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！

龙图腾网恭喜山东省水利科学研究院申请的专利灌溉泵站运行效率综合评价模型训练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：CN119784262B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202510293095.9，技术领域涉及：G06Q10/0639；该发明授权灌溉泵站运行效率综合评价模型训练方法是由杨大伟;黄继文;巩向锋;王锐;刘莉莉;郝晓辉;王光辉;黎明扬;焦乐辉;赵立杰设计研发完成，并于2025-03-13向国家知识产权局提交的专利申请。

本灌溉泵站运行效率综合评价模型训练方法在说明书摘要公布了：本发明涉及模型训练方法技术领域，具体涉及一种灌溉泵站运行效率综合评价模型训练方法，本方法基于增量学习进行模型训练，将实时采集的灌溉泵站数据输入到效率评价模型中，使效率评价模型能够学习到实时采集的灌溉泵站数据中的特征，并在维持原有效率评价模型能力的基础上，从实时灌溉泵站数据中学习到新的知识和能力，增量学习可以从旧的效率评价模型推理任务中获取知识，使效率评价模型学习解决新的效率评价模型推理任务，同时保留之前的效率评价模型推理任务中学习到的知识，避免新的灌溉泵站数据来时重新训练效率评价模型参数。本发明通过增量学习方法可以从旧的灌溉泵站运行效率综合评价模型中获取知识，进而提升模型的运行效率。

本发明授权灌溉泵站运行效率综合评价模型训练方法在权利要求书中公布了：1.一种灌溉泵站运行效率综合评价模型训练方法，其特征是，基于增量学习进行模型训练，训练方法如下： 将原有的灌溉泵站数据集中数据导入现有的离线状态下的灌溉泵站运行效率综合评价模型中进行训练，得到一个基础的效率评价模型，输入新的灌溉泵站数据集中数据至基础的效率评价模型中，并判断新输入的灌溉泵站数据集中数据是否可用，若不可用，终止对模型的训练，输出基础的效率评价模型，若可用，将新的灌溉泵站数据集中数据与模型的预测结果进行融合，融合后的数据输入至基础的效率评价模型中进行训练，生成效率评价模型，再次输入新的灌溉泵站数据集中数据至新生成的效率评价模型中，并判断新的灌溉泵站数据集中数据是否可用，若不可用，终止对模型的训练，输出新生成的效率评价模型，若可用，将再次新输入的灌溉泵站数据集中数据与模型的预测结果进行融合，融合后的数据输入至新生成的效率评价模型中进行训练，再次生成新的效率评价模型，多次迭代循环，直至输出最终的效率评价模型，最终的效率评价模型输出对灌溉泵站运行效率的预测结果； 当灌溉泵站数据集中数据不足以用于多次训练时，采用基于特征分布对抗损失的生成对抗网络进行数据样本扩充，样本扩充后采用基于动态投影的自编码器算法进行数据降维； 构建灌溉泵站数据集：通过多种传感器对灌溉泵站运行过程中的相关数据进行监控，同时记录相关操作事件和环境数据，传感器包括流量计、压力传感器、电流传感器和温度传感器，监控过程传感器采集的数据包括实时采集的电气、机械和液压数据，操作事件包括泵站操作人员的手动干预、泵站的启动与停止和泵站的故障记录，环境数据包括气候、气象和土壤湿度；将采集的数据以标准化的存储格式统一存储在分布式数据库系统中； 基于特征分布对抗损失的生成对抗网络进行数据样本扩充过程如下： 通过生成器和判别器进行数据样本扩充，具体通过特征分布对抗损失和多项式核函数优化生成器，采用加权特征分布对抗损失和自适应加权系数训练判别器，通过反馈控制机制实现生成器与判别器的协同优化，进而生成更真实的灌溉泵站数据； （1）通过自适应计算的映射矩阵对收集的灌溉泵站数据集中的数据进行特征分布修正，计算过程如下： ， ， 其中，表示灌溉泵站数据特征的映射矩阵，表示映射矩阵的加权系数，表示输入灌溉泵站数据的标准差，表示输入灌溉泵站数据的均值，表示当前批次输入的灌溉泵站数据特征的数量，表示的索引，表示第个灌溉泵站数据特征，表示原始泵站数据特征，，表示修正后的灌溉泵站数据特征，表示映射函数，表示映射函数关于的雅可比矩阵，映射函数采用主成分分析法函数； （2）对生成器网络进行优化： 通过特征分布对抗损失和多项式核函数优化生成器来捕捉灌溉泵站的非线性数据特征，采用多项式核函数拟合泵站流量特征曲线，通过调整结束正确刻画实际工况下的非线性变化，进而生成贴合实际的灌溉泵站数据，生成器的基础对抗损失计算公式如下： ， 其中，表示生成器的基础对抗损失，表示服从于灌溉泵站数据特征分布的期望，表示判别器，表示输入生成器的随机噪声向量服从于噪声分布的期望； 同时采用特征分布对抗损失进行约束，并通过扰动生成器输入的随机性因子进行随机生成约束损失，然后计算总损失，计算公式如下： ， ， ， ， 其中，表示调节特征分布对抗损失强度的加权系数，表示调节随机生成约束损失强度的加权系数，表示生成器的特征分布对抗损失，表示随机生成约束损失，表示控制梯度乘法项权重的系数，表示梯度计算，表示用于度量生成数据样本与目标灌溉泵站数据之间非线性关系的多项式核函数，表示多项式核函数的阶数，表示范数，表示控制随机生成约束项的强度系数，表示采用随机性因子后生成器输出的变化量，随机性因子，表示控制噪声幅度的超参数，表示均值为零、方差为单位矩阵的正态分布噪声； （3）对判别器网络进行训练： 判别器采用加权特征分布对抗损失通过反馈机制动态调整自适应加权系数，计算增强区分能力判别器的总损失，进而计算判别器的总损失函数，计算公式如下： ， 其中，表示判别器的总损失函数，表示判别器损失的加权系数，表示判别器的特征分布对抗损失函数，表示判别器的第一自适应加权系数，表示判别器的第二自适应加权系数； 基于反馈控制方法对判别器的自适应加权系数进行动态更新，计算公式如下： ， ， 其中，表示参数更新操作，和分别表示更新后的判别器的第一自适应加权系数和第二自适应加权系数，表示自适应加权系数的学习率，表示求偏导； （4）对生成器和判别器进行协同优化： 通过反馈控制机制对生成器和判别器进行协同优化，计算公式如下： ， ， 其中，和分别表示优化后的生成器参数和判别器参数，和分别表示未优化前的生成器参数和判别器参数，表示生成器的学习率，表示判别器的学习率，表示生成器损失函数对的梯度，表示判别器损失函数对的梯度； （5）对生成的数据样本进行优化： 利用非线性拟合的方式对生成的数据样本进行优化，捕捉并改进非线性特征分布，通过局部加权的方式对生成灌溉泵站数据进行校正，使其更贴合真实灌溉泵站数据特征分布，通过余弦相似度和差异惩罚项对生成的数据样本与真实样本在高维空间的分布进行优化校正，计算公式如下： ， 其中，表示优化后的灌溉泵站数据样本，表示余弦相似度计算函数，表示对生成灌溉泵站数据与原始灌溉泵站数据差异进行惩罚的调节系数，表示生成器生成的灌溉泵站数据特征，表示原始泵站数据特征； （6）重复迭代上述（1）-（5）的步骤并设置停止迭代条件，直至满足预设的迭代条件时停止，完成数据样本扩充。

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山东省水利科学研究院，其通讯地址为：250014 山东省济南市历下区历山路125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”。