一种基于深度学习的桌面式称重分选误差校正方法

本发明公开了一种基于深度学习的桌面式称重分选误差校正方法，包括：采集多源实时数据，执行标准化、去噪与滑动窗口处理形成标准化时序数据帧；将关键数据构建动态特征序列输入改进的Mamba‑2模型，依次完成嵌入映射、门控状态更新与多头自注意力建模，生成误差动态变化路径图与误差特征图并计算校正误差；基于实时反馈数据采用广义PBT方法周期性微调去漂移因子、稳态增益、学习率与滑动窗口长度等超参数，生成优化后的改进Mamba‑2模型并部署于称重分选设备，实时输出校正称重值、分选结果和误差校正报告，实现设备运行中的自我优化与自适应调整，有效提高长期运行的称重分选精度与稳定性。