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！

龙图腾网获悉建潘鲲鹭物联网技术研究院(厦门)有限公司申请的专利一种基于物联网的家居板材余料数据监测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：CN119863193B 。

龙图腾网通过国家知识产权局官网在2025-07-18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：202510353557.1，技术领域涉及：G06Q10/087；该发明授权一种基于物联网的家居板材余料数据监测系统是由任昱衡;郭伟鹏设计研发完成，并于2025-03-25向国家知识产权局提交的专利申请。

本一种基于物联网的家居板材余料数据监测系统在说明书摘要公布了：本发明公开了一种基于物联网的家居板材余料数据监测系统，包括：干扰特征获取模块：采集车间不同位置和时间段的电磁干扰信号数据，提取出的干扰信号特征，基于一个优化后的聚类操作过程构建成干扰特征库；采集阵列优化模块：设置数据采集天线阵列，通过优化算法计算最佳加权系数，基于最佳加权系数调整天线阵列的发射波束方向，获得最优采集阵列，通过最优采集阵列实时接收初始板材余料数据；余料数据优化模块：基于最优采集阵列采集初始板材余料数据，通过干扰特征库结合支持向量机对初始板材余料数据进行干扰信号抵消，获得最优板材余料数据，本系统能够更准确地反映实际余料情况。

本发明授权一种基于物联网的家居板材余料数据监测系统在权利要求书中公布了：1.一种基于物联网的家居板材余料数据监测系统，其特征在于，包括： 干扰特征获取模块：采集车间不同位置和时间段的电磁干扰信号数据，提取出的干扰信号特征向量，基于一个优化后的聚类操作过程构建成干扰特征库； 所述干扰特征库构建过程为： 将干扰信号特征向量作为层次聚类的输入数据； 在层次聚类的初步划分阶段，采用凝聚式层次聚类方法，从每个特征向量作为一个单独的类开始，进行类的合并时，使用基于深度学习的距离度量学习模型来计算聚类中心的距离获得聚类结果； 将层次聚类得到的结果作为K-Means聚类算法的初始聚类中心； K-Means聚类算法以初始聚类中心为起点，进入迭代计算过程，在每次迭代中， 将欧氏距离聚类计算法替换为马氏距离，通过计算每个干扰信号特征向量到聚类中心的马氏距离； K-Means聚类算法以初始聚类中心为起点，进入迭代计算过程； 对聚类得到的每个类别，遍历该类中的干扰信号特征向量，赋予一个唯一的标识创建数据库表作为干扰特征库； 采集阵列优化模块：设置数据采集天线阵列，通过优化算法计算最佳加权系数，基于最佳加权系数调整天线阵列的发射波束方向，获得最优采集阵列，通过最优采集阵列实时接收初始板材余料数据； 余料数据优化模块：基于最优采集阵列采集初始板材余料数据，通过干扰特征库结合支持向量机对初始板材余料数据进行干扰信号抵消，获得最优板材余料数据； 余料数据监测模块：基于实时的最优板材余料数据，设置余料阈值，当余料数据超出余料阈值时，触发提醒机制； 所述优化后的聚类操作为通过层次聚类与K-Means聚类结合实现； 所述层次聚类通过在聚类过程中使用基于深度学习的距离度量学习模型来作为聚类度量方式计算聚类中心的距离； 基于深度学习的距离度量学习模型构建过程为： 构建一个深度神经网络，将干扰信号特征向量作为输入； 通过网络学习得到一个低维的嵌入空间，使用对比学习损失函数来训练网络，对于每个干扰信号特征向量，随机选择属于同一类干扰和属于不同类干扰的向量作为对比样本； 对给定的随机三个特征向量、、，定义对比学习损失函数：； 其中表示在嵌入空间中的距离度量，是一个预设的边界值，用于确保不同类向量之间有足够的距离间隔； 训练完成后获得基于深度学习的距离度量学习模型； 最优采集阵列确定过程为： 布置由个天线单元组成的均匀线性天线阵列； 其中，天线单元间距为，且满足，为信号波长，设第个天线单元接收或发射信号输入信号为； 确定一个优化目标函数，以最大化接收信号的信干噪比为目标； 设期望信号为，干扰信号为，天线阵列的输出信号表示为： ，其中为第个天线单元的加权系数； 加权系数向量为，其中，表示转置； 信干噪比最大化计算公式为：，其中表示数学期望，为期望信号在第个天线单元的分量，为干扰信号在第个天线单元的分量，表示噪声； 选择粒子群优化算法与优化目标函数的目标进行结合来获取最佳加权系数； 得到最佳加权系数后，通过调整加权系数改变天线阵列的方向图函数，使发射波束方向避开强电磁干扰源方向，获得最优采集阵列。

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建潘鲲鹭物联网技术研究院(厦门)有限公司，其通讯地址为：361100 福建省厦门市同安区西柯镇智谷东一路99-4号904单元；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”。