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！

龙图腾网获悉北京工业大学申请的专利基于自适应径向基函数神经网络的烟气脱硫系统状态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：CN120745711B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202510850303.0，技术领域涉及：G06N3/048；该发明授权基于自适应径向基函数神经网络的烟气脱硫系统状态预测方法是由王功明;刘起浩;王自鹏;陈红;韩红桂;乔俊飞设计研发完成，并于2025-06-24向国家知识产权局提交的专利申请。

本基于自适应径向基函数神经网络的烟气脱硫系统状态预测方法在说明书摘要公布了：本发明涉及人工智能驱动的复杂动态系统模型表征和状态预测技术领域，特别是涉及基于自适应径向基函数神经网络的烟气脱硫系统状态预测方法，包括：获取目标烟气脱硫系统的实时工作参数；将所述实时工作参数输入预设的状态预测模型中，预测所述目标烟气脱硫系统的实时烟气脱硫状态，其中，所述状态预测模型基于训练集训练获得，所述训练集包括烟气脱硫系统不同脱硫过程的历史数据，所述状态预测模型通过在径向基函数神经网络中引入权重记忆机制和自适应超参数构建。本发明利用模型权重信息记忆机制、学习率和动量因子自适应更新机制高效提取多步信息，提高了预测模型对出气SO2浓度状态的感知与预测精度，降低了模型计算复杂度。

本发明授权基于自适应径向基函数神经网络的烟气脱硫系统状态预测方法在权利要求书中公布了：1.基于自适应径向基函数神经网络的烟气脱硫系统状态预测方法，其特征在于，包括： 获取目标烟气脱硫系统的实时工作参数； 将所述实时工作参数输入预设的状态预测模型中，预测所述目标烟气脱硫系统的实时烟气脱硫状态，其中，所述状态预测模型基于训练集训练获得，所述训练集包括烟气脱硫系统不同脱硫过程的历史数据，所述状态预测模型通过在径向基函数神经网络中引入权重记忆机制和自适应超参数构建； 构建所述状态预测模型包括： 初始化径向基函数神经网络； 根据辅助变量与脱硫过程中关键参数的对应关系，基于初始化后的径向基函数神经网络构建初始状态预测模型； 在所述初始状态预测模型中加入权重记忆机制和自适应超参数，通过所述训练集进行训练，获取所述状态预测模型，其中，所述权重记忆机制用于在训练过程中利用历史数据提取多步信息以实现脱硫过程中关键参数的优化更新，所述自适应超参数用于在训练过程中根据梯度变化特征动态调整学习率和动量因子； 所述径向基函数神经网络包括依次连接的输入层、隐藏层和输出层，其中，所述隐藏层的节点激活函数由径向基函数表示，所述隐藏层的输出为： ； 其中，为隐藏层的输出，为输入向量，为中心向量，为宽度向量，表 示当前时刻，表示隐藏层中的当前节点，表示隐藏层中的节点数，为和之间的欧几里得距离； 所述径向基函数神经网络的输出为： ； 其中，为径向基函数神经网络的输出，是第个隐藏节点与第个输出节点之 间的输出权重；表示输出节点的数量； 在预测模型中加入权重记忆机制，首先，给定数据样本：，其中，为目标输出，为目 标输入，定义一个评估RBFNN模型学习性能的代价函数如下： ； 其中，N是数据样本的数量，和分别是目标输出和预测模型实际输出； 采用所述权重记忆机制在训练过程中利用历史数据提取多步信息以实现脱硫过程中关键参数的优化更新包括： ； ； ； 其中，表示当前时刻，和分别是学习率和动量因子，为模型学习性能评估值，、、分别是输入层、隐藏层和输出层的参数； 采用所述自适应超参数在训练过程中根据梯度变化特征动态调整学习率和动量因子包括： 根据训练过程中每步迭代的历史梯度与当前梯度方向的相似性定义变量，基于所述变量的变化趋势动态调整所述学习率和动量因子； 所述变量为： ； 其中，表示当前变量，表示当前梯度与历史梯度之间的余弦 相似度，为状态预测模型参数，表示当前迭代步，表示当前时刻，表示历史时刻； 基于所述变量的变化趋势动态调整所述学习率和动量因子包括： 当所述变量趋近于1时，所述学习率和动量因子将增加；当所述变量趋近于0时，所述学习率和动量因子将减小，为： ； ； 其中，和分别表示调整后的学习率和动量因子，和分别表示学习率和动 量因子的方向系数，和分别表示学习率和动量因子的初始值； 所述状态预测模型在训练过程中参数自适应更新包括： ； 其中，为状态预测模型参数。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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。