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！

龙图腾网恭喜浙江科技大学申请的专利一种基于渐进式迁移学习的多采样率软测量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：CN119783765B 。

龙图腾网通过国家知识产权局官网在2025-05-20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：202510281099.5，技术领域涉及：G06N3/096；该发明授权一种基于渐进式迁移学习的多采样率软测量方法是由吕玉婷;叶茂钞;周乐;闻佳敏设计研发完成，并于2025-03-11向国家知识产权局提交的专利申请。

本一种基于渐进式迁移学习的多采样率软测量方法在说明书摘要公布了：本发明涉及一种基于渐进式迁移学习的多采样率软测量方法，在训练阶段，首先依据采样频率从高至低对训练数据进行分块处理，并训练变分渐进迁移网络模型；将该模型作为生成对抗填补网络的生成器，利用原始训练数据训练生成对抗填补网络，实现未采样数据的自动填补；基于填补后的数据，重新依据原始的采样频率从高至低对原始数据进行分块处理，并训练新的变分渐进迁移网络模型作为软测量模型；在测试阶段，利用软测量模型进行质量变量的预测，并对预测结果进行定量的评价。本发明在软测量建模阶段充分利用生成模型填补未采样数据，使得软测量模型提取更多有价值的数据信息，能有效提升软测量模型的预测性能。

本发明授权一种基于渐进式迁移学习的多采样率软测量方法在权利要求书中公布了：1.一种基于渐进式迁移学习的多采样率软测量方法，其特征在于包括如下步骤：（1）通过现场部署的工业传感器实时监测并记录生产环节中过程变量的测量值，并借助实验室的化验分析手段测定出质量变量数值，将这两部分数据整合为原始数据集，并进行标准化处理；（2）依据采样频率从高至低对原始数据进行分块处理；具体过程为：首先，构建过程变量分组X1，X2，…，XK和质量变量分组yK+1；若训练集中有K+1种不同的采样率，其中过程变量包含K种采样率，质量变量包含1种采样率；具有最高采样频率1T1的J1个变量表示为过程变量分组X1，具有第K个采样频率1TK的JK个变量表示为过程变量分组XK，其中，；质量变量分组表示为yK+1；其次，基于上述变量分组构建渐进式迁移学习的数据块；第一个数据块，仅由过程变量分组X1构成，其中上标1表示第一数据块，下标1表示第一变量分组X1；第K个数据块为，第K个数据块包括过程变量分组X1到XK上均测量到的训练样本；第K+1个数据块涵盖了所有过程变量和质量变量，表示为；（3）确定模型相关的超参数，随机初始化所有模型参数，利用分块的训练数据建立变分渐进迁移网络模型，即VPTN模型；具体过程为：在模型训练前，设置半监督式变分自编码器SSVAE的超参数，包括模型层数、隐层节点数、批次大小、学习率和迭代次数，同时，随机初始化SSVAE模型中所有权重和偏置，并选择相应的激活函数；在模型训练阶段，首先利用以无监督的方式训练变分自编码器VAE模型VAE1，其损失函数为： ；其中，是D1的重构误差，是D1对应的隐变量真实分布和先验分布之间的KL散度，系数βKL用于调节损失函数中不同损失所占比重；其次，将VAE1的模型参数传递给VAE2，并利用D2训练VAE2，以此类推，直到得到VAEK；基于VAEK的模型参数，进一步利用同时包含过程变量和质量变量的数据块DK+1进行监督式训练，得到VPTN模型，其损失函数为： ；其中，是DK+1中过程变量的重构误差，是DK+1中过程变量对应的隐变量真实分布和先验分布之间的KL散度，是DK+1中质量变量的预测误差，系数βKL和βRG用于调节损失函数中不同损失所占比重；（4）将步骤（3）中建立的VPTN模型作为生成对抗数据填补网络模型，即GAIN模型的生成器，并利用原始数据训练GAIN模型，实现未采样数据的自动填补；（5）基于步骤（4）填补后的数据，重新依据原始的采样频率从高至低对原始数据进行分块处理；（6）利用重新分块的训练数据更新VPTN模型；（7）在线获取测试数据，对其进行标准化处理后，筛选过程变量全采样的样本构建测试数据集，并利用步骤（6）得到的VPTN模型对质量变量进行预测，最后借助评价指标对预测结果进行定量评估。

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浙江科技大学，其通讯地址为：310023 浙江省杭州市西湖区留和路318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”。