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！

龙图腾网获悉浙江大学申请的专利一种基于集成神经网络可信度估计与加权学习的软测量建模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：CN116386756B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202211624141.1，技术领域涉及：G16C20/30；该发明授权一种基于集成神经网络可信度估计与加权学习的软测量建模方法是由葛志强;王乙淇设计研发完成，并于2022-12-16向国家知识产权局提交的专利申请。

本一种基于集成神经网络可信度估计与加权学习的软测量建模方法在说明书摘要公布了：本发明公开了一种应用于尿素合成流程工业软测量的基于集成神经网络与加权学习的软测量建模方法，首先基于神经网络集进行弱标签数据学习，训练构建噪声数据拟合神经网络集，对标签带噪验证集进行标签预测，并利用模型集的预测值集进行核密度估计，再对原有标签计算在KDE拟合概率密度图中的概率密度值，计算峰值与原有带噪标签的概率密度比值从而得到数据标签的可信度权重；将验证集数据作为下游学生模型的训练数据，同时向学生模型输入上游模型预测的数据标签可信度，进行学生模型的训练；再对于学生模型的测试时，数据直接流入下游网络，其中模型的特征维度中标签可信度值的输入均置为1，从而实现对工业过程关键质量指标进行降噪后的软测量预报。

本发明授权一种基于集成神经网络可信度估计与加权学习的软测量建模方法在权利要求书中公布了：1.一种基于集成神经网络可信度估计与加权学习的软测量建模方法，其特征在于，包括以下步骤： 1判断工业标签数据可能带噪的噪声类型，判断是否为无偏噪声； 2利用尿素合成控制系统收集建模用的样本集以及化验数据，均为有标签数据，样本集为和化验数据集其中n1＝1,...,Nl，n2＝1,...,Nt，l代表有标签数据，Nl为样本训练集数据个数，t代表化验数据集，Nt为化验数据个数，τ为变量维度，R为实数集，R1×τ表示X满足1×τ的二维分布；将这些数据存入模型数据库； 3将训练样本数据集随机打散为训练源集其中o为打乱后的源训练数据，并将源数据集按照1:1的占比划分为子模型训练集和下游模型训练集其中st指子模型训练集，即上游模型训练集，dmt指下游模型训练集； 4基于开源深度学习平台PyTorch搭建INNs网络，并设定树模型的个数tn，单棵树模型的层数l，隐层节点数m，模型训练学习率ρ1，模型训练优化器Adam，训练批次数据大小Bs，训练周期数ep1，跳出训练阈值tv； 5基于训练集训练INNs网络模型，对下游模型训练集进行预测，获得预测标签集其中pdmt是利用INNs对下游模型训练集的预测标签集； 6根据所得预测标签集进行KDE得到概率密度曲线或者直方图统计得到概率分布，并将原有标签放入拟合估计出的曲线中计算此时的概率密度值，并由此计算标签可信度； 7将下游模型训练集标签可信度与原下游模型训练集特征拼接，作为新输入特征输入下游回归预测模型MLP中，设定下游模型MLP隐层层数dsl，隐层节点个数p，以及构建局部模型选择的有标签个数NL；另外设定模型训练学习率ρ2，训练批次数据大小BS，训练周期数ep2；并按照下游模型训练集标签进行加权训练； 8模型评价与预测应用时，去除上游模型，直接使用训练好的下游回归模型进行预测，其中输入数据在原有特征基础上堆叠一层可信度置1的维度特征； 9利用模型评价指标均方根误差对测试集的预测结果进行评价；同时与去除上游模型INNsWoR，直接使用传统下游模型MLP进行预测效果对比。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。