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！

龙图腾网获悉齐鲁工业大学(山东省科学院);山东省科学院海洋仪器仪表研究所申请的专利基于多色谱柱协同与机器学习的海水痕量气体识别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：CN121476498B 。

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：202610007254.9，技术领域涉及：G01N30/86；该发明授权基于多色谱柱协同与机器学习的海水痕量气体识别方法是由高楠;段学坤;孙学友;赵洋;王婧茹;孔祥峰;高杨;刘岩;赵阳设计研发完成，并于2026-01-06向国家知识产权局提交的专利申请。

本基于多色谱柱协同与机器学习的海水痕量气体识别方法在说明书摘要公布了：本发明公开了基于多色谱柱协同与机器学习的海水痕量气体识别方法，涉及气相色谱分析技术领域，包括准备待识别的气体样品并对气体样品进行气相色谱检测；对气相色谱进行去噪、归一化处理和异常值剔除；提取手动峰特征和时序峰特征，形成多维度特征集；对特征集进行分层筛选，保留核心特征；构建KNN模型与CNN模型双模型融合架构；将特征划分为训练集和验证集，对双模型架构进行训练和验证，优化双模型架构参数；应用SHAP分析模型决策过程，生成特征重要性可视化报告。本发明无需依赖精准标样校准，效率与适配性提升，适配不同场景的个性化检测诉求；引入SHAP技术明确关键识别特征的贡献度，可解释性与可靠性增强。

本发明授权基于多色谱柱协同与机器学习的海水痕量气体识别方法在权利要求书中公布了：1.基于多色谱柱协同与机器学习的海水痕量气体识别方法，其特征在于，包括如下步骤： 步骤1，准备待识别的气体样品并对气体样品进行气相色谱检测； 步骤2，对气相色谱进行去噪、归一化处理和异常值剔除； 步骤3，提取手动峰特征和时序峰特征，形成多维度特征集； 步骤4，对步骤3所得的特征集进行分层筛选，保留核心特征； 步骤5，构建KNN模型与CNN模型双模型融合架构； 步骤6，将步骤4所得的特征划分为训练集和验证集，对双模型架构进行训练和验证，优化双模型架构参数； 步骤7，应用SHAP分析模型决策过程，生成特征重要性可视化报告； 所述步骤5具体为：KNN模型以手动峰特征作为输入，采用L1距离计算样本相似度，根据气体种类优化k值，实现快速匹配分类；CNN模型以时序峰特征为输入，构建轻量化1D-CNN架构，通过残差连接避免梯度消失，挖掘特征间的深层关联；采用投票机制进行模型融合； 所述投票机制具体为：当KNN模型与CNN模型预测结果一致时，直接输出结果；当结果不一致时，以SHAP值权重加权判定； 所述步骤7具体为：计算各峰特征的SHAP值，对每个特征的SHAP值取绝对值后计算平均值，衡量对模型输出的平均影响程度。

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齐鲁工业大学(山东省科学院);山东省科学院海洋仪器仪表研究所，其通讯地址为：250000 山东省济南市长清区大学路3501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。