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！

龙图腾网获悉南京工业大学申请的专利一种用于密闭空间异味识别的电子鼻系统及异味检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：CN118641699B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202410716453.8，技术领域涉及：G01N33/00；该发明授权一种用于密闭空间异味识别的电子鼻系统及异味检测方法是由冯李航;张龙;金咏诗;陈升;孙俐丽;史建涛;沈鑫炎设计研发完成，并于2024-06-04向国家知识产权局提交的专利申请。

本一种用于密闭空间异味识别的电子鼻系统及异味检测方法在说明书摘要公布了：本发明公开了一种用于密闭空间异味识别的电子鼻系统及异味检测方法，其技术方案要点是：步骤一：异味数据收集与预处理，通过TGS气敏传感器收集异味数据；对异味数据进行归一化处理，得到时间序列数据，步骤二：异味数据特征提取与模型输入，使用TrellisNet模型处理时间序列数据；步骤三：全局依赖关系建模，引入自注意力机制构建传感器所采集的异味数据的依赖关系；该系统包括异味数据采集单元、异味数据处理与分析单元和异味监测上位机单元；具有的技术效果是：广泛适用于舰船、潜艇、空间站、建筑室内、地下人防工程及其他封闭环境的异味气体识别与管理。

本发明授权一种用于密闭空间异味识别的电子鼻系统及异味检测方法在权利要求书中公布了：1.一种用于密闭空间异味识别的异味检测方法，其特征在于，包括如下步骤： 步骤一：异味数据收集与预处理，通过TGS气敏传感器收集异味数据，所述异味数据包括芳香烃气体数据、脂肪烃气体数据和刺激性异味气体数据；对异味数据进行归一化处理，得到时间序列数据； 步骤二：异味数据特征提取与模型输入，使用TrellisNet模型来处理时间序列数据，所述时间序列数据为步骤一中异味数据的时间变化数据，所建立坐标系的横轴为时间，竖轴为浓度值，利用递归卷积层提取出时间依赖特征； 步骤三：全局依赖关系建模，引入自注意力机制构建传感器所采集的异味数据之间的依赖关系，揭示传感器之间的影响路径和重要性，理解整体化学环境的反应过程； 步骤一具体包括如下步骤： 步骤S11：收集异味气体数据:用TGS气敏传感器对空气中不同异味气体进行化学物质反应，得到异味气体化学物质的反应强度随时间变化的数据； 步骤S12：对收集到的数据进行归一化处理：将异味数据归一化到[0,1]的范围内，计算归一化参数，对于每个TGS气敏传感器采集到的异味数据，计算其最大值max和最小值min，利用计算得到的归一化参数，对每个TGS气敏传感器的异味数据进行线性变换，将其映射到目标范围[0,1]内，对于每个传感器的数据Xi，应用如下公式进行归一化： 其中，xi,normalized是传感器i的归一化后的数据，mini和maxi分别是传感器i的最小值和最大值； 步骤S13：制作时间序列样本：长度为T，设原始数据形状为N,D，制作后的时间序列样本形状为N,T,D； 其中，Xn,t是第n个样本在时间t的输入序列； 步骤二具体包括如下步骤： 步骤S21：时间依赖特征提取：利用TrellisNet的递归卷积层提取每个传感器数据的时间依赖特征； S211：初始化递归卷积层的权重参数，设输入特征维度为D，卷积核尺寸为K，隐藏层维度为H，卷积层的权重参数为Wconv，偏置参数为bconv； S212：在递归卷积层中应用卷积操作：设当前层的输入为输出为时间步长为t； 其中，*表示卷积操作，ReLU是激活函数； S22：将递归卷积层的输出传递给下一层作为输入； S23：构建TrellisNet模型结构：所述TrellisNet模型结构是多层递归卷积层的堆叠，具有残差连接、归一化和输出层； S24：序列的局部特征，通过卷积操作捕捉短时间内的响应模式， S23具体包括如下步骤： S231：多层递归卷积堆叠：对于第l层卷积层，设输入为Xl，输出为Yl； Yl＝ReLUXl*Wconv+bconv S232：增加残差连接：设第l层的输入为Xl，输出为Yl； Zl＝Xl+Yl S233：对层输出进行归一化处理； Nl＝LayerNormZl S234：输出层，将最后一层递归卷积层的输出传递给全连接层并进行分类； O＝SoftmaxWoutNK+bout 其中：Wout和bout是全连接层的权重和偏置参数，L是递归卷积层的总层数； 步骤三具体包括如下步骤： S31：计算查询、键和值： Q＝XWQ,K＝XWK,V＝XWV 其中：Q为查询矩阵形状为N,T,dk，K为键矩阵形状为N,T,dk，V为值矩阵形状为N,T,dv，WQ,WK,WV为线性变换权重； S32：计算注意力得分： 其中，A为注意力得分矩阵； S33：计算注意力权重： S＝SoftmaxA S34：计算注意力输出： O＝SV S35：多头注意力：多头注意力机制通过组合多个注意力头来增强模型的学习能力，每个头独立计算一个注意力矩阵，最后，所有头的输出拼接在一起并线性变换为目标维度； O＝ConcatO1,O2,...,OhWO 其中Oi为第i个头的输出，h为头的数量，WO为线性变换权重。

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南京工业大学，其通讯地址为：211816 江苏省南京市浦口区浦珠南路30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”。