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！

龍圖騰網獲悉安徽農業大學申請的專利面向多模態圖譜數據的網絡架構搜索同步遷移學習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：CN120317331B 。

龍圖騰網通過國家知識產權局官網在2025-08-22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：202510819528.X，技術領域涉及：G06N3/096；該發明授權面向多模態圖譜數據的網絡架構搜索同步遷移學習方法是由金秀;魏慶軍;張筱丹;吳雨婷;楊維志;張德盟;饒元設計研發完成，并于2025-06-19向國家知識產權局提交的專利申請。

本面向多模態圖譜數據的網絡架構搜索同步遷移學習方法在說明書摘要公布了：本申請公開了面向多模態圖譜數據的網絡架構搜索同步遷移學習方法，該方法中，對采集的近紅外光譜、拉曼光譜和顯微圖像進行預處理操作后分別進行特征提取，并將提取后的特征通過交叉注意力機制進行融合形成新的最優融合特征；在構建的SSL_NST模塊中，通過遷移學習技術將融合后的數據集分為源域和目標域，神經網絡架構搜索NAS采用包括網絡搜索、微調和反饋的三階段優化策略；在得到的目標域模型中引入損失加權優化策略，將分類損失值與樣本權重之間的比例進行調整，優化融合數據模型的訓練過程。本申請解決了相關技術圖譜融合效率低、方法差，且在標注樣本數據不足的情況下，無法構建有效模型的技術問題。

本發明授權面向多模態圖譜數據的網絡架構搜索同步遷移學習方法在權利要求書中公布了：1.面向多模態圖譜數據的網絡架構搜索同步遷移學習方法，其特征在于，包括以下步驟： 對采集的近紅外光譜、拉曼光譜和顯微圖像進行特征提取和融合； 在構建的SSL_NST模塊中，通過遷移學習將融合后的數據集分為源域和目標域，神經網絡架構搜索NAS采用包括網絡搜索、微調和反饋的三階段優化策略；其中： 在網絡搜索階段，將神經網絡架構搜索NAS的默認搜索空間替換為CNN與RNN結合架構空間，使用神經網絡架構搜索NAS在源域數據上搜索源域模型；在微調階段，基于源域模型利用半監督自訓練算法為目標域數據賦予偽標簽，并且使用主動學習中最大熵采樣，篩選出偽標簽數據，其中，由NAS架構生成的神經網絡模型被用作分類模型S，模型S在充分學習源域數據的數據分布Px,y的基礎上，通過自訓練算法中的置信度閾值機制進行目標域樣本篩選；先利用模型S對目標域未標記樣本集合Du中的每個樣本xj進行預測，得到預測結果及其對應的預測置信度confidencexj；然后設定一個置信度閾值τ，通過將每個樣本的預測置信度與該閾值進行比較，篩選出置信度高于閾值的樣本，篩選出的目標域樣本集合Dt由所有滿足confidencexj＞τ條件的樣本xj組成，篩選出目標域樣本集合；然后，對篩選出來的目標域樣本進行信息熵計算，計算信息熵的過程中，先計算目標域樣本x屬于各個類別c的條件概率pyc∣x，然后對每個類別的條件概率取自然對數，并乘以該條件概率后取負值，得到單個類別的不確定性貢獻；最后將所有類別對應的不確定性貢獻求和，得到樣本x的信息熵Hx；在每次迭代t中，結合主動學習中基于不確定的最大熵采樣思想對目標域數據集合Dt進行采樣，基于采樣函數S（Dt）得到所需的樣本子集Dv=S（Dt），并將這些樣本交由源域模型進行標注，賦予其偽標簽； 將源域模型的網絡結構進行凍結，使用篩選出的偽標簽數據對源域模型進行微調，通過逐層解凍網絡層、調整優化器和學習率的操作，最小化目標域損失；在反饋階段，將微調后的模型在目標域任務上的損失作為反饋信號，作用于網絡搜索的搜索策略，指導下一輪的搜索過程；在經過預設次數的迭代，搜索出的網絡結構作為用于目標域任務的目標域模型。

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安徽農業大學，其通訊地址為：230036 安徽省合肥市蜀山區長江西路130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”。