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！

龙图腾网获悉江西省科学院材料与智能制造研究所申请的专利一种决策级的多模型动态融合分类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：CN121434983B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202511999380.9，技术领域涉及：G06F18/2415；该发明授权一种决策级的多模型动态融合分类方法是由万翔;朱曼清;李天赐;饶雄海;朱德明;程瑞剑;程香平;贺友兴设计研发完成，并于2025-12-29向国家知识产权局提交的专利申请。

本一种决策级的多模型动态融合分类方法在说明书摘要公布了：本发明公开一种决策级的多模型动态融合分类方法，步骤如下：建立各基模型并获取含样本与真实分类类别的数据集，通过基模型预测得到预测分类类别，结合真实类别计算分类精确率并构建矩阵；将预测类别转换为独热编码形式，得到投票矩阵；过滤构建矩阵后，采用逼近理想解排序法计算各基模型的贡献权重；投票矩阵与该权重经标量乘法得到有效类别投票权重矩阵，二者逐元素哈达玛积后再经矩阵加法，生成全部样本的投票融合类别二维矩阵，最终处理二维该矩阵得到融合分类类别。本发明针对现有融合分类方法性能依赖样本数据质量的问题，通过动态选择优势基模型及其擅长预测的类别，并动态赋予权重，实现更精准的融合分类。

本发明授权一种决策级的多模型动态融合分类方法在权利要求书中公布了：1.一种决策级的多模型动态融合分类方法，其特征在于，包括： 不同数据集包括AE-spindle主轴声发射、AE-table平台声发射、SmcAC交流主轴电机电流、SmcDC直流主轴电机电流、Vib-spindle主轴振动、Vib-table平台振动； 步骤S1：建立各基模型，获取各基模型的不同数据集，不同数据集包含样本和真实分类类别，通过各基模型对样本进行预测，获得预测分类类别，基于预测分类类别结合真实分类类别，得到分类精确率，基于分类精确率构建分类精确率矩阵； 步骤S2：将预测分类类别转换为独热编码形式，并根据步骤S1中得到的分类精确率矩阵进行计算，得到投票矩阵； 步骤S3：对步骤S1中得到的分类精确率矩阵进行过滤，得到过滤后的精确率矩阵，使用逼近理想解排序法对过滤后的精确率矩阵进行计算，得到各基模型对应的贡献权重； 步骤S4：根据步骤S2中的投票矩阵和步骤S3中各基模型对应的贡献权重进行标量乘法，得到各基模型的有效类别投票权重矩阵； 步骤S5：将投票矩阵与有效类别投票权重矩阵进行逐元素哈达玛积处理，获得逐元素哈达玛积的结果，将逐元素哈达玛积的结果进行矩阵加法计算，得到数据集全部样本的投票融合类别二维矩阵； 步骤S6：对投票融合类别二维矩阵进行处理，得到数据集全部样本的最终融合分类类别； 步骤S1的具体过程为： 采用轻量级深度学习模型MobilenetV2、高效卷积神经网络模型EfficientnetB0、轻量级卷积神经网络模型ShuffleNetv2、轻量级神经网络模型MNASNet0.75、MobileNetV3_Small模型建立m个基模型；； 选择m个基模型的不同数据集；不同数据集包含k个样本，不同数据集中包含n个真实分类类别；； 通过m个基模型对不同数据集中的样本进行预测，获得预测分类类别，基于预测分类类别结合真实分类类别，统计获得不同分类类别下的分类精确率；为第m个基模型对第n个真实分类类别的分类精确率； 基于构建分类精确率矩阵P，表示： ； 式中，为第1个基模型对第n个真实分类类别的分类精确率；为第2个基模型对第n个真实分类类别的分类精确率；为第m个基模型对第1个真实分类类别的分类精确率； 步骤S2的具体过程为： 将预测分类类别转换为独热编码形式，并根据步骤S1得到的分类精确率矩阵P进行计算，得到同维度的投票矩阵Pballots，具体过程为： 分类精确率矩阵P中对应位置默认占1票，总计票；当低于平均精度时，对应位置记为0票，当高于平均精度时，对应位置得票，表示： ； 式中，为分类任务中的类别总数。

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江西省科学院材料与智能制造研究所，其通讯地址为：330000 江西省南昌市高新技术开发区昌东大道7777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。