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！

龙图腾网获悉江南大学申请的专利一种基于卷积ONLSTM与自注意力的发酵过程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：CN116364201B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202310262746.9，技术领域涉及：G16C20/10；该发明授权一种基于卷积ONLSTM与自注意力的发酵过程软测量方法是由熊伟丽;李祥宇;王肖;马君霞设计研发完成，并于2023-03-17向国家知识产权局提交的专利申请。

本一种基于卷积ONLSTM与自注意力的发酵过程软测量方法在说明书摘要公布了：本发明公开了一种基于卷积ONLSTM与自注意力的发酵过程软测量方法，属于软测量技术领域。该方法考虑发酵过程变量中的冗余信息，提出带自注意力机制的卷积有序神经元长短时记忆网络ONLSTM多层时序预测模型，首先利用CNN对发酵过程中的输入变量进行局部特征提取并降维；然后将所提取特征输入多层ONLSTM网络进行时序特征提取，并通过层级判断各输入变量的重要程度，过滤特征变量中的冗余信息；最后结合自注意力机制动态调整特征权重，利用各输入变量间内部依赖关系，对高相关性变量赋予高权重，同时优化全连接层激活函数，实现对于发酵过程主导变量的高精度预测，并以青霉素发酵过程为例，验证了该方法对青霉素浓度的高精度预测。

本发明授权一种基于卷积ONLSTM与自注意力的发酵过程软测量方法在权利要求书中公布了：1.一种基于卷积ONLSTM与自注意力的发酵过程软测量方法，其特征在于，所述方法首先利用CNN对发酵过程中的输入变量进行局部特征提取并降维；然后将所提取特征输入多层ONLSTM网络进行时序特征提取，并通过层级判断各输入变量的重要程度，过滤特征变量中的冗余信息；最后结合自注意力机制动态调整特征权重，利用各输入变量间内部依赖关系，对高相关性变量赋予高权重，同时优化全连接层激活函数，实现对于发酵过程中的主导变量的预测；所述输入变量为发酵过程中的辅助变量，所述主导变量为发酵过程中关键质量参数； 所述方法包括： 步骤1，获取发酵过程中的辅助变量，作为软测量预测模型的输入变量，所述软测量预测模型为带自注意力机制的卷积有序神经元长短时记忆网络多层时序预测模型，包括CNN层、ONLSTM层、自注意力层和全连接层； 步骤2，利用CNN层对输入变量进行局部特征提取并降维； 步骤3，将所提取的局部特征输入多层ONLSTM网络进行时序特征提取，所述ONLSTM网络在LSTM网络的基础上在每个神经元内增加主遗忘门通路、主输入门通路以及信息重叠部分通路，其中，主遗忘门表示历史信息层级，主输入门表示输入信息层级，按照信息层级的高低对输入信息进行分区更新，以通过层级判断输入变量的重要程度，过滤特征变量冗余信息；所述LSTM网络中每个神经元包含三个门结构和一个记忆细胞，三个门分别为遗忘门、输入门和输出门；在对记忆细胞状态进行更新时，引入累计和函数更新其激活函数； 步骤4，所述ONLSTM网络为多层ONLSTM相叠加得到，通过堆叠多层ONLSTM，将前一层ONLSTM层的输出传递到后一层ONLSTM层，使其作为该ONLSTM的输入从而建立堆栈式ONLSTM层，利用堆叠多层ONLSTM层能够进一步提取输入变量的深层特征；结合自注意力机制动态调整特征权重，调节ONLSTM神经元内隐藏层的输出； 步骤5，改进全连接层的激活函数，所述全连接层的激活函数为在Elu函数乘上系数后得到的Selu函数，，得到改进后的带自注意力机制的卷积有序神经元长短时记忆网络多层时序预测模型； 步骤6，利用改进后的带自注意力机制的卷积有序神经元长短时记忆网络多层时序预测模型完成对于发酵过程中主导变量的预测。

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江南大学，其通讯地址为：214122 江苏省无锡市滨湖区蠡湖大道1800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”。

以上内容由龙图腾AI智能生成。