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！

龙图腾网获悉福建技术师范学院申请的专利基于机器学习的β-乳球蛋白ACE抑制肽多属性评价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：CN121075444B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202511631121.0，技术领域涉及：G16B40/20；该发明授权基于机器学习的β-乳球蛋白ACE抑制肽多属性评价方法是由陈惠敏;项雷文;吴承燕;王海林;陆晓丹;邱建清;蔡雅婷设计研发完成，并于2025-11-10向国家知识产权局提交的专利申请。

本基于机器学习的β-乳球蛋白ACE抑制肽多属性评价方法在说明书摘要公布了：本发明属于生物肽评价技术领域，公开了基于机器学习的β‑乳球蛋白ACE抑制肽多属性评价方法；方法包括：步骤一、收集β‑乳球蛋白ACE抑制肽的相关数据，构建多属性评价模型；步骤二、获取目标β‑乳球蛋白ACE抑制肽的相关数据，输出各个属性的评价值；步骤三、根据需求场景获取各个属性的贡献度，并基于贡献度对各个属性的评价值进行修正；步骤四、根据影响系数得到综合评价值；步骤五、基于综合评价值分级评价；步骤六、对分级评价结果进行调整优化；本发明可以根据不同场景下不同属性之间的相互影响情况，动态生成不同属性的影响系数，从而对评价值进行修正，使对β‑乳球蛋白ACE抑制肽的评价更加准确。

本发明授权基于机器学习的β-乳球蛋白ACE抑制肽多属性评价方法在权利要求书中公布了：1.基于机器学习的β-乳球蛋白ACE抑制肽多属性评价方法，其特征在于，包括： 步骤一、收集β-乳球蛋白ACE抑制肽的相关数据，相关数据包括实验数据、文献数据以及实际生产数据，构建数据库，采用机器学习模型进行训练，选择多任务学习框架下的梯度提升决策树模型来构建多属性评价模型； 步骤二、获取目标β-乳球蛋白ACE抑制肽的相关数据，输入到多属性评价模型内，输出目标β-乳球蛋白ACE抑制肽对应各个属性的评价值； 步骤三、获取目标β-乳球蛋白ACE抑制肽对应的需求场景，并收集不同需求场景下β-乳球蛋白ACE抑制肽对应各个属性的属性数据，将目标β-乳球蛋白ACE抑制肽的属性数据输入到预构建的场景贡献度模型中，得到各个场景下目标β-乳球蛋白ACE抑制肽对应各个属性的贡献度，并基于贡献度对各个属性的评价值进行修正； 步骤四、根据各个属性之间的相互影响，获取目标β-乳球蛋白ACE抑制肽对应各个属性的影响系数，对影响系数以及修正后各个属性的评价值进行融合分析，得到目标β-乳球蛋白ACE抑制肽的综合评价值； 步骤五、基于综合评价值，对目标β-乳球蛋白ACE抑制肽进行分级评价； 步骤六、对时间序列下的综合评价值进行波动特征分析，并基于分析结果对分级评价结果进行调整优化； 构建多属性评价模型的方法为：将数据库预处理后进行特征提取，特征提取包括序列特征提取、理化特征提取以及结构特征提取，将提取的特征进行融合，构建β-乳球蛋白ACE抑制肽的特征集；将特征集按照时间序列验证方式进行分层划分，得到训练集、验证集以及测试集；使用训练集对构建的多属性输出的评价模型进行训练，得到多属性评价模型； 场景贡献度模型的构建方法为：根据不同需求场景下β-乳球蛋白ACE抑制肽对应各个属性的属性数据，组成每个需求场景对应的需求场景样本集；设定不同需求场景下各个属性的有效阈值数据，并将每个需求场景样本集中各个属性的属性数据分别与对应的有效阈值数据进行对比；从每个需求场景样本集中筛选出大于对应有效阈值数据的属性数据，组成每个需求场景对应的合格样本集；基于同一需求场景对应的合格样本集以及需求场景样本集，计算不同需求场景下各个属性的合格率，合格率计算方法为：合格样本集中各个属性的属性数据数量除以需求场景样本集中对应属性的属性数据数量；将同一需求场景下各个属性的合格率两两比较，得出关联强度比值；基于关联强度比值，构建每个需求场景对应的判断矩阵；计算每个判断矩阵中每行关联强度比值的乘积，并开n次方根，得到每个需求场景下各个属性的贡献值，其中n为判断矩阵的阶数；以同一需求场景对应所有属性的贡献值之和为分母，各个属性的贡献值为分子，计算不同需求场景下各个属性的贡献度，完成场景贡献度模型的构建； 得到目标β-乳球蛋白ACE抑制肽的综合评价值的方法为：将修正后目标β-乳球蛋白ACE抑制肽对应各个属性的评价值记为修正评价值，将各个属性的影响系数加1后与对应预设的基础权重相乘，得到各个属性修正后的权重系数，记为修正权重；基于修正权重，将所有属性的修正评价值进行加权求和，得到目标β-乳球蛋白ACE抑制肽的综合评价值；按照需求场景不同，获取目标β-乳球蛋白ACE抑制肽对应各个属性的历史数据值，对各个属性的历史数据值进行预处理后，得到各个属性的标准数据值；基于不同需求场景下各个属性的标准数据值，构建各个需求场景的标准数据值集；根据属性间的相互影响关系，划定多个属性组合；基于各个需求场景的标准数据值集，计算出每个需求场景下各个属性组合的偏相关系数；验证各个属性组合的偏相关系数的显著情况，若为显著关系，则对偏相关系数进行保留，否则，令偏相关系数为零；遍历所有需求场景下各个属性组合的偏相关系数，得到各个属性组合在不同需求场景下的偏相关系数；设定各个需求场景下的场景权重，采用加权求和的方法得出各个属性组合的总偏相关系数，对各个属性组合的总偏相关系数进行标准化处理，得到各个属性组合的得分值；基于各个属性组合的得分值，构建交叉影响得分矩阵；对交叉影响得分矩阵进行行求和，得到各个属性的影响度；对交叉影响得分矩阵进行列求和，得到各个属性的被影响度，将各个属性影响度与被影响度相加，得到各个属性的影响系数； 对目标β-乳球蛋白ACE抑制肽进行分级评价的方法为：评价等级包括不合格等级、合格等级、优质等级以及特优质等级四个等级；各个等级下设定有对应的综合评价值阈值区间；当综合评价值落入不合格等级对应的综合评价值阈值区间内，则评价结果为不合格；当综合评价值落入合格等级对应的综合评价值阈值区间内，则评价结果为合格；当综合评价值落入优质等级对应的综合评价值阈值区间内，则评价结果为优质；当综合评价值落入特优质等级对应的综合评价值阈值区间内，则评价结果为特优质。

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福建技术师范学院，其通讯地址为：350300 福建省福州市福清市融城镇校园新村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。