買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉濟南峰志試驗儀器有限公司申請的專利基于機器學習技術的實驗室檢測數據的處理方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120337110B 。

龍圖騰網通過國家知識產權局官網在2025-08-15發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510838746.8，技術領域涉及：G06F18/2433；該發明授權基于機器學習技術的實驗室檢測數據的處理方法及系統是由高廣國設計研發完成，并于2025-06-23向國家知識產權局提交的專利申請。

本基于機器學習技術的實驗室檢測數據的處理方法及系統在說明書摘要公布了：本發明公開了基于機器學習技術的實驗室檢測數據的處理方法及系統，涉及數據處理技術領域；本發明通過離散小波變換分解信號，基于最高頻系數中值計算噪聲標準差，通過動態閾值和軟閾值函數重構高信噪比數據，提升信號質量；利用滑動窗口提取時序信號統計量與FFT頻域特征，結合SIFT算法提取空間特征，經互信息篩選保留高相關特征，降低冗余度；構建圖卷積網絡異常檢測模型和XGBoost?LightGBM加權回歸模型，通過異常概率閾值剔除污染數據，得到正常回歸預測值；采用LSTM網絡根據環境參數預測補償量，根據正常回歸預測值結合預測補償量，得到校準實驗室數據；本發明解決了多源數據噪聲敏感、特征割裂、模型孤立及環境漂移難題，顯著提升實驗室分析精度與魯棒性。

本發明授權基于機器學習技術的實驗室檢測數據的處理方法及系統在權利要求書中公布了：1.基于機器學習技術的實驗室檢測數據的處理方法，其特征在于，包括以下步驟： S1、收集實驗室多源信號數據和環境參數數據；對實驗室多源信號數據進行動態降噪處理，得到預處理實驗室多源數據； S2、提取預處理實驗室多源數據中的頻域特征和空間特征，并進行融合，得到實驗室多源特征； 對實驗室多源特征進行互信息特征選擇處理，得到有效實驗室特征； S3、構建異常檢測分類模型和定量回歸模型；分別對異常檢測分類模型和定量回歸模型進行訓練，得到最終異常檢測分類模型和最終定量回歸模型； 所述S3包括以下步驟： S31、基于圖卷積網絡和注意力機制，構建異常檢測分類模型；設定異常檢測分類模型的權重參數； 基于XGBoost和LightGBM，構建定量回歸模型；定量回歸模型采用XGBoost與LightGBM雙模型加權融合策略； S32、收集歷史實驗室特征數據； S33、將歷史實驗室特征數據輸入至異常檢測分類模型進行訓練； 訓練過程中結合隨機搜索和交叉驗證算法尋找異常檢測分類模型的最優權重參數，得到最優解；將最優解作為異常檢測分類模型的權重參數，得到最終異常檢測分類模型； S34、將歷史實驗室特征數據輸入至定量回歸模型進行訓練，并結合網格搜索優化定量回歸模型的參數，得到最終定量回歸模型； 所述S33中訓練過程中結合隨機搜索和交叉驗證算法尋找異常檢測分類模型的最優權重參數，得到最優解包括以下步驟： S331、設定異常檢測分類模型的權重參數搜尋空間為p，最大隨機搜索次數為m，設定交叉驗證折數為W； S332、根據權重參數搜尋空間p，隨機設定異常檢測分類模型的權重參數，得到初始權重參數集； 初始化異常檢測分類模型的最優權重參數為u、最佳性能為v，從初始權重參數集中隨機選擇異常檢測分類模型的權重參數為e； 將歷史實驗室特征數據中的訓練數據分為W折，對于每一折w，使用除第w折外的所有歷史實驗室特征數據中的訓練數據，訓練異常檢測分類模型，使用第w折的歷史實驗室特征數據中的訓練數據評估異常檢測分類模型，得到性能指標集； 計算所有折的性能指標的均值，得到平均性能r， 如果平均性能r＞最佳性能v，則更新最佳性能為r，更新最優權重參數為e；反之則保持原來的最佳性能、最優權重參數； S334、重復S333，當達到最大隨機搜索次數m，停止迭代，得到最優解； S4、采用最終異常檢測分類模型、最終定量回歸模型對有效實驗室特征進行雙模型協同分析，得到異常檢測結果和回歸預測值； 根據異常檢測結果對回歸預測值中的異常數據進行剔除，得到正常回歸預測值； S5、根據環境參數數據，結合LSTM網絡得到預測補償量；根據正常回歸預測值結合預測補償量，得到校準實驗室數據。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人濟南峰志試驗儀器有限公司，其通訊地址為：250000 山東省濟南市槐蔭區美里東路3000號德邁國際信息產業中心106幢111號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。