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！

龍圖騰網獲悉廈門大學;北京大學申請的專利基于物理信息深度神經網絡的多水質指標協同模擬方法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：CN120338615B 。

龍圖騰網通過國家知識產權局官網在2025-08-19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：202510818717.5，技術領域涉及：G06Q10/0639；該發明授權基于物理信息深度神經網絡的多水質指標協同模擬方法是由梁中耀;劉永;蔣青松;舒雅琦;李東鋒設計研發完成，并于2025-06-18向國家知識產權局提交的專利申請。

本基于物理信息深度神經網絡的多水質指標協同模擬方法在說明書摘要公布了：本發明公開了基于物理信息深度神經網絡的多水質指標協同模擬方法，包括以下步驟：S1、確定需進行協同模擬的水質指標，構建用于多水質指標系統模擬的多源數據庫；S2、選擇適用于多輸出水質指標的深度學習模型，完成用于多指標水質協同模擬的物理信息深度神經網絡的構建；S3、采用k折交叉驗證方法進行水質協同模擬模型的訓練，并完成水質協同模擬模型的參數學習；S4、選取評估指標對水質協同模擬模型進行評估，通過調整網絡結構和優化超參數提升模擬效果，直到水質協同模擬模型達到模擬準確性要求；S5、基于優化后的水質協同模擬模型，采用深度學習模型解釋方法，分析多水質指標協同變化的關鍵驅動因子，并完成多指標水質協同模擬。

本發明授權基于物理信息深度神經網絡的多水質指標協同模擬方法在權利要求書中公布了：1.基于物理信息深度神經網絡的多水質指標協同模擬方法，其特征在于，包括以下步驟： S1、確定需進行協同模擬的水質指標，整合水質歷史數據、氣象數據和水文數據，構建用于多水質指標系統模擬的多源數據庫； S2、選擇適用于多輸出水質指標的深度學習模型，結合水質模擬指標的遷移轉化規律，構造用于指導參數學習的物理信息損失函數，完成用于多指標水質協同模擬的物理信息深度神經網絡的構建； 步驟S2的具體過程為： S21、多輸出模型架構：選擇能夠支持多輸入特征與多輸出目標水質指標的Crossformer模型或PatchTST模型作為基礎模型； S22、構建損失函數并引入物理約束：結合水質模擬指標的遷移轉化規律，在損失函數之上，引入基于物理規律的損失約束項；其中，損失函數為均方誤差或平均絕對誤差，計算公式為：，，其中，為物理信息損失函數；為多指標輸出的損失函數；為指標協同性約束；i為指標的順序標識；n為指標個數；為第i個指標的完全數據驅動的深度學習模型的損失函數；為第i個指標的漸變性約束；為第i個指標的一致性約束；、、均為物理損失項的權重； S23、根據選擇的基礎模型的架構，搭建模型框架，將構造好的物理信息損失函數與模型框架相結合，形成完整的用于多指標水質協同模擬的物理信息深度神經網絡，并將物理信息深度神經網絡作為水質協同模擬模型； S3、采用k折交叉驗證方法進行水質協同模擬模型的訓練，并完成水質協同模擬模型的參數學習； S4、選取評估指標對水質協同模擬模型的模擬效果進行評估，若模擬準確性未達要求，通過調整網絡結構和優化超參數提升模擬效果，直到水質協同模擬模型達到模擬準確性要求； S5、基于優化后的水質協同模擬模型，采用深度學習模型解釋方法，分析多水質指標協同變化的關鍵驅動因子，并完成多指標水質協同模擬； 步驟S5的具體過程為： S51、完成水質協同模擬模型優化后，在優化后的Crossformer模型或PatchTST模型中引入DeepSHAP方法，計算各輸入特征對多水質指標協同變化模擬結果的SHAP值； S52、根據DeepSHAP方法計算出的SHAP值的大小和分布，識別出關鍵驅動因子并進行分析，再繪制變量重要性排序圖和特征影響趨勢圖進行結果可視化，完成多指標水質協同模擬。

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廈門大學;北京大學，其通訊地址為：361000 福建省廈門市思明南路422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”。