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！

龙图腾网获悉安徽大学;中国科学院合肥物质科学研究院申请的专利基于SHAP的新经典环向粘滞力矩可解释机器学习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：CN120409742B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202510899881.3，技术领域涉及：G06N20/00；该发明授权基于SHAP的新经典环向粘滞力矩可解释机器学习方法及系统是由鲍娜娜;周伟勇;闫星廷;孙有文;孟悦涛;张明宇;卢彦熹设计研发完成，并于2025-07-01向国家知识产权局提交的专利申请。

本基于SHAP的新经典环向粘滞力矩可解释机器学习方法及系统在说明书摘要公布了：本发明提供基于SHAP的新经典环向粘滞力矩可解释机器学习方法及系统，涉及可控核聚变模型解释技术领域，本发明包括获取输入物理量并输入物理模型获得输出物理量，并且整理成数据集，通过数据集训练机器学习模型，分别通过PFI方法和SHAP方法判别输入物理量数据集中各个特征在机器学习模型中重要性，对PFI方法和SHAP方法所判别的重要性进行排序，对排名靠前的特征进一步分析，包括物理量采集模块、机器学习模型生成模块和模型可解释性计算模块，本发明挖掘具有黑盒属性的新经典环向粘滞力矩机器学习模型的特征重要性，在保证快速准确计算的同时兼顾了不同物理特征之间的相互作用关系，保证了预测结果的可解释性。

本发明授权基于SHAP的新经典环向粘滞力矩可解释机器学习方法及系统在权利要求书中公布了：1.基于SHAP的新经典环向粘滞力矩可解释机器学习方法，其特征在于，具体步骤包括： 步骤1：通过核聚变放电试验获取试验数据并计算获取径向梯度值，将试验数据和径向梯度值汇总成输入物理量并输入新经典环向粘滞力矩物理模型中，获取输出物理量，将输入物理量整理成输入物理量数据集并将对应的输出物理量相关联； 步骤2：将输入物理量数据集作为训练集输入新经典环向粘滞力矩机器学习模型，将输出物理量作为输入物理量的标签并标定为实际值，训练完成获得新经典环向粘滞力矩机器学习模型； 步骤3：分别通过PFI方法和SHAP方法判别输入物理量数据集中各个特征在新经典环向粘滞力矩机器学习模型中的重要性排序，将两个排序通过Spearman秩相关系数进行判断，满足条件的Spearman秩相关系数的认定获得相同排序，否则对于位次不同的特征通过重要性值判断，对于重要性值大于界限的模型重新训练，直至获得相同特征排序的模型； 将输入物理量数据集中的特征按照重要性值由大至小进行排序，形成决定系数排序，将输入物理量数据集中的每种特征在所有样本中的平均Shapley值为标准，按照绝对值由大至小进行排序，形成Shapley值排序，判断决定系数排名和Shapley值排序是否相同，判断排序是否相同逻辑为： 分别对两个排序的内部特征进行分配秩，重要性最小的类型秩为1，其次秩为2，再其次为3，以此类推，通过Spearman秩相关系数进行判断，所依据公式如下： 其中为Spearman秩相关系数，为第i个特征在两个排序中秩的差值，n是输入参数的数量，i为特征检索变量，； 当时，认定两个排序相同，当时，认定两个排序存在部分特征位次不同，对于位次不同的特征的重要性值进行判断，若，则忽略位次不同问题，认可这个特征在两个排序中的不同位置，认定两个排序相同，若存在位次不同的特征的重要性值，认定新经典环向粘滞力矩机器学习模型存在问题，则调整模型参数，重新训练模型，并再次依据PFI方法和SHAP方法进行排序，直至获得排序相同的两个排序； 步骤4：将PFI方法和SHAP方法所判别的重要性特征排序进行合并，形成总排序，绘制总排名中靠前的特征的蜂群图和交互作用图。

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安徽大学;中国科学院合肥物质科学研究院，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路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”。

以上内容由龙图腾AI智能生成。