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！

龙图腾网获悉无锡学院申请的专利基于多层特征加权集成的非线性数据软测量方法及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：CN121145177B 。

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：202511667441.1，技术领域涉及：G06F18/27；该发明授权基于多层特征加权集成的非线性数据软测量方法及系统是由沈飞凤;李康;黄明;孔令鑫;顾佳颖设计研发完成，并于2025-11-14向国家知识产权局提交的专利申请。

本基于多层特征加权集成的非线性数据软测量方法及系统在说明书摘要公布了：本发明涉及工业过程检测技术领域，尤其涉及基于多层特征加权集成的非线性数据软测量方法及系统，该方法的步骤包括：获取历史样本数据并构建深度高斯过程模型；基于各隐藏层的特征学习能力匹配软缺失处理策略；获取查询样本数据并估计查询样本数据在各隐藏层的隐变量变分分布；匹配局部建模样本数据并构建高斯过程回归模型，得到各隐藏层的预测输出；生成各隐藏层的输出权重，构建基于层间依赖关系的图神经网络并通过节点特征传播机制实现输出权重在线更新；基于在线更新后的输出权重对预测输出进行加权融合，得到查询样本的软测量预测值。本发明通过构建软缺失处理策略并实现预测输出权重动态调整，有效提升了软测量模型的预测精度和鲁棒性。

本发明授权基于多层特征加权集成的非线性数据软测量方法及系统在权利要求书中公布了：1.基于多层特征加权集成的非线性数据软测量方法，其特征在于，包括： S100、获取历史样本数据并构建包含至少一个隐藏层的深度高斯过程模型，基于历史样本数据结合变分推断方法反向估计深度高斯过程模型的模型参数以及各隐藏层对应的隐变量变分分布； S200、针对历史样本数据中存在的缺失项，基于各隐藏层的特征学习能力匹配对应的软缺失处理策略，具体步骤包括：基于隐藏层在深度高斯过程模型中的层级位置确定隐藏层的特征学习偏好，将隐藏层划分为倾向捕获局部细粒度特征的局部特征学习层以及倾向捕获全局抽象特征的全局特征学习层，计算历史样本数据在各隐藏层映射空间中的缺失敏感度，基于隐藏层的特征学习偏好以及缺失敏感度确定隐藏层的软缺失处理策略； S300、获取查询样本数据并基于训练完成的深度高斯过程模型估计查询样本数据在各隐藏层对应的隐变量变分分布； S400、基于对称Kullback-Leibler散度为各隐藏层匹配局部建模样本数据并构建高斯过程回归模型，得到各隐藏层的预测输出； S500、基于各隐藏层之间的层间依赖强度、隐变量变分分布差异以及各隐藏层对应的软缺失处理策略自适应生成各隐藏层的输出权重，构建基于层间依赖关系的图神经网络并通过节点特征传播机制实现输出权重在线更新； S600、基于在线更新后的输出权重对各隐藏层的预测输出进行加权融合，得到查询样本的软测量预测值； 步骤S500中所述构建基于层间依赖关系的图神经网络并通过节点特征传播机制实现输出权重在线更新，包括： S540、将深度高斯过程模型的隐藏层作为图神经网络的图节点，基于各隐藏层隐变量的均值向量和协方差矩阵计算任意两层之间的相关性指标； S550、基于相关性指标构建图节点之间的节点依赖矩阵，将相关性指标大于预设相关性阈值的节点对建立边连接关系； S560、将各图节点预测输出分布的均值和方差作为节点特征，结合边连接关系进行特征传播与融合，获得经一次传播更新后的节点隐表示； S570、在节点特征传播过程中引入注意力权重计算机制，根据节点特征、邻接节点的依赖强度以及隐变量分布差异，动态调整各图节点的输出权重； S580、基于节点特征传播迭代更新各隐藏层的输出权重，直至输出权重收敛或达到预设更新轮次，实现各隐藏层输出权重的在线自适应调整； 所述S570的具体步骤包括： S571、分别提取目标节点与各邻接节点的预测输出均值、预测输出方差以及对应的隐变量变分分布，形成节点特征向量； S572、基于节点特征向量的内积或余弦相似度确定目标节点与邻接节点之间的特征相似度并作为目标节点相对于各邻接节点的注意力得分； S573、对所有邻接节点的注意力得分进行Softmax归一化，得到标准化注意力系数，以表征邻接节点对目标节点输出权重更新的贡献度； S574、将标准化注意力系数与邻接节点的节点特征向量进行加权聚合得到目标节点的更新表示，并结合自适应映射函数动态修正目标节点的输出权重，实现节点输出权重的自适应优化。

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无锡学院，其通讯地址为：214105 江苏省无锡市锡山区锡山大道333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。