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！

龙图腾网获悉电子科技大学成都学院申请的专利一种自适应抗干扰水质检测方法、系统、设备及介质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：CN121741141B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202610243734.5，技术领域涉及：G01N33/18；该发明授权一种自适应抗干扰水质检测方法、系统、设备及介质是由高娟;时正竑;黄治铭;凌于涵;刘鑫懿;陈俊杰;庞瑜;张镇锡;李育煌;周文;李青;赵茂森;张峻博;郭华杰;胡豫吉设计研发完成，并于2026-03-02向国家知识产权局提交的专利申请。

本一种自适应抗干扰水质检测方法、系统、设备及介质在说明书摘要公布了：本发明公开了一种自适应抗干扰水质检测方法、系统、设备及介质，属于水质检测技术领域，其目的在于解决现有技术中水质检测结果准确性低的技术问题。其包括：任务参数加载、全域路径巡航、识别污染核心区、污染核心区采样、生成数字孪生地图、地图传输与信号去噪；在识别污染核心区时，初筛疑似污染点并计算疑似污染点的综合污染指数，锁定污染程度最高的污染核心区；再地图传输与信号去噪时，信号接收器通过DigFlow去噪算法对传输的信号进行去噪、净化处理，并经校验无误后上传至岸基平台，完成水质检测。采用多参数算法融合、CPI综合评估以及DigFlow去噪算法的污染评估方案，污染识别准确率提升，溯源误差小，信号错误率降低，信噪比提升。

