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！

龙图腾网获悉大连理工大学申请的专利基于神经网络的粉尘浓度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：CN117969360B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202410197557.2，技术领域涉及：G01N15/06；该发明授权基于神经网络的粉尘浓度检测方法是由姜海鹏;陆剑心;高伟设计研发完成，并于2024-02-22向国家知识产权局提交的专利申请。

本基于神经网络的粉尘浓度检测方法在说明书摘要公布了：基于神经网络的粉尘浓度检测方法，其属于粉尘浓度检测和粉尘防爆技术领域。该方法以喷粉式粉尘浓度测量平台为实验环境，利用粉尘静电感应传感器测量不同浓度粉尘，记录电压信号并按窗口转化为标准偏差序列，作为输入训练神经网络算法，预测未知浓度粉尘的标准偏差均值，该方法能随时间不断提升测量精度，使得预测曲线缓慢收敛至真实状态。通过与滑动滤波、中值滤波进行比较，神经网络滤波能够使得信号更快趋于稳定，体现出高速度，高灵敏的优点，符合有粉尘作业场景的需要，具有良好的推广应用价值。

本发明授权基于神经网络的粉尘浓度检测方法在权利要求书中公布了：1.一种基于神经网络的粉尘浓度检测方法，其特征在于：通过多次重复实验获得的不同浓度粉尘数据，在训练中分析并学习不同浓度粉尘所体现的序列特征，基于不同特征权重组合实现对从未接触的粉尘进行识别预测，给出最有可能的标准偏差分布序列，具体包括以下步骤： S1.采集数据 将不同质量粉尘材料分成若干组，通过喷粉装置均匀散布在开敞空间中，获得不同浓度粉尘云；将电感应传感器置于粉尘云中，使用横河示波器对电压信号进行采样并记录；对记录后的数据进行二次处理，以固定采样数作为时间窗口，按照时间序列依次计算窗口内所有电压信号的标准偏差，获取对应浓度的标准偏差连续变化值，用于构建标记数据集，具体计算方式如下： ； 其中，表示标准偏差值，代表窗口序列，是时间窗口内的采样数，是第窗口内第采样点的电压信号，是第窗口内的平均电压信号； 在对所有浓度粉尘采样并处理完毕后，划分数据集；随机挑选不同浓度粉尘对应的信号处理数据，将测量序列与标准偏差组合形成二维向量，作为神经网络的输入，将过程对应标准偏差总体均值作为目标值，按照一定的比例划分为训练集和验证集； S2.构建模型 构建用于预测标准偏差均值的网络模型，除输入层之外，其隐藏层由LSTM单元构成，表示为： ； 其中：每个隐藏层的输出为，权重为，偏置为；初始权重和偏置参数使用随机初始化，即；隐藏层节点使用ReLU激活函数，并初始化隐藏状态，其公式如下： ； 在使用反向传播算法进行权重和偏置参数的更新时，使用L2范数损失来衡量模型的预测值与目标值之间的差异，其公式为： ； 其中：是损失函数；是模型的输出；是目标值；表示L2范数，即欧几里得范数； 在反向传播算法中，通过计算损失函数对权重和偏置的梯度，然后使用梯度下降算法更新参数；梯度下降的一步更新规则表示为： ； 其中，表示权重或偏置参数，是学习率，是损失函数对参数的梯度； 对于L2范数损失，梯度的计算通过链式法则得到；对于权重的更新，梯度计算如下： ； 其中：是损失函数对的偏导数； S3.模型训练 将训练集传入网络模型中，采用预定好的模式进行训练，不断迭代，调整模型参数，使其能够通过总体标准偏差变化情况，有效预测对应的实际浓度标准偏差均值，其过程基本体现如下： ； 其中：为标准偏差理论预测值，为网络模型预测，为模型权重，为模型输入，为模型偏置； 将总体训练数据分成不同批次导入模型当中，监测损失函数，当损失函数不再随训练轮次下降，结束训练过程，生成模型权重参数文件。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。