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！

龙图腾网获悉吉林大学申请的专利一种基于深度学习transformer神经网络的传感器气体浓度检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：CN116304912B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202310311018.2，技术领域涉及：G06F18/2415；该发明授权一种基于深度学习transformer神经网络的传感器气体浓度检测方法是由胡小龙;岳文强;卢革宇;马忠嘉;郭帅设计研发完成，并于2023-03-28向国家知识产权局提交的专利申请。

本一种基于深度学习transformer神经网络的传感器气体浓度检测方法在说明书摘要公布了：本发明公开了一种基于深度学习transformer神经网络的传感器气体浓度检测方法，属于传感器智能检测技术领域，包括数据集准备及预处理；Transformer神经网络模型的构建；Transformer神经网络模型的训练；用上述训练好的Transformer神经网络模型估算出实际环境参数值与气体浓度值。该算法通过已有的数据集训练过后的模型，实现气体传感器在快速，少样本条件下，对环境中的气体浓度快速检测；具有精度高、通用性强、鲁棒性好、实时性强等优点，可以克服传统方法存在的问题，实现更好的气体浓度检测效果。

本发明授权一种基于深度学习transformer神经网络的传感器气体浓度检测方法在权利要求书中公布了：1.一种基于深度学习transformer神经网络的传感器气体浓度检测方法，其特征在于，具体包括如下步骤： 步骤一：数据集准备及预处理； 采集气体传感器的数据，并对数据进行预处理，所述预处理包括清理、去噪及标准化，经预处理后得到带有时间维度的气体浓度序列数据； 步骤二：Transformer神经网络模型的构建； 切分数据集，带入训练集于嵌入层embedding，调节模型中编码器Encoder和解码器Decoder模块超参数，参考均方误差、平均绝对误差指标使用网格搜索优化函数评估出最优的超参数组合，并使用最佳MSE、MAE表征模型性能； 步骤三：Transformer神经网络模型的训练； 步骤四：用上述训练好的Transformer神经网络模型估算出实际环境参数值与气体浓度值； 步骤二中，采用Transformer神经网络的Encoder-Decoder模型及嵌入层对数据进行时序处理；其中，所述嵌入层用于将传感器采集到的数据转换为神经网络可以处理的向量形式；所述Encoder模块用于将输入序列转换为一组隐藏表示；所述Decoder模块用于根据Encoder模块提供的隐藏表示和之前生成的输出，生成当前时间步的输出； 步骤二构建模型具体包括如下内容： B1：数据集切分； 对步骤一中得到的序列数据进行数据切分，将24小时的数据切分成固定长度的时间窗口，每个时间窗口长度为10mins至30mins；并采用701515的比例来划分数据集；将前70%的时间窗口作为训练集，中间的15%作为验证集，剩余的15%作为测试集； B2：设定超参数范围； 首先，确定输入序列长度，根据数据的采样频率和应用场景，选择从0到24个小时的数据点作为一个输入序列长度，全面的记录环境气体浓度变化值；然后，确定批次大小及隐藏层数，设置批次为32、64或128；确定隐藏层数为5-6层；最后，确定头数为6-8； B3：网格搜索； 采用网格搜索方法在超参数范围内搜索最优的超参数组合； B4：随机搜索； 采用随机搜索方法在超参数范围内随机搜索最优的超参数组合； B5：贝叶斯优化； 采用贝叶斯优化方法在超参数范围内寻找最优的超参数组合； B6：评估模型性能； 采用通过上述方法各自得到的最优超参数组合分别训练Transformer神经网络模型，并在测试集上使用均方误差、平均绝对误差评估出最优的超参数组合，并使用最优参数模型对应的MSE、MAE表征模型性能。

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吉林大学，其通讯地址为：130012 吉林省长春市长春高新技术产业开发区前进大街2699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。