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！

龍圖騰網獲悉南京大學申請的專利一種基于機器學習的多層納米薄膜屬性的預測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：CN114935557B 。

龍圖騰網通過國家知識產權局官網在2025-08-29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：202210518359.2，技術領域涉及：G01N21/552；該發明授權一種基于機器學習的多層納米薄膜屬性的預測方法是由顏學俊;陳志恒;盧明輝;丁雷;陳延峰設計研發完成，并于2022-05-13向國家知識產權局提交的專利申請。

本一種基于機器學習的多層納米薄膜屬性的預測方法在說明書摘要公布了：本發明公開了一種基于機器學習的多層納米薄膜屬性的預測方法，所述方法采用機器學習的神經網絡預測模型，通過利用基于泵浦?探測技術的超快激光超聲實驗平臺及理論計算方法獲取的瞬時反射率的變化數據，然后對數據集預處理及特征提取，最后將獲得的特征數據集與薄膜材料屬性進行對應，通過網絡訓練算法實現對多層納米薄膜結構的材料屬性的自動化預測。本發明適用于多層納米薄膜的材料參數的檢測領域，可以快速獲取多層納米薄膜的內部結構及光學、聲學參數，檢測精度高。

本發明授權一種基于機器學習的多層納米薄膜屬性的預測方法在權利要求書中公布了：1.一種基于機器學習的多層納米薄膜屬性的預測方法，其特征在于，包括如下步驟： S1：選用多層納米薄膜材料試樣，利用超快飛秒激光檢測裝置獲取試樣表面的瞬時反射率的變化數據；通過理論計算方法獲取試件的瞬時反射率的模擬數據，達到對實驗數據的擴充；該過程包括： S11：采用不同光學及聲學性能的多層納米薄膜制備試樣，利用超快飛秒激光搭建泵浦探測系統探測試樣的反射率或透射率； S12：記錄試件的實驗參數作為樣本參數集，并對實驗參數進行微調，將調整后的樣本參數集輸入至理論計算程序中，通過理論計算方法，獲取瞬時反射率變化的理論數據集； 理論計算公式如下： 其中，kn是波矢；an、bn是電場常數；是材料的光彈系數；∈n是介電常數；u是位移；n為薄膜材料中層序號； S13：將理論計算數據對實驗數據進行擴充，增加數據集的多樣性； S14：選取新的試樣進行超快光聲探測，同樣經過S12、S13獲取其瞬時反射率或折射率數據； S2：構建機器學習模型的特征參數數據集，將經過計算得到的特征值與多層納米薄膜屬性對應；該過程包括： S21：計算各個試樣的瞬時反射率變化數據的均值，利用零均值化方法對數據集進行量化處理，獲得零均值化數據集； S22：計算零均值化數據集數據的時域包絡，獲得包絡數據集； S23：選擇各個試樣的包絡數據的時域特征TDii＝1,2,3,…,15、頻域特征FDjj＝1,2,3,…,6及時頻特征TFDkk＝1,2,3構建特征數據集； S24：將提取的特征數據集與多層納米薄膜屬性對應； S3：構建初始的預測網絡結構，對網絡模型進行訓練、測試及評估，根據網絡模型制作圖形用戶界面，實現對多層納米薄膜屬性的自動化預測；該過程包括： S31：搭建含m個隱藏層且每個隱藏層由n個神經元組成的全連接網絡，以構建初始的網絡結構；所述m取值范圍大于2，n的取值遵循以下規則： 其中，ns是訓練數據集樣本數；ni是輸入神經元個數；no是輸出神經元個數；α是任意值變量，取值范圍為2-10； S32：將處理好的包絡數據集隨機劃分為訓練數據集、驗證數據集、測試數據集，并將其隨機輸入網絡； S33：利用訓練數據集對初始的網絡結構進行網絡參數訓練，選用Levenberg-Marquardt函數作為訓練方法，通過驗證數據集來比較判斷各參數下網絡模型的性能，獲取所需的網絡結構； S34：對獲得的網絡模型進行保存，并制作圖形用戶界面，實現對多層納米薄膜屬性的自動化預測。

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南京大學，其通訊地址為：210093 江蘇省南京市鼓樓區漢口路22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”。