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！

龙图腾网获悉贵州省矿山安全科学研究院有限公司申请的专利基于深度学习的硅酸盐分解菌代谢特性预测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：CN120708723B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202511149091.X，技术领域涉及：G16B40/20；该发明授权基于深度学习的硅酸盐分解菌代谢特性预测方法是由李青松;林益超;司美艳;雷以柱;黄建洪;金海设计研发完成，并于2025-08-18向国家知识产权局提交的专利申请。

本基于深度学习的硅酸盐分解菌代谢特性预测方法在说明书摘要公布了：本发明提供一种基于深度学习的硅酸盐分解菌代谢特性预测方法。应用于废弃资源利用和深度学习技术领域，所述方法包括：S1：采集包括菌种类别、营养基成分、pH值、水分含量、培养温度的静态特征，以及碱解氮、有效磷、速效钾释放速率的时间序列动态特征，并进行数据预处理；S2：构建融合三种深度学习模型的微生物代谢特性预测模型分别进行微生物代谢特性预测；S3：对微生物代谢特性预测模型输出的第一、第二、第三预测结果进行加权融合，生成最终代谢特性预测结果，包括碱解氮、有效磷、速效钾释放速率的动态变化曲线及置信区间。本发明能够对分解煤矸石废弃物的微生物菌群代谢特性进行高精度动态预测，为废弃资源利用提供智能化支持。

