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！

龙图腾网获悉同济人工智能研究院(苏州)有限公司申请的专利一种用于气体监测设备的气体浓度预测与实时定位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：CN115453051B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202211019099.0，技术领域涉及：G01N33/00；该发明授权一种用于气体监测设备的气体浓度预测与实时定位方法是由邓若愚;胡尚薇设计研发完成，并于2022-08-24向国家知识产权局提交的专利申请。

本一种用于气体监测设备的气体浓度预测与实时定位方法在说明书摘要公布了：本发明涉及一种用于气体监测设备的气体浓度预测与实时定位方法，包括如下步骤：通过手持式气体监测仪获取某一位置的定位数据和随时间变化的气体浓度监测数据，并将定位数据和气体浓度监测数据传送给气体监测设备主体；气体监测设备主体根据定位数据计算位置信息，气体监测设备主体通过预测网络模型计算气体浓度预测数据；气体监测设备主体根据气体浓度预测数据判断该位置是否存在风险，并向手持式气体监测仪发送预测结果。本发明的方法既能快速获得手持式气体监测仪的定位地点，又能高效预测定位地点的气体浓度，定位精度高，预测结果准确度高，方便工作人员及时了解可能存在风险的地点，能够快速做出行动，避免发生安全事故，保护生命财产安全。

本发明授权一种用于气体监测设备的气体浓度预测与实时定位方法在权利要求书中公布了：1.一种用于气体监测设备的气体浓度预测与实时定位方法，其特征在于：包括如下步骤：S1：通过手持式气体监测仪获取某一位置的定位数据和气体浓度监测数据，包括： 1手持式气体监测仪获取其在某一位置的定位数据，并将定位数据传送给气体监测设备主体，手持式气体监测仪获取定位数据为：采用TOF测距方法多次测量手持式气体监测仪与各个参考基站之间的距离dn，其中： 式中： dn为手持式气体监测仪与各个参考基站之间的距离， C为光速， TTOT为手持式气体监测仪发出信号的时间与收到反馈信号的时间之差， TTAT为参考基站收到信号的时间和发出反馈信号的时间之差； 2手持式气体监测仪获取该位置处的随时间变化的气体浓度监测数据，并将气体浓度监测数据传送给气体监测设备主体； S2：通过气体监测设备主体计算位置信息和气体浓度预测数据，包括： 1气体监测设备主体根据定位数据计算位置信息，首先采用中值均值滤波法对多次测量的手持式气体监测仪与各个参考基站之间的距离进行预处理，再采用Taylor定位方法进行求解，再采用卡尔曼滤波方法进行滤波处理，最后获得手持式气体监测仪在该位置处的位置信息，中值均值滤波法为：采用中值滤波法对多个d1进行滤波，将多个d1按照数值大小进行排序，并剔除其中的最大值和最小值，将剩余的d1采用均值滤波法进行滤波，然后采用中值滤波法对多个d2进行滤波，以此类推，直至对多个dn完成滤波； 卡尔曼滤波方法为：设状态变量n维，k时刻的状态为xk，k时刻的m维测量量为zk，则状态方程为xk＝φk-1xk-1+Γk-1wk-1，测量方程为zk＝Hkxk+Vk，其中：φk-1为状态转移矩阵，Γk-1为状态噪声系数矩阵，wk-1为状态噪声，Hk为测量矩阵，Vk为测量噪声，一般为零期望白噪声， 根据匀加速运动模型有： 式中，sk为移动目标的一维位置信息，为移动目标的速度， 根据卡尔曼滤波原理可得方程组： 由于系统采样频率较高，在一个采样周期内可以近似认为移动目标做匀速运动，因此上述公式可改写为： 考虑到二维情形下的状态模型包含水平方向和垂直方向的位置和速度，因此可以将状态方程定义为： 式中，xk和分别为x方向的位置和速度，yk和分别为y方向的位置和速度，系统方程可以表示为： 相应的测量误差方程和状态方程分别为： 式中，Vk和分别为观测量Lk和状态预测量的残差向量； 2气体监测设备主体通过预测网络模型计算气体浓度预测数据，气体监测设备主体通过预测网络模型计算得到未来一段时间内该位置的气体浓度预测数据的过程包括： ①将手持式气体监测仪获取的气体浓度监测数据进行时序位置编码，气体浓度监测数据包括n个气体浓度监测值，时序位置编码为：手持式气体监测仪获取的气体浓度监测数据包括n个连续时序气体浓度值，t表示数值在时序中的位置，表示t时刻气体浓度值对应的时序位置向量，d表示位置向量的维度，i表示位置向量的第i维，f：N→Rd是生成位置向量的函数，则： 其中： ②将时序位置编码后的气体浓度监测数据输入Autoformer预测网络模型中，Autoformer预测网络模型计算得到m个气体浓度预测值，Autoformer预测网络模型包括内部的序列分解单元、自相关机制以及对应的编码器、解码器，具体为： 1深度分解架构，在预测过程中，逐步从隐变量中分离趋势项与周期项，实现渐进式分解，2自相关机制，自相关机制包含基于周期的依赖发现和时延信息聚合， 在预测过程中，逐步从隐变量中分离趋势项与周期项，实现渐进式分解，具体为： ①序列分解单元，序列分解单元基于滑动平均思想，平滑时间序列，分离周期项与趋势项： 式中：为待分解的隐变量，和分别为趋势项和周期项，将上述公式记为: ②编码器和解码器， 编码器：通过序列分解单元，可分离出周期项和基于这种周期性，设计自相关机制，聚合不同周期的相似子过程： 解码器：对趋势项与周期项分别预测，对于周期项，使用自相关机制，基于序列的周期性质来进行依赖挖掘，并聚合具有相似过程的子序列，对于趋势项，使用累积方式，逐步从预测的隐变量中提取趋势信息： S3：气体监测设备主体根据气体浓度预测数据判断该位置是否存在风险，并向手持式气体监测仪发送预测结果。

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同济人工智能研究院(苏州)有限公司，其通讯地址为：215100 江苏省苏州市相城区高铁新城青龙港路58号天成时代商务广场29、30层；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。