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！

龙图腾网获悉莆田学院申请的专利基于在线序贯前置干涉层的集成学习分类方法及装置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：CN120850013B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202511349850.7，技术领域涉及：G06F18/24；该发明授权基于在线序贯前置干涉层的集成学习分类方法及装置是由闻辉;黄胤杰;林振衡;裴继红;刘海涛;李杨继;郝广涛;徐航;林元模;华东;李铨;唐立丹设计研发完成，并于2025-09-22向国家知识产权局提交的专利申请。

本基于在线序贯前置干涉层的集成学习分类方法及装置在说明书摘要公布了：本发明提供的基于在线序贯前置干涉层的集成学习分类方法及装置，涉及数据流分类技术领域。本发明通过获取历史振动序贯数据，并实时获取在线振动序贯数据；设计由多个异构基分类器组成的集成分类器；所述基分类器为四层前馈神经网络模型，通过在OS‑ELM网络的输入层与隐藏层之间增加一干涉层，以实现对在线序贯样本的非线性核映射；基于获取的历史振动序贯数据与在线振动序贯数据分别对所述集成分类器的每个所述基分类器进行初始化学习与在线序贯学习；基于所述集成分类器，对新获取的在线振动序贯数据进行分类预测。本发明能够有效解决动态数据流中的概念漂移与类别不平衡问题，提升模型对少数类样本的识别能力和对数据分布变化的适应性。

本发明授权基于在线序贯前置干涉层的集成学习分类方法及装置在权利要求书中公布了：1.一种基于在线序贯前置干涉层的集成学习分类方法，应用于工业设备状态监测的动态振动数据流分类场景，其特征在于，包括： S1，获取工业设备运行监测的历史振动序贯数据，并通过传感器实时获取在线振动序贯数据； S2，设计由多个异构基分类器组成的集成分类器；所述基分类器为四层前馈神经网络模型，通过在OS-ELM网络的输入层与隐藏层之间增加一干涉层，以实现对在线振动序贯数据的非线性核映射；所述干涉层用于对输入样本进行非线性核映射，其由一组sigmoid核函数构成或者通过一组固定的、随机生成的中心点和预设的核函数构成； S3，基于获取的历史振动序贯数据与在线振动序贯数据分别对所述集成分类器的每个所述基分类器进行初始化学习与在线序贯学习，得到训练好的集成分类器； S4，基于所述集成分类器，对新获取的在线振动序贯数据进行实时分类预测，得到分类结果；所述分类结果包括运行正常或运行故障； 其中，在线序贯学习时，结合基于Gmean的概念漂移检测机制的遗忘因子对隐藏层的输出权重进行更新，以使新旧数据块具有不同的权重，优先保留近期特征明显的振动序贯数据的重要性；所述遗忘因子的表达式为； ； ； ； ； 其中，为概念漂移指数；为针对当前数据块k,模型在正负两类样本上的平衡能力，即召回率和特异度的几何平均数；为历史最佳的 表示召回率，模型正确识别正类样本的能力；为真正例，即模型正确预测为正类的样本数；表示假反例，模型错误预测为负类的正类样本数； 表示模型正确识别负类样本的能力；TN表示真反例，模型正确预测为负类的样本数；为假正例，模型错误预测为正类的负类样本数； 为阈值，通过以下方式获得： 将Hoeffding不等式应用于概念漂移检测，得到允许的性能下降阈值与样本数n和显著性水平的关系为： ； 其中，为概率分布函数；表示样本均值；为集成分类器；为性能阈值；为显著水平； 令右侧显著水平为，可解得： ； 其中，n为样本数； 将历史最佳Gmean，记为，并定义相对偏差： ； 则阈值的大小可得: 。

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莆田学院，其通讯地址为：351100 福建省莆田市荔城区西天尾镇紫霄东路2121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。