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！

龙图腾网获悉苏州城市学院申请的专利基于深度学习的激光雷达多气体识别方法和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：CN120629068B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202511118168.7，技术领域涉及：G01N21/39；该发明授权基于深度学习的激光雷达多气体识别方法和系统是由岳斌;昌亚胜;孙敏;马骁;李文君;王岩岩;周敏彤设计研发完成，并于2025-08-11向国家知识产权局提交的专利申请。

本基于深度学习的激光雷达多气体识别方法和系统在说明书摘要公布了：本发明公开了基于深度学习的激光雷达多气体识别方法和系统，涉及激光雷达技术领域，包括：采用差分吸收激光雷达发射不同波长激光，并接收气体吸收后的回波信号，提取多域特征，采用多目标优化结合特征重要性评估筛选关键特征；将关键特征生成潜在气体的气体画像，获取感兴趣气体类别；根据气体画像及气体特征相似性构建图结构，使用图卷积网络对图结构进行表示学习，并使用感兴趣气体类别对图卷积网络进行增强，构建气体类别分支，输出气体类别；采用多层感知机构建气体浓度分支，将图卷积网络输出的最终节点表示作为输入，使用线性回归输出各气体浓度。本发明提升细小差异气体的区分能力，实现了多组分气体的高精度识别与浓度反演。

本发明授权基于深度学习的激光雷达多气体识别方法和系统在权利要求书中公布了：1.一种基于深度学习的激光雷达多气体识别方法，其特征在于，包括以下步骤： 采用差分吸收激光雷达发射不同波长激光，并接收气体吸收后的回波信号，对所述回波信号进行噪声抑制、差分吸收计算及归一化预处理，从预处理后的回波信号中进行多域特征提取，采用多目标优化结合特征重要性评估进行特征选择，筛选关键特征，包括：从预处理后的回波信号中提取时域特征、频域特征、时频域特征及吸收特征视为独立模态，每个独立模态对应一个子空间，将最大化分类精度、最小化特征维度及最大化模态间互补性为目标，构建多目标优化函数；分别获取各特征的模态内重要性，另外对全部特征进行核密度估计，计算两两特征间的归一化互信息，生成对称互信息矩阵，将所述对称互信息矩阵作为带权有向图邻接矩阵，迭代计算PageRank值直至收敛，获取各特征的全局影响力作为跨模态重要性；将各特征的模态内重要性进行归一化处理，并对归一化后的模态内重要性及跨模态重要性进行加权，获取最终重要性；采用UMAP降维方法将时域特征、频域特征、时频域特征及吸收特征映射至低维流形空间，在所述低维流形空间进行拉丁超立方采样，并根据最终重要性按照预设比例选取特征强制保留至初始个体，生成初始种群；对每个独立模态的子空间进行自适应变异，并通过计算t-SNE相似度进行二项交叉，高流形相似度特征优先保留，基于NSGA-II框架，引入模态多样性指标，通过精英归档保留Pareto前沿解，保留各模态Top3重要性特征作为关键特征； 将所述关键特征进行特征映射生成气体特征分布图，通过聚类划分特征簇，生成潜在气体的气体画像，包括：将关键特征进行标准化处理及流形学习降维，生成气体特征分布图，基于所述气体特征分布图进行密度聚类，计算气体特征分布图中每个特征点到其第k近邻的距离，绘制排序后的距离曲线，选择拐点对应值作为邻域半径；当气体特征分布图中的特征点的邻域半径范围内所包含的特征点的数量大于预设阈值时，将该特征点视为核心点，从核心点出发，递归合并密度可达的特征点形成簇，对间距小于预设距离值的相邻簇进行合并，并将边界点划归到最近的核心点所属簇；获取聚类划分的特征簇，在所述特征簇中计算中心及离散度表征气体指纹特征，并利用特征贡献度分解反向映射至关键特征对应的原始特征空间，找到对气体特征分布图中坐标影响最大的前n个特征，基于气体指纹特征以及特征贡献度分解得到的前n个特征，生成潜在气体的气体画像； 基于所述气体画像获取感兴趣气体类别； 根据所述气体画像及气体特征相似性构建图结构，使用图卷积网络对所述图结构进行表示学习，并使用感兴趣气体类别对图卷积网络进行增强，构建气体类别分支，输出气体类别，包括：根据气体样本的气体画像构建节点，通过k近邻图计算节点间余弦相似度，对每个节点保留Top-k最高相似度的边，基于所述节点及边构建图结构；使用图卷积网络对所述图结构进行消息传递，在每层图卷积后加入图注意力机制，通过注意力增强加权聚合邻居特征，提取通用气体特征；对于感兴趣气体类别独立接入1层类别专用图卷积层，为每个感兴趣气体类别构建可学习查询向量，计算通用气体特征与查询向量的相关性，生成类别感知的节点表示作为类别增强特征；在气体类别分支中，将所述通用气体特征及类别增强特征加权求和获取最终节点表示，计算最终节点表示与各类别气体样本的距离，选择最小距离对应的类别，输出气体识别结果； 采用多层感知机构建气体浓度分支，将图卷积网络输出的最终节点表示作为输入，使用线性回归输出各气体浓度，将所述气体浓度及气体类别进行可视化显示。

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苏州城市学院，其通讯地址为：215000 江苏省苏州市吴中区吴中大道1188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。