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！

龙图腾网恭喜浙江沃赫曼科技有限责任公司申请的专利一种建筑用水智能管控方法及系统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：CN119228590B 。

龙图腾网通过国家知识产权局官网在2025-03-28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：202411767694.1，技术领域涉及：G06F17/00；该发明授权一种建筑用水智能管控方法及系统是由叶海;贺叶江;贺文杰;车冬生;方士鹏;叶鹏设计研发完成，并于2024-12-04向国家知识产权局提交的专利申请。

本一种建筑用水智能管控方法及系统在说明书摘要公布了：本发明涉及电数字数据处理领域，具体涉及一种建筑用水智能管控方法及系统。该方法包括采集真实建筑用水数据、训练基于采用动态重编码策略的条件生成对抗网络算法的数据扩充模型、训练特征提取模型、训练基于局部结构熵的深度神经决策树算法的分类器、采集新的真实建筑用水数据、将所述新的真实建筑用水数据进行特征提取、将所述特征提取后的新的真实建筑用水数据输入至训练完成的分类器中、识别所述新的真实建筑用水数据的能耗等级并作出相应行为。现有的建筑用水智能管控系统及方法存在数据分析准确率较差的问题，本发明提供的建筑用水智能管控方法及系统的数据分析准确率较高。

本发明授权一种建筑用水智能管控方法及系统在权利要求书中公布了：1.一种建筑用水智能管控方法，其特征在于，包括：S1、采集真实建筑用水数据，标注所述真实建筑用水数据的能耗等级，存储标注后的所述真实建筑用水数据；所述能耗等级包括一级、二级、三级、四级以及五级；S2、采用标注后的所述真实建筑用水数据训练基于采用动态重编码策略的条件生成对抗网络算法的数据扩充模型，训练完成后，利用所述数据扩充模型生成模拟建筑用水数据，获得扩充后的训练用建筑用水数据；所述扩充后的训练用建筑用水数据包括所述真实建筑用水数据与所述模拟建筑用水数据；S3、采用所述扩充后的训练用建筑用水数据训练特征提取模型，获得特征提取后的训练用建筑用水数据；所述采用所述扩充后的训练用建筑用水数据训练所述特征提取模型包括：S301、初始化神经网络的权重和偏置参数；S302、在每一轮训练中，训练数据通过神经网络进行前向传播，训练数据包括真实建筑用水数据与模拟建筑用水数据，神经网络根据当前的权重和偏置计算每层的输出，每层的输出计算表示为： ，式中，为神经网络第层的输出，为Sigmoid激活函数，为神经网络第层的权重，为神经网络第-1层的输出，为神经网络第层的偏置；S303、计算当前输出与实际标签之间的损失，神经网络的损失函数的计算公式为： ，式中，为用于平衡两种损失贡献的超参数，为交叉熵损失函数，y为真实标签，为模型预测，为KL散度函数，为用于衡量真实分布P和模型预测分布Q之间的差异；S304、使用反向传播算法计算损失函数对神经网络每个权重的梯度，并根据这些梯度更新权重，更新方式表示为： ，式中，为神经网络第层的权重，为参数更新操作，为第t次迭代的约束强度，为神经网络的学习率，为神经网络的损失函数关于权重的梯度；S305、在每个训练阶段后，使用建筑用水数据验证集检验模型的性能，根据验证结果调整网络参数或训练策略，第t次迭代的约束强度的计算公式为： ，式中，为初始约束强度，调节收敛度量对调整影响的敏感度，为收敛度量，为决定调整发生强度的阈值，是约束强度衰减率，是当前迭代次数；S306、重复迭代S302~S304，直至满足预设的停止迭代条件；S4、采用所述特征提取后的训练用建筑用水数据训练基于局部结构熵的深度神经决策树算法的分类器；所述分类器通过局部结构熵来评估特征的分类贡献度，在每个决策节点，选择最能够提高分类准确性的特征进行分裂；采用基于判别器性能反馈的自适应学习率调整机制动态调整学习率；采用类别权重自适应更新机制，动态调整各类别的权重；S5、采集新的真实建筑用水数据；S6、将所述新的真实建筑用水数据输入至训练完成的特征提取模型中进行特征提取，获得特征提取后的新的真实建筑用水数据；S7、将所述特征提取后的新的真实建筑用水数据输入至训练完成的分类器中，得到所述新的真实建筑用水数据的能耗等级；S8、识别所述新的真实建筑用水数据的能耗等级，若所述新的真实建筑用水数据的能耗等级为四级或五级，判定用水情况存在异常，启动节水模式并触发警报通知维护人员；若所述新的真实建筑用水数据的能耗等级为一级、二级或三级，判定用水情况正常，维持当前供水模式。

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浙江沃赫曼科技有限责任公司，其通讯地址为：311261 浙江省杭州市萧山区戴村镇戴村村；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”。