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！

龙图腾网获悉江苏省特种设备安全监督检验研究院;南京理工大学申请的专利基于多源加速度信号特征分析的异常跳跃行为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：CN121085074B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202511609568.8，技术领域涉及：B66B5/00；该发明授权基于多源加速度信号特征分析的异常跳跃行为检测方法是由郭新宇;谷宇阳;郭唐仪;阮翔;王太鹏;徐翔;苏航;张鹏设计研发完成，并于2025-11-05向国家知识产权局提交的专利申请。

本基于多源加速度信号特征分析的异常跳跃行为检测方法在说明书摘要公布了：本发明公开了一种基于多源加速度信号特征分析的异常跳跃行为检测方法，包括：获取多源加速度时间序列数据；对多源加速度时间序列数据进行预处理获得清洁对齐的加速度信号；在清洁对齐的加速度信号中检测异常跳跃行为的候选片段，并利用候选片段构建多源加速度特征矩阵；将多源加速度特征矩阵输入卷积神经网络模型进行异常跳跃行为的识别分类，获得对应于异常跳跃行为类别的输出概率；根据异常跳跃行为类别的输出概率对乘客异常跳跃行为进行判定决策。本发明结合自监督学习策略进行训练，并利用不断累积的新数据样本进行离线更新优化，从而提高对电梯内异常跳跃行为检测的准确性和鲁棒性。

本发明授权基于多源加速度信号特征分析的异常跳跃行为检测方法在权利要求书中公布了：1.一种基于多源加速度信号特征分析的异常跳跃行为检测方法，其特征在于，包括： 在电梯轿厢内设置若干个加速度传感器，利用加速度传感器获取多源加速度时间序列数据； 对多源加速度时间序列数据进行预处理获得清洁对齐的加速度信号，预处理方式包括滤除噪声以及校准对齐多传感器数据； 在清洁对齐的加速度信号中检测异常跳跃行为的候选片段，并利用候选片段构建多源加速度特征矩阵，具体方法为： 计算每个时间采样点各通道加速度的幅值和瞬时变化量，并与预设阈值作比较，当存在传感器通道满足或时，判定在时刻可能发生了乘客异常跳跃事件，表示加速度幅值阈值，表示加速度增量阈值，为时刻加速度的幅值，为时刻加速度的幅值，若满足阈值条件的通道和时刻不止一个，则根据加速度峰值大小或时间先后筛选出加速度峰值最大或时间排在前面对应的事件时刻作为候选跳跃事件中心时刻； 以检测到的候选跳跃事件中心时刻为中心构建时间窗，从清洁对齐的加速度信号中截取一个时间窗的信号片段，窗口截取操作对每个传感器通道的加速度序列同步进行，得到包含事件前后完整波形的多源加速度片段； 对多源加速度片段进行时频变换，构建三维特征张量，即多源加速度特征矩阵，具体方法为： 在时间窗内，每个传感器的每个轴向通道产生个多源加速度片段； 将多源加速度片段整理为时间×通道形式的初始矩阵，其中矩阵的每一行表示窗口内某一时刻的多通道加速度观测值，列表示不同传感器及其轴向通道，总计列； 对初始矩阵的每一列执行多尺度离散小波变换，提取在多个频率尺度下的频域系数，表示在第个小波尺度上，第通道在时刻的加速度频域特征响应； 将所有通道、所有尺度的频域系数沿尺度维度堆叠后，构成一个三维张量： ，其中，三维张量中的元素表示时间窗内第个通道在第小波尺度和第个采样点上的信号特征，表示离散小波分解所采用的总尺度数； 将多源加速度特征矩阵输入卷积神经网络模型进行异常跳跃行为的识别分类，获得对应于异常跳跃行为类别的输出概率，所述卷积神经网络模型依次包括输入层、两组第一卷积层和第一激活层组成的第一卷积模块、第一池化层、两组第二卷积层和第二激活层组成的第二卷积模块、第二池化层、两组第三卷积层、第三激活层组成的第三卷积模块、第三池化层、时频门控注意力融合模块、第一全连接层、第二全连接层以及输出层； 获得对应于异常跳跃行为类别的输出概率的具体过程为： 通过输入层输入多源加速度特征矩阵； 所述多源加速度特征矩阵首先经过第一卷积模块进行处理，每组第一卷积层和第一激活层的具体处理过程为：在第一卷积层中，通过64个的卷积核对多源加速度特征矩阵进行卷积运算； 卷积核在特征矩阵上以步长1依次滑动，并在矩阵边缘进行零填充，以保证卷积输出的时间维度和传感器维度与输入相同，每个卷积核提取特征矩阵中局部时序‑传感器维度上的关联模式，共输出64个特征图通道，形成尺寸为的三维特征图张量； 在第一激活层中，对上一层输出的特征图逐元素施加非线性激活函数； 第一卷积模块的输出输入第一池化层中，第一池化层对第一卷积模块得到的特征图执行降维操作，采用大小的最大池化滤波器以步长2在特征图上滑动，对每邻域内的值取最大值作为池化结果，池化在时间和传感器两个维度上对特征图进行下采样，将特征图尺寸缩小为原来的12； 第一池化层输出的降采样特征图输入第二卷积模块，每组第二卷积层和第二激活层的具体处理过程为：第二卷积层，通过128个的卷积核进行卷积运算，卷积核以步长1滑动，卷积核平面尺寸为，深度与输入特征图的通道数64一致，经过卷积运算，在更抽象的层次上学习到特征模式，输出尺寸为的特征图张量； 第二卷积层的输出输入第二激活层处理，对128通道特征图逐元素应用ReLU激活函数，得到非线性映射后的特征图；第二卷积模块的输出输入第二池化层处理，采用最大池化对上一层特征图进行降采样； 第二池化层的输出输入第三卷积模块，每组第三卷积层和第三激活层的具体处理过程为：在第三卷积层中，将第二池化层输出的特征图作为输入，利用256个的卷积核进行卷积运算，卷积核以步长1扫描输入的特征图，在边缘补零以保持尺寸不变，输出尺寸为的特征图张量； 在第三激活层中，对256通道特征图逐元素施加ReLU非线性激活，得到激活后的特征图；第三卷积模块输入第三池化层处理，对256通道特征图执行最后一次最大池化，将特征图尺寸缩小一半至约； 第三池化层的输出输入时频门控注意力融合模块处理，对第三池化层输出的特征图做全局平均池化与全局方差池化形成通道统计向量，再通过两层全连接层生成通道权重向量；对第三池化层输出的特征图施加1×1卷积得到空间注意图；将通道权重向量广播到空间维，与空间注意图相乘形成门控掩膜，门控掩膜与第三池化层输出的特征图逐元素相乘，得到融合特征： ； 时频门控注意力融合模块的输出输入第一全连接层处理，在第一全连接层中，将融合特征展平为一维特征向量，并进行特征压缩与组合，得到第一特征向量； 第一全连接层的输出输入第二全连接层处理，在第二全连接层中，将第一特征向量进一步映射到目标输出维度的第二特征向量； 第二全连接层的输出输入输出层分类，对第二全连接层得到的2维特征向量应用Softmax归一化函数，计算得到对应于异常跳跃行为的输出概率。

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江苏省特种设备安全监督检验研究院;南京理工大学，其通讯地址为：210036 江苏省南京市鼓楼区草场门大街107号龙江大厦；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。