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！

龍圖騰網獲悉同濟大學申請的專利面向聲納反射信號判斷的神經網絡參數優化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：CN117252249B 。

龍圖騰網通過國家知識產權局官網在2025-08-26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：202310836037.7，技術領域涉及：G06N3/086；該發明授權面向聲納反射信號判斷的神經網絡參數優化方法是由康琦;鄧麒;王曉玲;張量設計研發完成，并于2023-07-07向國家知識產權局提交的專利申請。

本面向聲納反射信號判斷的神經網絡參數優化方法在說明書摘要公布了：本發明涉及面向聲納反射信號判斷的神經網絡參數優化方法，需獲取聲納反射信號，將信號輸入訓練好的信號判斷模型中，輸出判斷結果。該方法需對神經網絡信號判斷模型進行大規模參數優化，以非零權值的所占比率最低和模型預測誤差最小為目標函數，最終獲取神經網絡的最優權值參數以實現精準的信號判斷。具體優化過程為：1隨機設置初始種群；2計算出線性轉移矩陣；3將決策變量分為收斂性變量和多樣性變量兩類；4生成第一新種群；5將個體保留入收斂優化種群；6生成第二新種群；7篩選出下一代種群，將下一代種群作為新的當前種群，返回4。與現有技術相比，本發明具有收斂快、判斷準確度高等優點。

本發明授權面向聲納反射信號判斷的神經網絡參數優化方法在權利要求書中公布了：1.一種面向聲納反射信號判斷的神經網絡參數優化方法，其特征在于，包括以下步驟： 獲取聲納的反射信號，將反射信號輸入訓練好的信號判斷模型中，輸出判斷結果；其中，信號判斷模型基于神經網絡構建，并對神經網絡進行大規模參數優化，獲取神經網絡的最優權值參數以最小化神經網絡的分類誤差，具體目標函數為非零權值的所占比率最低和神經網絡在數據集上的預測誤差最小： 其中，是決策向量，表示神經網絡權值參數，表示非零權值參數的個數，表示決策向量的維度，表示神經網絡的預測誤差，目標函數表示非零權值的所占比率，目標函數表示神經網絡在數據集上的錯誤率； 具體優化過程為： （1）將神經網絡的權值參數作為種群，隨機設置初始種群，設初始種群的種群數量為N，目標數量為M，決策向量維度為D，將初始種群作為當前種群； （2）從當前種群中構造出決策變量矩陣X和目標值矩陣Y，并計算出線性轉移矩陣T； （3）采用決策變量分析方法將決策向量中的決策變量分為收斂性變量和多樣性變量兩類； （4）對收斂性變量，采用非線性逆映射模型，從目標空間映射到決策空間，生成第一新種群； （5）對第一新種群計算其對應的目標值矩陣，將對應的目標值矩陣與當前種群中構造的目標值矩陣Y比較，根據比較結果進行篩選，將滿足條件的個體保留入收斂優化種群； （6）對多樣性變量，采用非線性逆映射模型，從目標空間映射到決策空間，生成第二新種群； （7）對第二新種群計算其對應的目標值矩陣，將該目標值矩陣與收斂優化種群混合后進行非支配排序，并根據排序將其分層，根據分層的結果篩選出下一代種群，將下一代種群作為新的當前種群，返回（4），直至函數評估次數達到設定值； （4）中，生成第一新種群的過程為： 生成新的決策值矩陣，決策值矩陣為：，其中，為當前種群的目標值矩陣，表示向量積，T為對應的線性轉移矩陣，為0到1之間的隨機數矩陣，為激活函數，表示種群的目標值全部縮小一個隨機倍數，表示映射回目標空間，表示通過非線性激活函數得到新的決策值矩陣； 將當前種群賦值給新種群； 將新的決策值矩陣的收斂性變量賦值給新種群，賦值后的新種群為第一新種群； （6）中，生成第二新種群的過程為： 生成新的決策值矩陣，決策值矩陣為：，其中，為當前種群的目標值矩陣，表示向量積，T為對應的線性轉移矩陣，為0到1之間的隨機數矩陣，為激活函數，表示種群的目標值全部縮小一個隨機倍數，表示映射回目標空間，表示通過非線性激活函數得到新的決策值矩陣； 將當前種群賦值給新種群； 將新的決策值矩陣的多樣性變量賦值給新種群，賦值后的新種群為第二新種群。

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同濟大學，其通訊地址為：200092 上海市楊浦區四平路1239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”。