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！

龙图腾网获悉中国石油大学(华东)申请的专利多源环境因素交叉影响下的光谱混叠解耦及浓度反演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：CN121384844B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202511961598.5，技术领域涉及：G01N21/27；该发明授权多源环境因素交叉影响下的光谱混叠解耦及浓度反演方法是由李国林;杨金旭;谷健宇;赵文宣设计研发完成，并于2025-12-24向国家知识产权局提交的专利申请。

本多源环境因素交叉影响下的光谱混叠解耦及浓度反演方法在说明书摘要公布了：本发明公开了一种多源环境因素交叉影响下的光谱混叠解耦及浓度反演方法，属于工业过程控制与环境监测领域，构建环境‑光谱协同融合解耦模型用于进行浓度预测，具体包括如下步骤：分别采集指定混合气体在不同温度、压力和已知浓度下的吸收光谱信号，同时采集环境参数数据，构建多源数据集，并对多源数据集进行去噪、降维与预处理；构建环境参数自适应调制的自监督特征提取网络实现光谱与环境信息的深度融合；利用自监督学习机制提升自监督特征提取网络的特征表达能力与泛化性能；构建BPBO‑GRNN自适应浓度反演优化模型，用于实现混合气体浓度的反演与模型参数的自适应优化。本发明可以实现对混叠气体的高精度浓度反演与稳定检测。

本发明授权多源环境因素交叉影响下的光谱混叠解耦及浓度反演方法在权利要求书中公布了：1.一种多源环境因素交叉影响下的光谱混叠解耦及浓度反演方法，其特征在于，构建一个环境-光谱协同融合解耦模型用于进行浓度预测，所述环境-光谱协同融合解耦模型包括多源数据处理模块、自监督特征提取网络、自监督辅助解码模块、BPBO-GRNN自适应浓度反演优化模型；该方法具体包括如下步骤： 步骤1、分别采集指定混合气体在不同温度、压力和已知浓度下的吸收光谱信号，同时采集环境参数数据，构建多源数据集； 步骤2、通过多源数据处理模块对多源数据集进行去噪、降维与预处理； 步骤3、构建环境参数自适应调制的自监督特征提取网络实现光谱与环境信息的深度融合，获得融合特征向量；自监督特征提取网络包括环境调制分支、光谱主干网络、特征融合模块；具体过程为： 步骤3.1、构建环境调制分支获取高层环境特征向量，并引入多头自注意力机制与门控调控结构；环境调制分支又包括多模态环境参数自注意力表征子模块、环境特征深层重构子模块、自适应调控单元，具体工作过程为： 步骤3.1.1、基于多头自注意力机制构建多模态环境参数自注意力表征子模块，用于得到环境特征表示： ； 其中，为Softmax函数；、、分别为各注意力头对应的查询向量、键向量与值向量；为转置；为键向量的维度； 步骤3.1.2、采用多层残差网络结构构建环境特征深层重构子模块；将作为环境特征深层重构子模块的输入，记初始特征向量为；该子模块由多个残差块堆叠组成；对于第个残差块，计算如下： ； 其中，为第个残差块输出的特征向量，作为第个残差块的输入；为第个残差块输出的特征向量；为ReLU激活函数；为第个残差块；为残差块总数；经过层残差块的逐级特征提取与叠加，得到高层环境特征向量： ； 其中，为第个残差块输出的特征向量； 步骤3.1.3、构建由多个全连接层组成的自适应调控单元，对于光谱主干网络中第个需要进行调制的环境自适应残差块，自适应调控单元通过高层环境特征向量生成相应的环境调制参数；具体如下： 首先，将高层环境特征向量分别输入至三个独立的全连接层，以生成初步环境调制参数和门控信号，初步环境调制参数包括初步的缩放因子和初步的偏移因子； 然后，基于门控信号，对初步环境调制参数进行加权融合，得到最终的环境调制参数： ； ； 其中，为第个环境自适应残差块的门控信号；、分别为第个环境自适应残差块初步的缩放因子、初步的偏移因子；、分别为第个环境自适应残差块最终的缩放因子、最终的偏移因子；表示对应元素相乘；为单位向量； 最后，将得到的环境调制参数应用于卷积块的特征映射，实现自适应仿射变换； 步骤3.2、构建由多个环境自适应残差块串联堆叠构成的光谱主干网络，对光谱数据进行逐级环境自适应特征提取，得到环境自适应光谱特征向量； 步骤3.3、构建特征融合模块进行特征融合，具体为将环境自适应光谱特征向量与高层环境特征向量进行拼接，获得融合特征向量： ； 其中，为在特征维度上的向量拼接操作； 步骤4、构建自监督辅助解码模块，该模块利用自监督学习机制提升自监督特征提取网络的特征表达能力与泛化性能，充分挖掘无标签数据； 步骤5、构建BPBO-GRNN自适应浓度反演优化模型，用于实现混合气体浓度的反演与模型参数的自适应优化；BPBO-GRNN自适应浓度反演优化模型包括GRNN浓度预测子模块、BPBO自适应优化子模块，具体过程为： 步骤5.1、基于广义回归神经网络结构构建GRNN浓度预测子模块，利用高斯核函数对特征相似度进行加权建模，以平滑因子控制核带宽，从而获得对光谱与环境特征变化均具敏感性的浓度预测结果；定义第个训练样本的融合特征向量为任意输入的一个融合特征向量，对于与第个训练样本的相似度由欧氏距离度量，为第个训练样本的融合特征向量，并通过高斯核函数转化为核权重： ； 其中，为与之间的核权重；为指数函数；为欧氏距离函数；为平滑因子； 浓度预测值为： ； 其中，为训练样本总数；为第个训练样本的真实浓度标签； 步骤5.2、构建BPBO全局自适应优化子模块，该子模块提出了一种基于猛禽优化算法的广义回归神经网络自适应优化机制，通过模拟猛禽在捕食过程中的全局探索与局部开发行为，对平滑因子进行动态搜索，寻找最优平滑因子； 步骤6、采集火电厂实际工况下待测气体未知浓度的吸收光谱信号，同时采集实际环境参数数据，构建多源数据集；将多源数据集导入经实验室标定数据训练得到的环境-光谱协同融合解耦模型进行浓度预测。

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中国石油大学(华东)，其通讯地址为：257100 山东省东营市东营区北二路277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。