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！

龙图腾网获悉中国科学院大学;中科云慧(北京)智能管控科技有限公司申请的专利基于ANN与SVM的地下水污染通用预测模型构建方法及装置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：CN119441983B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411543118.9，技术领域涉及：G06F18/241；该发明授权基于ANN与SVM的地下水污染通用预测模型构建方法及装置是由王明玉;孙倩设计研发完成，并于2024-10-31向国家知识产权局提交的专利申请。

本基于ANN与SVM的地下水污染通用预测模型构建方法及装置在说明书摘要公布了：本发明公开了基于ANN与SVM的地下水污染通用预测模型构建方法及装置，污染通用预测模型构建方法包括：选择与地下水污染时空演化相关的关联特征变量，针对典型条件框架复杂地下水环境系统建立基于数值模拟与不同机器学习算法的地下水污染关联特征变量预测替代模型，从中优选最佳预测模型，可精准高效实现在满足给定条件框架前提下不同应用场景土壤与地下水环境状态、演化过程及相关影响的值域区段可靠预测，显著提高复杂地下水污染时空演化状态与污染物时空分布等评估预判的准确性、高效性及实用性，为水土环境系统保护与资源安全利用，尤其可对土壤与地下水污染快速预测预警与风险可靠管控提供有力支撑。

本发明授权基于ANN与SVM的地下水污染通用预测模型构建方法及装置在权利要求书中公布了：1.基于ANN与SVM的地下水污染通用预测模型构建方法，其特征在于，包括： 步骤A：确定典型条件地下水污染时空演化概念模型并获取相应的典型特征集合即典型条件框架，选定地下水污染时空演化关联特征变量，获取地下水污染物迁移转化数学控制方程，获取地下水污染时空演化数值模拟系统； 步骤B：确定地下水污染时空演化预测模型输入参变量集V＝[v1,v2,...,vk]，选定各模型输入参变量的变化范围，构成模型输入参变量范围集U＝[u1,u2,…,uk]，这里确定出所考虑的所有参变量及各参变量其变化范围； 步骤C：选定各模型输入参变量变化水平，基于正交试验方法获取给定条件框架下地下水污染时空演化的基础典型情景采样，得到各典型情景的相应不同模型输入参变量取值组合即参数组合； 步骤D：依据地下水污染时空演化数值模拟系统，获取各基础典型情景对应的关联特征变量模拟值，集合所有的参数组合与对应的关联特征变量模拟值进而构成机器学习基础训练集，也是统计建模基础数据集； 步骤E：基于预设情景采样数与输入参变量得到预设数量的情景采样，获得数据强化情景参数组合，通过所述数值模拟系统得到每个情景对应关联特征变量的数据强化情景模拟值，将所述数据强化情景参数组合及数据强化情景模拟值集合后作为机器学习强化数据集，也是统计建模强化数据集； 步骤F：分别将机器学习基础训练集与统计建模基础数据集作为机器学习训练集与统计建模基础数据集，同时分别将机器学习强化数据集与统计建模强化数据集作为机器学习测试集与统计建模验证集；或将机器学习基础训练集与机器学习强化数据集集合作为机器学习训练集、统计建模基础数据集与统计建模强化数据集集合而作为统计建模数据集，在此情形下则按步骤E获得机器学习强化数据集，也是统计建模强化数据集，进而获得机器学习测试集与统计建模验证集； 步骤G：据所述统计建模数据集建立并优选所述关联特征变量与所述模型输入参变量的多元回归统计预测模型； 步骤H：通过所述多元回归统计预测模型与统计建模验证集得到关联特征变量预测误差值数据集；基于预测误差值数据集，利用统计分析方法，确定与给定预设置信度对应的预测误差随机变量分布区间上下限值； 步骤I：对所述关联特征变量与所述模型输入参变量及各数据集采用预设数据处理方法； 步骤J：依据所获得的机器学习基础训练集与机器学习基础测试集对应的所有关联特征变量模拟值，获取其变化区间[a,b]，对此用M个分区节点值集[y1,y2,…,yM]进一步划分成M+1个子区间，分别是：y1、[y1,y2、...、[yM-1,yM、≥yM； 步骤K：依据划分的子区间及基础训练集关联特征变量模拟值与基础测试集关联特征变量模拟值，获取基础训练集各情景输出标签与基础测试集各情景对应的输出标签； 步骤L：基于机器学习基础训练集与机器学习基础测试集，应用ANN机器学习建模原理与优化建模方法，获得预设数量的优化ANN预测模型，基于基础测试集及其各情景对应的输出标签，获取分区预测模型测试准确度，进而获得尽可能高分区预测模型测试准确度的优化ANN预测模型； 步骤M：基于预设情景采样数与所述模型输入参变量得到预设数量的情景采样，获得数据强化情景参数组合，通过所述数值模拟系统得到每个情景对应关联特征变量的数据强化情景模拟值，依据所述数据强化情景模拟值和所述给定预设置信度对应的预测误差随机变量分布区间上下限确定所述关联特征变量预测置信区间；基于所述模型输入参变量得到预设数量的情景参数组合与所述预测置信区间进而合并得到统计分析强化建模数据集； 步骤N：基于机器学习基础训练集及其各情景对应的输出标签与机器学习基础测试集及其各情景对应的输出标签，以及应用统计分析强化数据集及其相应输出标签补充两端区间，包括y1与≥yM，获取SVM机器学习数据集，应用SVM机器学习建模原理与优化建模方法，优选SVM分区预测模型，获取优选SVM分区预测模型准确度； 步骤O：比较ANN分区预测模型准确度大小与SVM分区预测模型准确度大小，选取准确度大的机器学习分区预测模型，判断选定的机器学习分区预测模型是否满足预设准确度目标，如是，获得满足所述模型准确度的最终机器学习分区预测模型；如否，从增加基础典型情景采样数、预设情景采样数、降低预设模型准确度、减少分区节点值的操作中，选择任意一种或任意多种组合执行，重新回到步骤E，至步骤N，完成相应步骤，直至获得满足所述模型准确度的最终机器学习分区预测模型； 步骤P：对于给定具体应用场景，获取具体模型输入参变量具体取值，确定具体条件满足给定典型条件框架要求，依据获取的满足所述模型准确度的所述最终机器学习分区预测模型，获得关联特征变量预测值可靠区间。

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中国科学院大学;中科云慧(北京)智能管控科技有限公司，其通讯地址为：100049 北京市怀柔区雁栖湖东路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。