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！

龙图腾网获悉西安交通大学申请的专利基于主成分分析和支持向量机的两相流型智能识别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：CN116340823B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202310306889.5，技术领域涉及：G06F18/24；该发明授权基于主成分分析和支持向量机的两相流型智能识别方法是由李良星;王闻婕;向祖涛;许向阳设计研发完成，并于2023-03-27向国家知识产权局提交的专利申请。

本基于主成分分析和支持向量机的两相流型智能识别方法在说明书摘要公布了：本发明公开了一种基于主成分分析和支持向量机的两相流型智能识别方法，利用压差变送器和数据采集系统在线采集多孔介质通道内气‑液两相差压原始信号；分别利用时域分析中的概率密度函数和频域分析中的功率谱密度技术，统计和提取两相差压信号的时域和频域特征参数，并融合气、液两相流动雷诺数等物理参数，构建能够全面反映两相流型的信息的耦合特征向量，进而利用主成分分析和支持向量机技术，提出并建立了多孔介质内两相流型智能识别系统及方法，实现了多孔介质气液两相流流型的快速识别。本发明提出的主成分分析‑支持向量机融合方法精度高、解释性强，对完善多孔介质气液两相流型识别技术，识别气液两相流型有重要意义。

本发明授权基于主成分分析和支持向量机的两相流型智能识别方法在权利要求书中公布了：1.基于主成分分析和支持向量机的两相流型智能识别方法，其特征在于，通过在线测量的多孔介质通道内的气液两相流原始压差信号，利用主成分分析技术与支持向量机技术，实现对多孔介质结构内的气液两相流流型进行智能在线识别，包括如下步骤： 步骤1：采集压差信号数据； 利用压差传感器和数据测量系统，在线采集多孔介质结构内的气液两相流原始压差信号； 步骤2：分别利用时域分析中的概率密度函数、频域分析中的功率谱密度技术和两相流动物理特征量，对采集的压差信号进行时域和频域统计分析，基于特征提取技术提取特征；具体特征提取步骤如下： 步骤2.1：对原始差压信号进行时域统计分析，按公式1计算压差信号均值An： 式中：An为压差信号均值；xi为原始压差信号值；N为项数； 步骤2.2：对原始差压信号进行概率密度函数统计分析，按公式2计算压差信号的概率密度函数偏度S： 式中：S为概率密度函数偏度；E为xj为原始压差信号值的概率密度计算值；μ为xj的均值；σ为xj的标准差； 步骤2.3：对原始差压信号进行功率谱密度统计分析，按公式3计算压差信号的功率谱密度峭度K： 式中：K为功率谱密度峭度；xk为经过功率谱密度计算的差压信号值； 步骤2.4：对两相流动物理特征量进行计算，按公式4计算液相雷诺数Rel： 式中：ρl为液体密度；Jl为折算液速；dp为颗粒直径；μl为液体动力粘度；ε为孔隙率； 步骤2.5：按公式5计算气相雷诺数Reg： 式中：ρg为气体密度；Jg为折算气速；μg为气体动力粘度； 步骤3：构造特征向量；具体特征向量构造步骤如下： 步骤3.1：通过步骤2计算得到了压差信号的多个时域和频域参数；利用压差信号分别计算上述5个特征参数后得到数组，将数组标准化后通过主成分分析方法进行降维； 步骤3.2：建立特征参数矩阵，其中Xmn表示各种工况下特征参数的对应值； 步骤3.3：计算相关性系数矩阵； 其中rmn是相关性系数，计算公式如下所示： 其中i,j＝1,2,…,n,和为第i和j列中数据平均值，xki和xkj分别为第i列和第j列的所有数据； 步骤3.4：根据特征方程|λI-R|＝0，其中λ为每个特征方程的解即其特征值，I为单位方阵；特征值通过雅可比方法求解，并且排序如下： λ1≥λ2≥…≥λn≥09 其中λ1,λ2,…λn按降序排列； 步骤3.5：构造对应于主成分方差λi的特征向量ei，其中i＝1,2...n，并确保||ei||＝1； 其中eij表示向量ei的第J个分量； 步骤3.6：根据计算出的特征值得到贡献率： 其中Ci是对应于主成分方差λi的贡献率； 并且得到累积贡献率： 其中C1i表示从λ1到λi的累积方差贡献率； 步骤3.7：主分量载荷根据以下公式进一步计算： 式中j＝1，2，…，n，lij表示各工况特征参数对应的主成分载荷； 步骤3.8：变量Xm1，Xm2，…，Xmn为式6中各种工况下特征参数的对应值，与lij相结合，得到主成分降维后的表达式Z1，Z2，Z3，…，Zn如下： 式中，Zn表示根据各工作条件下各主成分的表达式得出的计算值； 步骤3.9：最后基于主成分构建获得各工况下特征方程值： 其中Z是基于主成分分析的最终特征方程矩阵，Ci计算公式如式11所示； 步骤3.10：根据特征方程值实现流型自动识别； 步骤4：利用支持向量机自动识别，根据输入的压差信号值，以及预设好的采用高斯核函数的非线性支持向量机模型，判断各工况下对应的流型； 步骤4.1：其中对于作为训练样本的特征向量，还需要在数组最后再增加一个元素，该元素作为标签来表明该特征向量的属性； 步骤4.2：对训练样本引入高斯核函数，将训练样本从低维空间映射到高维空间，即 其中Kxp，xq为选择的核函数，xp为第p工况下的特征方程值，xq为第q工况下的特征方程值，δ为决策边界宽度； 步骤4.3：在训练样本映射到高维空间后，利用拉格朗日对偶性，将最优超平面的目标函数转化为： 其中αp,αq为所求的最优向量，yp为第p工况下的流型标签，yq为第q工况下的流型标签，C为人为设定参数； 步骤4.4：依据下式求得b*： 其中αp *为人为设定分量且满足0＜αp *＜C，b*为超平面偏移量；最终求得的超平面表示为： 其中sign为符号函数； 步骤4.5：基于所求超平面能够实现对训练样本的分类进而实现对流型进行在线识别的目标； 步骤5：输出流型：主成分分析与支持向量机两者流型识别结果一致时直接输出判断流型，不一致时先通过主成分分析构建特征向量，再将该特征向量作为支持向量机的输入样本，应用支持向量机完成从特征空间到流型空间的映射，最终实现流型识别。

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西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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”。