习st-1的rnn函数，fz-mlpzt表示zt的多层感知器函数； 使观察到的数据的概率的对数可能性最大化，即： 利用证据下限ELBO来近似： 式中，EqZ,S,M|X表示qZ,S,M|X的数学期望，KL表示KL散度； 利用顺序分解qM|X，首先推断出边界指标M： 式中，Bern为伯努利分布，σ为激活函数； 通过状态推理qZ|M,X和qS|Z,M,X在发现边界结构的情况下推断出两个抽象的概念，其中qZ|M,X用于预测多变量子时间序列的状态，为了使用多变量子时间序列内的相同状态，分布qzt|M,X是以边界指标M为条件的： 式中，βzt＝zt-1为zt＝zt-1后验概率分布函数，由前向RNN提取，而由后向RNN提取，RNN依赖于M以确保βzt＝zt-1时间序列之间的独立性；S的因子为和每个st从分布取样，对观察序列X进行编码，并在新的多变量子时间序列开始时进行更新； 所述高斯学习过程，具体为： 使用线性和非线性函数来表示多变量子时间序列中观测变量之间的因果关系，该因果关系可以被形式化为： 其中表示变量xi的一组原因，ui是干扰项，gi代表来自未观察到的混杂因素的因果影响，这些因素被认为是在时间上平滑的函数，代表在第k个时间序列xi下的稳态因果函数； 令表示第k多变量子时间序列的有限维度N，对于每个子时间序列，考虑到时间滞后信息，每个变量xit都由以下机制产生： 在每个时变系数和混杂项，假设fj的先验是gi的先验为其中μ表示高斯过程中的相应均值，V表示协方差；假设fj和gi的先验值在不同的j,p下相互独立；那么w就表示为： wkt～GPμt,Vt,t 假设噪声是高斯随机变量，即uit～N0,σ2，其中σ2是噪声的方差；在高斯过程先验和高斯噪声的情况下，观测值的边际似然可以表示为多变量高斯分布： yk＝Dx*{fjt,git}T+u 其中矩阵符号： u＝[{uit}i,t]T 其中I是单位矩阵，u＝[{uit}i,t]T其中表示Kronecker内积； 通过最大化概率的边际似然来学习高斯过程的均值函数和协方差函数中的超参数，以及噪声的方差σ2： 其中后验平均值包含估计的滞后系数和混淆项

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广东工业大学，其通讯地址为：510090 广东省广州市越秀区东风东路729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”。

以上内容由龙图腾AI智能生成。