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！

龙图腾网获悉中国建筑第六工程局有限公司;深圳市大鹏新区建筑工务署申请的专利面向智能制造的施工过程碳排放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：CN120542609B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202510302985.1，技术领域涉及：G06Q10/04；该发明授权面向智能制造的施工过程碳排放预测方法是由郭映平;段振亮;门诗然;袁克明;石雷;严蔚明;贾新博设计研发完成，并于2025-03-14向国家知识产权局提交的专利申请。

本面向智能制造的施工过程碳排放预测方法在说明书摘要公布了：本发明公开了面向智能制造的施工过程碳排放预测方法，涉及碳排放数据处理技术领域，包括采集碳排放数据、采用基于稀疏特征的自编码器进行特征降维、采用基于量子叠加态的神经网络作为特征提取模型，本发明对高维碳排放特征的降维与压缩，使用稀疏特征自编码器，通过稀疏正则化对施工数据进行非线性降维，减少特征冗余并增强对关键特征的捕捉能力。本发明针对复杂非线性碳排放数据建模，采用基于量子叠加态的神经网络模型，通过量子态叠加实现参数初始化的全局优化能力，增强模型在复杂非线性数据环境下的适应性。

本发明授权面向智能制造的施工过程碳排放预测方法在权利要求书中公布了：1.面向智能制造的施工过程碳排放预测方法，其特征在于，包括以下步骤： S1，采集碳排放数据，对采集到的碳排放数据进行人工标注，标注类型包括低碳排放、中等碳排放、高碳排放； S2，采用基于稀疏特征的自编码器进行特征降维，提高特征的有效表示和压缩能力，通过对自编码器降维的特征向量进行稀疏约束，使自编码器模型能够挖掘关键特征并有效抑制冗余信息； 所述的S2中的基于稀疏特征的自编码器的训练流程包括以下步骤： S201，对自编码器的参数进行初始化，包括自编码器的权重和偏置，自编码器的权重初始化方式表示为： 式中，为自编码器第l层的权重，randn为生成服从正态分布随机数的函数，为自编码器第l-1层的节点数，为自编码器第l层的节点数，l为自编码器的层数索引； 自编码器的偏置初始化方式表示为： 式中，为自编码器第l层的偏置，zeros为生成元素全为0的向量函数； S202，根据碳排放数据的初步分析结果，对自编码器的学习率参数进行动态配置，表示为： 式中，ηrt为自编码器的第t次迭代的学习率，ηr,init为自编码器的初始学习率，δr为自编码器的衰减率，intt为当前迭代次数； S203，对碳排放数据进行稀疏编码学习，通过L1正则化实现特征的稀疏化表示，提高模型对关键特征的捕捉能力，在处理碳排放数据降维时，稀疏特征的自编码器通过L1正则化约束实现对关键特征的捕捉，表示为： 式中，JrWr,br为自编码器的总损失函数，mr为输入到自编码器的训练样本数量，i为自编码器输入样本的索引，xr,i为自编码器的第i个输入样本，为自编码器的重构输出，||||为L2范数，||||1为L1范数，λr为稀疏正则化系数，hr为自编码器的编码函数，hrxr,i为自编码器编码层对第i个样本的编码输出； 为了加强自编码器对特征编码的稀疏性，L1正则项的计算方式表示为： 式中，nr为编码层节点数，j为第一自编码器神经元的索引，αr为自编码器的第一动态调节因子，βr为自编码器的第二动态调节因子，hr,jxr,i为自编码器第j个神经元对第i个样本的编码输出； S204，通过动态张量耦合分解对隐藏层特征进行降维和重构，消除噪声和冗余信息，计算方式表示为： Hr＝foldtdcunfoldhrXr,[R1,R2,R3] 式中，Hr为降维后的特征表示，fold表示张量的折叠操作，hrXr为自编码器编码层对样本的编码输出，tdc表示Tucker分解操作，unfold表示张量的展开操作，Xr为自编码器编码层的输入数据，[R1,R2,R3]为核张量维度，R1为第一核张量维度，R2为第二核张量维度，R3为第三核张量维度； Tucker分解的计算方式表示为： 