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！

龙图腾网获悉东华大学申请的专利基于机器学习的健康监测设备数据分类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：CN120257021B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202510685223.4，技术领域涉及：G06F18/24；该发明授权基于机器学习的健康监测设备数据分类识别方法是由吴艺衡;余继宏设计研发完成，并于2025-05-27向国家知识产权局提交的专利申请。

本基于机器学习的健康监测设备数据分类识别方法在说明书摘要公布了：本发明涉及电数字数据处理中的监控领域，具体涉及基于机器学习的健康监测设备数据分类识别方法，该方法包括通过多个不同类型的传感器采集多组设备数据，为每组设备数据匹配相应的状态标签；采用基于动态时间窗的滑动归一化策略将设备数据动态分段归一化，得到归一化的设备数据；将归一化的设备数据输入至不同的基于多层极限学习机原理的构建的分类模型中，训练分类模型，得到已训练分类模型；将新采集的设备数据动态分段归一化处理后输入到已训练分类模型中，得到新采集的设备数据对应的状态标签。现有的健康监测设备数据分类识别方法存在分类识别不够准确的问题，该方法则分类识别较为准确。

本发明授权基于机器学习的健康监测设备数据分类识别方法在权利要求书中公布了：1.基于机器学习的健康监测设备数据分类识别方法，其特征在于，包括： S1.通过多个不同类型的传感器采集多组设备数据，为每组设备数据匹配相应的状态标签； S2.采用基于动态时间窗的滑动归一化策略将设备数据动态分段归一化，得到归一化的设备数据； 基于动态时间窗的滑动归一化策略是指在归一化时针对每个传感器通道独立计算局部统计量以消除跨传感器量纲差异并保留突发性特征； 第i个样本第j个传感器在时间窗内的归一化输出的计算公式为： ， ， ， ， 式中，i为正整数，j为正整数，为正整数，为第i个样本第j个传感器在时间t的原始输入数据，为第j个传感器的滑动窗口均值函数，为第j个传感器的滑动窗口标准差函数；为自适应窗口长度；为预设的防止除零的常数；为时间序列总长度；为间隔时间起始值；表示向下取整函数，为以自然常数为底的指数函数；为灵敏度系数；为计算标准差的函数；表示第j个传感器在时间窗内的均值；表示第j个传感器在时间窗内的标准差；和用于独立计算每个传感器通道的局部均值和标准差；用于计算窗口内数据标准差； S3.将归一化的设备数据输入至不同的基于多层极限学习机原理的构建的分类模型中，训练分类模型，得到已训练分类模型； 训练分类模型时，通过采用时空特征交互映射层捕捉多传感器间的协同效应、采用自适应门控残差连接机制减弱浅层特征的影响并确保深层特征的有效学习； 所述训练分类模型包括： S301.在输入层后采用时空交互映射层，通过张量外积融合时空特征，计算和融合多个传感器数据之间的时空相关性，建立传感器之间的交互特征； 时空交互特征矩阵的计算公式为： ， ， ， 式中，j为正整数，为正整数，为传感器总数，为增强型激活函数；表示外积运算；为带二次修正项的映射函数；为第i个样本第k个传感器在时间的归一化输出；为符号函数；为调节高阶特征权重的参数； S302.采用自适应门控残差连接机制，在相邻隐层间建立自适应信息传递路径，通过余弦退火机制逐步减弱浅层特征影响，同时门控单元自动选择有效残差分量； S303.采用基于互信息熵的权重初始化方法优化初始权重的设置； S304.在总损失函数中采用分层正则化项，对每一层的权重矩阵进行L2,1范数和相邻层权重的Frobenius范数约束； S305.通过基于输入特征熵的节点分配机制，实现自动根据特征复杂度调整隐层节点数量； S306.采用基于模糊熵门控的推理方法评估每个传感器通道的模糊不确定性，动态加权其对最终输出的贡献； S4.将新采集的设备数据动态分段归一化处理后输入到已训练分类模型中，得到新采集的设备数据对应的状态标签。

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东华大学，其通讯地址为：200000 上海市长宁区延安西路1882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”。