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！

龙图腾网获悉成都千嘉科技股份有限公司申请的专利一种对比学习与时空双分支融合的混凝剂投加预测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：CN121278360B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202511851118.X，技术领域涉及：G06F18/213；该发明授权一种对比学习与时空双分支融合的混凝剂投加预测方法是由曾涛;鄢章发;彭大江;朱炼;王欢;向勇;赵勇;张彬设计研发完成，并于2025-12-10向国家知识产权局提交的专利申请。

本一种对比学习与时空双分支融合的混凝剂投加预测方法在说明书摘要公布了：本发明涉及时间序列数据建模预测技术领域，公开了一种对比学习与时空双分支融合的混凝剂投加预测方法，在特征提取层面，采用独立的双分支网络分别处理时间特征和空间特征，通过特征交叉注意力机制实现时空信息的深度交互融合，有效避免了特征干扰，充分挖掘了时空特征的互补优势；在特征学习层面，引入改进的对比学习机制，通过时间邻域采样构建高质量的正负样本对，在特征空间中对齐正样本对、分离负样本对；通过改进的对比学习损失函数与均方误差损失的联合优化，在保证预测精度的同时增强了特征空间的判别性。

本发明授权一种对比学习与时空双分支融合的混凝剂投加预测方法在权利要求书中公布了：1.一种对比学习与时空双分支融合的混凝剂投加预测方法，其特征在于，包括以下步骤： 基于时空双分支特征融合提取网络、全连接层，结合时间邻域滑动窗口编码方法和损失函数构建混凝剂投加预测模型； 将工业制水训练数据集输入混凝剂投加预测模型，工业制水训练数据集在时间邻域滑动窗口编码生成多个时间序列样本，结合高斯分布阈值采样对锚点样本进行采样，构建正负样本对； 通过时空双分支特征融合提取网络对锚点样本、正负样本对进行特征融合，获得高维特征； 基于全连接层对高维特征进行预测，获得预测结果，通过改进的对比学习损失函数分别计算高维特征的对比损失； 利用MSE损失函数运算分别计算高维特征的均方误差损失，通过对比损失和均方误差损失构建损失函数； 利用损失函数对混凝剂投加预测模型通过反向传播进行训练迭代优化，完成训练后输入传感器真实采集的工业制水数据集获得混凝剂投加量的预测结果； 所述结合高斯分布阈值采样对锚点样本进行采样，构建正负样本对包括： 对一组完整时间序列数据使用大小为的滑动窗口分割为个时间序列样本； 对个时间序列样本抽样任意锚点样本，假设任意锚点样本中第个样本被采样为负样本的概率服从截断的高斯分布，公式为： ； 其中，，是阈值系数，，是以为中心的非采样范围，是以锚点索引为中心的高斯分布，是第个样本的采样概率，是第个样本的采样概率服从以锚点索引为中心的高斯分布，是负样本采样概率对应的高斯分布的方差； 通过锚点样本进行非重复样本采样，获得个负样本，向锚点样本添加高斯噪声构建正样本，公式为： ； 其中，是正样本，是服从数学期望为0、方差为的正态分布的随机噪声，用于向锚点样本添加扰动以构建正样本，是负样本，k是第k个负样本，是随机变量服从一个数学期望为、方差为的正态分布，是正样本构建时添加的高斯噪声的分布方差； 所述改进的对比学习损失函数改进过程为： 利用预测样本间的欧氏距离对比学习损失函数进行改进，公式为： ； 其中，，为锚点样本预测结果，为用于校正每个负样本与锚点样本之间的欧式距离，并通过进行缩放，是控制距离的超参数，是围绕锚点的邻域样本，是改进对比损失函数中的控制样本分离难易程度的超参数，是改进的对比学习损失函数。

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成都千嘉科技股份有限公司，其通讯地址为：610211 四川省成都市双流区西南航空港空港一路一段536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。