式中，Gr为核心张量，为第一模态矩阵，为第二模态矩阵，为第三模态矩阵，第一模态矩阵、第二模态矩阵和第三模态矩阵通过奇异值分解获得，×1为第1步矩阵乘法，×2为第2步矩阵乘法，×3为第3步矩阵乘法； S205，在自编码器中采用动态调节层，依据碳排放数据特征动态选择并调整激活函数与模型参数，应对不同复杂度的碳排放数据分布，并防止模型过拟合，表示为： σrxrdc＝crtanhαrxrdc+1-crReLUαrxrdc 式中，σr为动态调节层的激活函数，xrdc为动态调节层的输入，cr为在当前数据分布下对激活函数配比的调节系数，tanh为双曲正切函数，αr为动态调节层的放缩因子，ReLU为ReLU激活函数； 根据碳排放数据的平均活性值自动调整该系数，设置调节系数为： cr＝SigγrmeanabshrXr 式中，Sig为Sigmoid激活函数，γr为动态调节因子，用于在数据方差与标准差的比值变化较大时，保证动态调节的稳定性，mean为平均值计算函数，abs为取绝对值函数，std为标准差计算函数，var为方差计算函数； S206，对冗余特征进行消除，简化模型并提升推理速度，避免出现降维后仍含有互相关联特征的情况，对降维后的特征进行相关性分析，移除冗余特征，计算方式表示为： 式中，为第ia个降维特征与第ja个降维特征之间的相关系数，cov为协方差运算，为特征的标准差，为特征的标准差，为第ia个降维特征，为第ja个降维特征，ia为第一降维特征的索引，ja为第二降维特征的索引； S207，采用自适应特征权重调整方法，使模型在降维过程中结合局部与全局的统计信息，对特征与目标变量之间的关联度进行动态加权，提高对关键特征的关注度并抑制无关或噪声特征，计算方式表示为： 式中，为第ia个特征与目标变量的互信息量，为目标变量，表征降维后特征值的最优值，p为概率密度函数； 动态调整每个特征在模型中的权重，提升模型对关键特征的敏感度，特征权重的计算方式表示为： 式中，为降维后的第ia个特征的权重，exp为指数函数，为第ia个特征与目标变量的互信息量，为第ja个特征与目标变量的互信息量，λr为调节互信息影响程度的超参数； 将特征权重嵌入自编码器的更新过程，通过计算自编码器的参数增量，实现自编码器训练过程中自适应特征权重调整，通过对整个网络进行微调优化重构误差和特征保留度，计算方式表示为： 式中，为自编码器第l层权重的更新量，ηrt为自编码器的第t次迭代的学习率，t为迭代次数的索引，为偏导数符号，Jr为自编码器的损失函数； 采用与自编码器权重相同的更新量计算方式计算自编码器偏置的更新量，并基于自编码器权重和偏置的更新量更新自编码器的权重和偏置，更新方式为当前迭代的自编码器的权重和偏置与更新量相加，作为下一次迭代的自编码器的权重和偏置； S208，采用动态能量耗散控制方法，使自编码器的每层神经元在特征提取与降维时，依据输入的碳排放数据复杂度灵活地调节自身的能量耗散率，能量耗散率的计算方式表示为： 式中，为自编码器第l层的能量耗散率，为自编码器第l-1层的节点数，为自编码器第l层权重中与第ib个输入对应的元素，ib为第二自编码器神经元的索引，Sig为Sigmoid激活函数，为第ib个降维特征； 为了动态控制自编码器训练过程中的信息传播速度并衡量网络层内的激活阈值，定义阈值常数的计算方式表示为： 式中，为自编码器第l层的信息传播阈值常数，γrec为自编码器的阈值调节因子，var为方差计算函数； 基于阈值常数更新自编码器编码过程中的特征输出，计算方式表示为： 式中，为自编码器第l层的输出，为自编码器第l-1层的输出； S209，重复迭代上述步骤，直至满足预设的停止迭代条件，即表示模型训练完成； S3，采用基于量子叠加态的神经网络作为特征提取模型，对碳排放数据进行特征提取，在训练过程中采用量子叠加态下的梯度搜索机制提高寻优效率和泛化能力，提升神经网络对复杂非线性碳排放数据的处理能力； S4，对预测模型进行自动化训练、验证和更新，确保模型能够适应施工过程的动态变化； S5，基于训练好的模型实时预测施工过程中各环节的碳排放情况，为施工过程的优化调整提供依据。

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中国建筑第六工程局有限公司;深圳市大鹏新区建筑工务署，其通讯地址为：300451 天津市滨海新区杭州道街杭州道72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。