本发明授权基于深度学习的硅酸盐分解菌代谢特性预测方法在权利要求书中公布了：1.一种基于深度学习的硅酸盐分解菌代谢特性预测方法，其特征在于，包括以下步骤： S1：采集包括菌种类别、营养基成分、pH值、水分含量、培养温度的静态特征，以及碱解氮、有效磷、速效钾释放速率的时间序列动态特征，并进行数据预处理； S2：构建融合三种深度学习模型的微生物代谢特性预测模型分别进行微生物代谢特性预测： S2.1：构建自适应融合时空图卷积网络模型，通过时空邻接矩阵建模菌种、培养条件与代谢指标之间的关联性，结合多步随机游走期望矩阵进行时空图卷积，输出第一预测结果； 其中，所述自适应融合时空图卷积网络模型的构建包括： 构建自适应时空图结构，包括：将不同菌种、培养条件及代谢产物作为图节点，通过节点嵌入机制自适应构建空间邻接矩阵、时间邻接矩阵及时空邻接矩阵，以建模它们之间的结构关系和相互影响，包括：将菌种、培养条件及代谢产物作为图节点，基于可学习参数矩阵H1、H2生成初始空间邻接矩阵；通过方向判断矩阵T调整邻接矩阵方向性，对调整后的邻接矩阵应用ReLU和Sigmoid激活函数，生成最终的空间邻接矩阵，公式如下： ； 其中，,为可学习参数，用于构建节点之间的初始关联；：初始空间邻接矩阵，通过节点嵌入的矩阵乘法获得；：最终空间邻接矩阵；：修正线性单元激活函数；为Sigmoid激活函数；：判断矩阵，根据中元素大小关系判断边方向；：判断矩阵中位置i,j的值；：初始邻接矩阵中节点i和j之间的关系强度； 构建时间邻接矩阵，用于刻画同一变量在不同时间点的相关性，其元素的定义为： ； ：时间邻接矩阵，表示同一变量在不同时间点之间的自相关性；：时间邻接矩阵中第i行第j列的元素； 通过节点嵌入矩阵生成时空邻接矩阵，表示跨时间和空间的节点关联关系,采用节点嵌入向量构建,并通过激活函数获得： ； ：时空邻接矩阵，构建于空间和时间图基础之上，融合空间和时间特征；：基于节点嵌入计算出的节点关系矩阵；ReLU,Sigmoid：分别为激活函数，用于增强非线性表达能力并控制值域范围； 构建自适应融合时空图卷积模块，包括：基于归一化邻接矩阵A构建转移矩阵P；根据所述转移矩阵P设计基于随机游走的多步转移期望矩阵；筛选最相关邻域节点并更新其转移权重，然后执行图卷积操作，捕捉代谢产物的时空依赖关系，得到图卷积后的特征； ； 其中，：归一化前的邻接矩阵；：转移概率矩阵，表示一个节点在一步随机游走后转移到另一个节点的概率；：度矩阵，为对角矩阵是一个对角矩阵，其对角元素为连接自身节点与其他节点的边数之和，计算公式为： ； 其中，：节点的度，即节点与其他节点相连的边数之和；：邻接矩阵中表示节点到节点是否存在边的值； ； 其中，：多步转移期望矩阵，为转移步数；：转移矩阵的次幂，表示步随机游走后的状态转移概率；：从0到步内的累积转移期望，表示综合多层邻域信息； 通过全连接层将图卷积后的特征转换为目标变量的预测值，输出代谢指标预测值，即第一预测结果； ； 其中，：模型对硅酸盐分解菌某项代谢指标的预测值；：最后一层图卷积模块的输出特征矩阵，L为总层数；：输出层的可学习权重参数；：输出层的偏置项；：激活函数； S2.2：构建潜在扩散变压器模型，通过自适应归一化层压缩时间序列至潜在空间，利用扩散反演生成去噪潜在变量，经解码器输出第二预测结果； 其中，所述潜在扩散变压器模型的构建包括： 采用自适应归一化层对高维多变量时间序列进行对称压缩与动态归一化处理，针对每个代谢指标独立计算均值和标准差，生成归一化序列，即时间序列样本； 构建编码器-解码器架构，编码器将所述归一化序列映射至低维潜在空间； 将经过归一化处理后的时间序列样本经过编码器后得到低维潜在空间嵌入表示，其中训练目标函数定义为： ； 其中，：时间步的加噪潜在变量；：条件信息向量，包括实验过程中控制的静态因素，静态因素包括菌种类别、培养温度、pH值和营养基浓度；：由扩散变压器生成的去噪潜在变量；：表示平方欧几里得范数；：求期望值操作；：模型参数； 通过扩散过程逐步加噪并训练去噪网络，结合自条件引导机制生成潜在空间表示，包括：潜在扩散变压器中引入自条件引导机制，构建自条件引导块，线性组合有条件与无条件去噪结果生成最终估计： 其中，：有条件去噪结果；：无条件去噪结果；：引导强度系数；：最终采样时的组合估计结果； 解码器进行模型推理时，从标准正态分布采样潜在变量，经反向扩散逐步去噪后解码生成预测结果，输出第二预测结果： 其中，：当前反向扩散过程中的潜在表示，在第步生成并作为下一步的输入；：反向扩散过程中的时间步的权重系数；控制保持原始输入的比例，控制模型去噪输出的影响权重；：条件去噪输出，为包括菌种、温度、pH值至少一种的外部条件；：在反向采样过程中控制重构时加入的噪声强度；：从标准正态分布中采样的噪声项，用于维持扩散过程中的随机性和多样性；：解码器模块，将最终去噪后的潜在表示映射还原为具体的时间序列预测结果； S2.3：构建自动超参数调整的时间融合变压器模型，结合分位数回归与门控残差网络，输出第三预测结果； 其中，所述自动超参数调整的时间融合变压器模型的构建包括： 通过多头注意力机制编码时间序列动态依赖关系，其表达式为： ； 其中，：查询矩阵，由当前时间步输入特征线性变换得到；：键矩阵，表示整个时间序列上下文信息；：值矩阵，代表每个时间步的内容表示；：头的数量；：对应第个头的线性变换矩阵；：表示多头注意力机制中第i个独立的注意力头AttentionHead；：输出投影矩阵，用于将多个注意力头的结果融合为统一表示；为多头注意力机制；为拼接操作；为注意力机制，公式为： ； ：键向量的维度，用于缩放防止梯度过大；：归一化操作，用于计算不同时间步之间的注意力权重； 通过门控残差网络进行非线性映射，具体表达式如下： ； 其中，：主输入特征向量；：上下文特征或辅助信息向量；：权重矩阵；：偏置项；：指数线性单元激活函数，用于改善梯度流；：门控线性单元，用于控制信息流通；：门控残差网络；：中间映射结果；LayerNorm：对残差输出进行归一化； 采用分位数回归损失函数建模预测结果的不确定性，输出代谢产物浓度的分位数预测区间； 通过贝叶斯优化、遗传算法或网格搜索自动调整超参数，所述超参数包括隐藏层维度、注意力头数、学习率、缩放器类型中的至少一种； 其中，所述门控残差网络的门控机制通过以下步骤实现： 将主输入特征与上下文特征经线性变换后通过ELU激活，生成中间特征； 对中间特征进行二次线性变换并通过GLU门控单元控制信息流通，最终与输入特征残差连接并经层归一化输出； 其中，所述分位数回归损失函数的表达式为： ； ； 其中，：模型预测的多个分位数值组成的输出结果，即第三预测结果，用于反映如代谢产物浓度在不同置信水平下的预测区间；y：真实值向量；：分位数回归损失函数；：第个样本的真实值；：第个样本的预测值；n为样本数量；：第个分位点；：分位数损失函数的核函数； S3：对第一、第二、第三预测结果进行加权融合，生成最终代谢特性预测结果，包括碱解氮、有效磷、速效钾释放速率的动态变化曲线及置信区间，公式为： ； 其中，为最终融合后的预测结果，用于刻画硅酸盐分解菌的代谢特性；：分别为第一、第二、第三预测结果；,,：对应三个模型的权重系数，满足：，所述权重系数通过交叉验证或网格搜索确定，以最小化融合预测值与真实值的均方误差为目标。

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贵州省矿山安全科学研究院有限公司，其通讯地址为：550025 贵州省贵阳市花溪区花溪乡竹林村大水沟；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。