本发明授权一种自适应抗干扰水质检测方法、系统、设备及介质在权利要求书中公布了：1.一种自适应抗干扰水质检测方法，其特征在于，包括： 步骤1、任务参数加载； 通过无线通讯向数据采集设备的主控单元加载任务参数，主控单元根据数据采集设备的姿态传感器采集的数据控制数据采集设备的推进器推力，稳定数据采集设备的预设深度及姿态； 步骤2、全域路径巡航； 数据采集设备沿任务参数中的巡航路径进行巡航，并在每个采样点采集水质参数数据、水质样本数据、环境感知数据，并融合航迹数据构建水下环境地图； 步骤3、识别污染核心区； 主控单元对水质参数数据进行数据处理，初筛疑似污染点；计算疑似污染点的综合污染指数，并根据综合污染指数进行排序，锁定污染程度最高的污染核心区； 步骤4、污染核心区采样； 根据污染核心区的位置，并结合水下环境地图，规划最优采样路径；数据采集设备根据最优采样路径前往污染核心区；抵达污染核心区后，执行高密度网状采样；采样时，数据采集设备复测水质参数数据、采集图像；通过空间网格污染梯度算法计算梯度模值，锁定污染中心点位，并采集水质样本； 步骤5、生成数字孪生地图； 融合步骤2测得的水质参数数据、步骤4测得的污染核心区的水质参数数据以及采样点的位置数据，通过污染梯度拟合算法计算溯源方向角，生成叠加污染浓度分布和溯源方向的数字孪生地图； 步骤6、地图传输与信号去噪； 将数字孪生地图与采样数据通过通信电缆传输至浮标，浮标发出的信号传输至信号接收器，信号接收器通过DigFlow去噪算法对传输的信号进行去噪、净化处理，并经校验无误后上传至岸基平台，完成水质检测； 步骤6中，在利用DigFlow去噪算法对信号进行去噪、净化时，预先在信号接收器的可编程芯片中部署有混合模型，混合模型包括CNN卷积神经网络、RNN循环神经网络、Transformer编码器、液态神经网络LNN；信号去噪、净化的具体方法为： 步骤6-1、信号预处理； 对信号接收器获取的含噪信号进行筛选，得到有效数据段；对有效数据段进行归一化处理，将信号振幅映射至[-1,1]区间，得到归一化信号；对归一化信号进行分帧处理；对有效数据段进行归一化处理时，归一化处理公式为： ； 对归一化信号进行分帧处理时，分帧处理公式为： ； 步骤6-2、时频双域特征提取； 分别采用RNN循环神经网络、CNN卷积神经网络对每一帧归一化信号进行特征提取，得到对应的时域特征向量、频域特征向量； 利用RNN循环神经网络提取时域特征向量时，每帧归一化信号输入双向门控循环单元，双向门控循环单元分别从正向、反向两个方向处理信号，捕捉帧内信号的前后时序依赖；对双向门控循环单元的最后时刻隐藏状态进行拼接，得到该帧的时域特征向量； 利用CNN卷积神经网络提取频域特征向量时，先对每帧归一化信号进行短时傅里叶变换，得到频域时频谱图；频域时频谱图输入CNN卷积神经网络，提取频谱图的空间频率特征；对空间频率特征进行展平处理，得到该帧的频域特征向量； 双向门控循环单元的双向GRU公式为： ； 短时傅里叶变换的计算公式为： ； 步骤6-3、跨域特征融合； 将时域特征向量、频域特征向量进行一维拼接，得到跨域特征向量；将跨域特征向量输入Transformer编码器，Transformer编码器的输出经层归一化和线性层处理后，得到全局融合特征向量；其中，一维拼接公式为： ； Transformer编码器通过多头注意力机制挖掘跨域特征向量内部的长程依赖；Transformer编码器的多头注意力公式为： ； ； 全局融合特征向量的公式为： ； 步骤6-4、动态参数计算； 将全局融合特征向量输入液态神经网络LNN，实时更新液态神经网络LNN的神经元状态，液态神经网络LNN输出中间特征向量；将中间特征向量输入线性层，通过Sigmoid激活函数将线性层的输出映射至[-1,1]区间，得到最终的同相幅度系数、反相幅度系数；其中，液态神经网络LNN中神经元状态更新公式为： ； ； 通过Sigmoid激活函数将线性层的输出映射至[-1,1]区间，计算公式为： ； 步骤6-5、抵消信号生成与输入信号归零； 根据同相幅度系数、反相幅度系数以及归一化信号，生成抵消信号；将归一化信号与抵消信号进行叠加，利用归零条件求解噪声波形；抵消信号的生成公式为： ； 归零条件公式为： ； 噪声波形的求解公式为： ； 计算归零误差，若误差≤阈值，则噪声波形提取有效；若误差0，则返回步骤6-4微调同相幅度系数、反相幅度系数； 步骤6-6、纯净信号恢复； 用归一化信号减去噪声波形，得到归一化纯净信号；对归一化纯净信号进行反归一化处理，得到纯净数字信号；其中，归一化纯净信号的恢复公式为： ； 反归一化处理的计算公式为： ； 其中，表示t时刻信号的归一化信号，表示t时刻信号接收器接收的含噪信号，表示单帧含噪信号均值，表示单帧含噪信号标准差，表示数值稳定极小值，表示第帧时域信号，表示第帧时域信号，表示帧移，表示帧长，表示t时刻重置门输出值，表示Sigmoid激活函数，表示门控权重矩阵，表示t-1时刻的隐藏特征，表示门控偏置向量，表示t时刻更新门输出值，表示门控权重矩阵，表示门控偏置向量，表示t时刻候选隐藏状态，表示双曲正切激活函数，表示候选状态权重，表示候选状态偏置，表示t时刻的隐藏特征，表示哈达玛积，表示帧内的第k个采样点，表示采样周期，表示汉宁窗函数，表示虚数单位，表示第k个离散频率点，、、分别表示查询、键、值向量，表示第个注意力头，、、分别表示第个注意力头的查询、键、值向量，表示Transformer编码器的输出投影权重矩阵，、、分别表示第个注意力头的查询、键、值投影权重矩阵，表示转置，表示层归一化，表示神经元时间常数，表示第c个神经元的状态值，表示LNN神经元权重矩阵，表示全局融合特征向量，表示LNN神经元偏置向量，表示第c个LNN神经元的输出值，表示LNN神经元激活阈值，表示线性层的权重矩阵，表示LNN中间特征向量，表示线性层的偏置向量，表示同相幅度系数，表示反相幅度系数。

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电子科技大学成都学院，其通讯地址为：611730 四川省成都市高新西区百叶路1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。