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！

龙图腾网获悉重庆大学;重庆理工大学申请的专利一种基于图深度学习的多源光谱复合污染物识别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：CN119903324B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202411991336.9，技术领域涉及：G06F18/213；该发明授权一种基于图深度学习的多源光谱复合污染物识别方法及系统是由李东;叶彬强;陈昶宏;曹雪杰;汤斌;冯鹏设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种基于图深度学习的多源光谱复合污染物识别方法及系统在说明书摘要公布了：本发明涉及水质检测技术领域，公开了一种基于图深度学习的多源光谱复合污染物识别方法及系统，方法包含以下步骤：S1，获取多个单污染样本、多个多污染样本、及待预测的未知样本；S2，获取多个单污染样本、多个多污染样本的光谱拓扑特征；S3，根据单污染样本的光谱拓扑特征估算单污染源原型向量；根据多污染样本的光谱拓扑特征估算多污染源原型向量。其有益效果是：该方法首次将图深度学习引入到光谱法污染物识别领域，相对传统的识别模型能更好的处理节点间的复杂关系。为实现在混合污染标签缺失场景下，使用已知单污染光谱的原型向量对未知混合光谱的原型向量进行估计，引入原型对比学习，有效提取混合污染光谱表征。

本发明授权一种基于图深度学习的多源光谱复合污染物识别方法及系统在权利要求书中公布了：1.一种基于图深度学习的多源光谱复合污染物识别方法，其特征在于，包含以下步骤： S1，获取多个单污染样本、多个多污染样本、及待预测的未知样本； S2，获取多个单污染样本、多个多污染样本的光谱拓扑特征； S3，根据单污染样本的光谱拓扑特征估算单污染源原型向量；根据多污染样本的光谱拓扑特征估算多污染源原型向量； S4，计算未知样本的原型向量，将单污染源原型向量和多污染源原型向量同未知样本的原型向量进行对比，预测未知样本的污染物； 在S3中，第类污染单污染源原型向量的估算过程为， 1 其中：表示第类污染单污染源原型向量，表示训练集中第i个样本的网络输出的特征，为满足条件时的示性函数,表示的第i个样本的污染标签； 第类污染和第d类污染的多污染源原型向量的第一次估算过程为, 2 其中,为可学习参数；表示第类和第类污染混合污染的原型向量；表示第类污染单污染源原型向量； 然后对第i个多污染样本标注伪标签，第i个多污染样本的伪标签是通过以下过程获得的： 3 4 5 其中表示余弦相似函数，,表示计算集合的无序积，表示第i个样本关于第c污染类别的得分，,默认取值为0.8,初始化为0；表示训练集中第i个样本的网络输出的特征，表示第类污染原型向量； 在对类污染和第d类污染的多污染源原型向量进行第二次估算，第二次估算的过程为： 6； 在S3中，包含以下步骤： S31，将光谱拓扑特征输入图卷积网络获得三维荧光特征与紫外可见吸收光谱特征； S32,将三维荧光特征与紫外可见吸收光谱特征输入光谱融合层获得特征向量； S33,将特征向量输入污染原型估计模块获得原型向量； 在S31中，为每个光谱拓扑特征分配了一个单层的图卷积网络，则样本n的第个污染的三维荧光特征的传播规则为： 9 其中，是包含边权重的邻接矩阵，表示从节点到节点的边的权重，表示第n个样本源于第k种三维荧光光谱的节点嵌入；是的度矩阵，定义为,表示每个节点的加权度；是可训练的权重矩阵； 样本n的第个污染的紫外可见吸收光谱特征的传播规则为： 18 其中，是包含边权重的邻接矩阵，表示从节点到节点的边的权重，表示第n个样本源于第k种三维荧光光谱的节点嵌入；是的度矩阵，定义为,表示每个节点的加权度；是可训练的权重矩阵； 在S32中，光谱融合层输出的特征向量的计算为： 10 11 12 其中Concat函数表示拼接特征向量，max函数表示对输入的节点特征在每个维度上求最大值，avg函数表示对输入的节点特征在每个维度上求均值；表示第个样本的三维荧光光谱对应第类污染物的图卷积网络的输出特征，表示第个样本的紫外可见吸收光谱对应第类污染物的图卷积网络的输出特征，表示紫外可见吸收光谱对应第类污染物构造的图结构节点集合，表示三维荧光光谱对应第类污染物构造的图结构节点集合，表示计算集合的模。

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重庆大学;重庆理工大学，其通讯地址为：400000 重庆市沙坪坝区正街174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。