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！

龙图腾网获悉绍兴腾耀环保科技有限公司;浙江工业大学申请的专利一种大气有机物种类识别方法及系统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：CN119310216B 。

龙图腾网通过国家知识产权局官网在2025-03-21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：202411854570.7，技术领域涉及：G01N30/02；该发明授权一种大气有机物种类识别方法及系统是由庞小兵;庞奕成;庞奕贤设计研发完成，并于2024-12-17向国家知识产权局提交的专利申请。

本一种大气有机物种类识别方法及系统在说明书摘要公布了：本发明提供一种大气有机物种类识别方法及系统，涉及有机物识别技术领域，方法包括：采集大气样本；对其进行色谱分离，得到多种未知有机化合物以及各个未知有机化合物的保留时长；然后对其进行离子化，得到各个未知有机化合物的表征离子；结合薛定谔方程和小波变换，生成关于表征离子的数字信号；通过非负矩阵分解算法对数字信号进行前置拆分；基于标准数据库和拆分后的数字信号，匹配各个未知有机化合物的有机化合物种类；结合深度学习模型对匹配失败的待推断未知有机化合物进行分子结构推断；将得到的有机化合物种类作为大气样本的有机物种类识别结果输出。有效提升有机物种类识别准确性，避免共洗脱问题，提升识别适用范围。

本发明授权一种大气有机物种类识别方法及系统在权利要求书中公布了：1.一种大气有机物种类识别方法，其特征在于，包括：S1：采集大气样本；S2：对所述大气样本进行色谱分离，得到多种未知有机化合物以及各个未知有机化合物的保留时长；S3：分别对各个未知有机化合物进行离子化，得到各个未知有机化合物的表征离子，其中，所述表征离子包括分子离子和碎片离子；S4：结合薛定谔方程和小波变换，生成关于所述表征离子的数字信号即数字化形式的质谱图，其中，所述质谱图的横轴代表与所述表征离子相对应的未知化合物的离子质荷比，所述质谱图的纵轴代表与所述表征离子相对应的未知化合物的离子丰度；S5：结合所述保留时长，通过非负矩阵分解算法对所述数字信号进行前置拆分，得到代表不同有机化合物的数字信号；S6：基于标准数据库和拆分后的数字信号，匹配各个未知有机化合物的有机化合物种类；S7：结合深度学习模型对匹配失败的待推断未知有机化合物进行分子结构推断，得到待推断未知有机化合物的有机化合物种类；S8：将得到的有机化合物种类作为所述大气样本的有机物种类识别结果输出；其中，所述S4具体包括：S401：通过质谱仪获取所述表征离子的离子质荷比和离子丰度；S402：对所述离子质荷比和离子丰度进行数字化处理，生成所述表征离子的数字信号；S403：结合薛定谔方程和小波变换对所述数字信号进行去噪；其中，所述S403具体包括：S4031：分别对所述数字信号进行小波变换，得到所述数字信号在不同尺度下的小波系数： 其中，t表示时间索引，表示时间索引为t的数字信号，表示关于t的尺度j上的第k个小波基函数，表示关于k的尺度j上的小波系数；S4032：将所述小波系数作为所述薛定谔方程的波函数，建立描述所述小波系数含噪状态的薛定谔方程： 其中，表示对应于的关于时间索引t和对应于的数字信号值s的波函数，表示初始时刻波函数，h表示普朗克常数，i表示虚数单位，表示求偏导数，表示用于描述噪声分布和强度的势能项，表示描述波函数平滑扩散特性的动能项，表示控制噪声抑制强度的可调参数，表示用于区分噪声和数字信号的小波系数阈值；S4033：通过迭代更新所述波函数求解所述薛定谔方程，直至相邻时间索引的波函数变化值小于预设波函数变化值： 其中，表示控制去噪过程强度的时间步长；S4034：将去噪后得到的小波系数进行逆小波变换，重构得到去噪后的数字信号： 其中，和分别表示去噪后的数字信号和小波系数，表示相邻时间索引的波函数变化值小于预设波函数变化值所对应的时间索引；其中，所述S5具体包括：S501：生成关于所述数字信号的数据矩阵，其中，所述数据矩阵的行代表质荷比采样点，所述数据矩阵的列代表保留时长采样点；S502：将所述数据矩阵分解为代表有机化合物质荷比的基矩阵和代表有机化合物在不同保留时长下丰度的权重矩阵： 其中，和分别表示由数据矩阵P分解得到的基矩阵和权重矩阵；S503：构建关于所述基矩阵和所述权重矩阵的优化目标函数： 其中，表示关于的优化目标函数值，表示Frobenius范数的平方，表示L1范数，和分别表示平衡稀疏性和保留时长约束的第一正则化参数和第二正则化参数，表示关于A2的保留时长约束函数，表示化合物r在保留时长上的丰度分布，表示限制化合物r的丰度分布的权重函数，表示化合物r在保留时长轴上的目标分布即单峰宽度分布，表示控制化合物r单峰宽度的可调参数，和分别表示平衡局部性和单峰性的第三正则化参数和第四正则化参数；S504：以最小化所述目标函数为目标，通过交替最小二乘法分别更新所述基矩阵和所述权重矩阵，直至达到终止条件： 其中，表示逐元素乘法，表示更新符号，角标T表示转置，表示的梯度，表示避免分母为0的常数，表示关于的重建误差阈值；S505：基于更新后的基矩阵和更新后的权重矩阵，提取多个单峰；S506：将每个单峰进行重建，得到代表相应有机化合物的数字信号；其中，所述S7具体包括：S701：确定分子式生成约束： 其中，表示候选分子式集合，表示候选化学式f的质量，ppm表示质量误差阈值，表示用与限制候选分子式合理性的分子式f的环双键当量，M表示待推断未知有机化合物的前体离子质量即待推断未知有机化合物与加和物之和；S702：根据所述待推断未知有机化合物的数字信号，基于质量分解算法遍历各化学元素，在所述分子式生成约束下生成各个待推断未知有机化合物的候选分子式；S703：从所述待推断未知有机化合物相对应的数字信号提取多个单峰，并基于质量分解算法遍历各化学元素，在所述分子式生成约束下生成各个单峰的候选子分子式；S704：计算每个候选子分子式的峰值匹配误差： 其中，表示第i个单峰的峰值匹配误差，分别表示第i个单峰的测量质量、第i个候选子分子式的质量和第i个候选子分子式附带的加和物的质量，表示取绝对值；S705：结合所述待推断未知有机化合物中各个候选子分子式的特征信息进行联合编码，生成所述待推断未知有机化合物的特征向量： 其中，表示第i个候选子分子式的特征向量，Enc表示编码操作，和c分别表示第i个候选子分子式对应的单峰峰强度和测量仪器的独热编码，表示所述待推断未知有机化合物的单峰总数量；S706：将所述特征向量输入至预训练深度学习模型，输出与所述待推断未知有机化合物相对应的候选分子式的分子式得分： 其中，表示候选分子式f的分子式得分，表示用于建模各个候选子分子式与候选分子式关系的预训练多头注意力模型，MLP表示多层感知机；S707：将所述分子式得分转换为分子式概率： 其中，j表示候选分子式数量标记，e表示自然常数，表示基于得到的关于候选分子式f的分子式概率；S708：将最大分子式概率对应的候选分子式作为所述待推断未知有机化合物的目标分子式，并将所述目标分子式作为所述待推断未知有机化合物的有机物种类输出。

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绍兴腾耀环保科技有限公司;浙江工业大学，其通讯地址为：312000 浙江省绍兴市越城区马山街道洋泾湖科创园2号楼2楼207；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”。