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！

龙图腾网获悉济南峰志试验仪器有限公司申请的专利基于机器学习技术的实验室检测数据的处理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：CN120337110B 。

龙图腾网通过国家知识产权局官网在2025-08-15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：202510838746.8，技术领域涉及：G06F18/2433；该发明授权基于机器学习技术的实验室检测数据的处理方法及系统是由高广国设计研发完成，并于2025-06-23向国家知识产权局提交的专利申请。

本基于机器学习技术的实验室检测数据的处理方法及系统在说明书摘要公布了：本发明公开了基于机器学习技术的实验室检测数据的处理方法及系统，涉及数据处理技术领域；本发明通过离散小波变换分解信号，基于最高频系数中值计算噪声标准差，通过动态阈值和软阈值函数重构高信噪比数据，提升信号质量；利用滑动窗口提取时序信号统计量与FFT频域特征，结合SIFT算法提取空间特征，经互信息筛选保留高相关特征，降低冗余度；构建图卷积网络异常检测模型和XGBoost‑LightGBM加权回归模型，通过异常概率阈值剔除污染数据，得到正常回归预测值；采用LSTM网络根据环境参数预测补偿量，根据正常回归预测值结合预测补偿量，得到校准实验室数据；本发明解决了多源数据噪声敏感、特征割裂、模型孤立及环境漂移难题，显著提升实验室分析精度与鲁棒性。

本发明授权基于机器学习技术的实验室检测数据的处理方法及系统在权利要求书中公布了：1.基于机器学习技术的实验室检测数据的处理方法，其特征在于，包括以下步骤： S1、收集实验室多源信号数据和环境参数数据；对实验室多源信号数据进行动态降噪处理，得到预处理实验室多源数据； S2、提取预处理实验室多源数据中的频域特征和空间特征，并进行融合，得到实验室多源特征； 对实验室多源特征进行互信息特征选择处理，得到有效实验室特征； S3、构建异常检测分类模型和定量回归模型；分别对异常检测分类模型和定量回归模型进行训练，得到最终异常检测分类模型和最终定量回归模型； 所述S3包括以下步骤： S31、基于图卷积网络和注意力机制，构建异常检测分类模型；设定异常检测分类模型的权重参数； 基于XGBoost和LightGBM，构建定量回归模型；定量回归模型采用XGBoost与LightGBM双模型加权融合策略； S32、收集历史实验室特征数据； S33、将历史实验室特征数据输入至异常检测分类模型进行训练； 训练过程中结合随机搜索和交叉验证算法寻找异常检测分类模型的最优权重参数，得到最优解；将最优解作为异常检测分类模型的权重参数，得到最终异常检测分类模型； S34、将历史实验室特征数据输入至定量回归模型进行训练，并结合网格搜索优化定量回归模型的参数，得到最终定量回归模型； 所述S33中训练过程中结合随机搜索和交叉验证算法寻找异常检测分类模型的最优权重参数，得到最优解包括以下步骤： S331、设定异常检测分类模型的权重参数搜寻空间为p，最大随机搜索次数为m，设定交叉验证折数为W； S332、根据权重参数搜寻空间p，随机设定异常检测分类模型的权重参数，得到初始权重参数集； 初始化异常检测分类模型的最优权重参数为u、最佳性能为v，从初始权重参数集中随机选择异常检测分类模型的权重参数为e； 将历史实验室特征数据中的训练数据分为W折，对于每一折w，使用除第w折外的所有历史实验室特征数据中的训练数据，训练异常检测分类模型，使用第w折的历史实验室特征数据中的训练数据评估异常检测分类模型，得到性能指标集； 计算所有折的性能指标的均值，得到平均性能r， 如果平均性能r＞最佳性能v，则更新最佳性能为r，更新最优权重参数为e；反之则保持原来的最佳性能、最优权重参数； S334、重复S333，当达到最大随机搜索次数m，停止迭代，得到最优解； S4、采用最终异常检测分类模型、最终定量回归模型对有效实验室特征进行双模型协同分析，得到异常检测结果和回归预测值； 根据异常检测结果对回归预测值中的异常数据进行剔除，得到正常回归预测值； S5、根据环境参数数据，结合LSTM网络得到预测补偿量；根据正常回归预测值结合预测补偿量，得到校准实验室数据。

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济南峰志试验仪器有限公司，其通讯地址为：250000 山东省济南市槐荫区美里东路3000号德迈国际信息产业中心106幢111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”。