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！

龙图腾网获悉河北工业大学申请的专利一种基于深度学习的钛合金显微组织预测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：CN119445574B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202411572211.2，技术领域涉及：G06V20/69；该发明授权一种基于深度学习的钛合金显微组织预测方法是由刘晶;赵邵泽;季海鹏;王旭设计研发完成，并于2024-11-06向国家知识产权局提交的专利申请。

本一种基于深度学习的钛合金显微组织预测方法在说明书摘要公布了：本发明公开了一种基于深度学习的钛合金显微组织预测方法，包括下述步骤：S1.构建包含基于深度学习的显微组织试样数据扩充模块和基于迁移学习的跨工况显微组织预测模块；S2.对显微组织试样数据进行采集及数据预处理；S3.在基于深度学习的显微组织试样数据扩充模块中，构造数据扩充模型，根据已有工况下的试样数据扩充新工况下的试样数据；S4.在基于迁移学习的跨工况显微组织预测模块中，将已有工况下的试样数据和新工况下的扩充试样数据划分为源域数据集和目标域数据集，对源域数据集进行预训练，然后在目标域数据上进行参数微调得到迁移学习模型；S5.使用迁移学习模型对新工况下的显微组织试样数据进行预测。

本发明授权一种基于深度学习的钛合金显微组织预测方法在权利要求书中公布了：1.一种基于深度学习的钛合金显微组织预测方法，其特征在于，包括下述步骤： S1：构建包括基于深度学习的显微组织试样数据扩充模块和基于迁移学习的跨工况显微组织预测模块的方法框架； S2：对钛合金显微组织试样的真实数据进行预处理，包括采集、归一化的步骤，得到预处理后的数据，并划分为训练集和测试集； S3：在基于深度学习的显微组织试样数据扩充模块中构造数据扩充模型，对已有工况下的试样数据进行特征分析，利用生成对抗网络方法进行数据扩充，并根据特征分析结果，对扩充数据进行数据指导，最终得到新工况下的试样数据； S4：在基于迁移学习的跨工况显微组织预测模块中，将已有工况下的试样数据和新工况下的扩充试样数据划分为源域数据集和目标域数据集，利用迁移学习技术，采用深度学习算法对源域数据集进行预训练，然后在目标域数据上进行参数微调得到迁移学习模型； S5：对于新工况下的显微组织试样数据，利用迁移学习模型进行预测； 所述步骤S3中，基于深度学习的显微组织试样数据扩充模块中构造数据扩充模型，完成新工况下的试样数据扩充，包括以下步骤： 1-1构建孤立森林异常检测算法iForest，识别显微试样数据中的异常样本，原始样本X＝[x1,x2,…,xn]，算法构建一组决策树，每棵树通过随机选择一个特征以及特征的一个随机值来划分样本数据，每个样本点的路径长度hxi是其在树中从根节点到叶节点所经过的分裂次数，异常点由于容易被隔离，其路径长度hxi通常较短，孤立森林算法的异常得分sxi计算公式为： 其中，hxi是样本xi在树中的平均路径长度，而Ehxi是在同样规模的数据集中，样本的期望路径长度，对于样本数量n，其期望路径长度Ehxi的公式为： Hi＝lni+γ 其中，Hi是调和数，γ为欧拉常数，当sxi≈1时，样本x1被判定为异常点；当sxi≈1时，样本x1被判定为异常点； 1-2对显微组织试样数据进行异常检测处理之后，对其进行趋势分析； 通过计算数据的上下限来确定数据的变化范围，设定应变∈的最小值和最大值分别为∈min和∈max，然后对数据进行线性趋势和非线性趋势的约束分析； 对于应变与含量C的线性趋势，可以表示为： 其中，Ctrend∈表示随着应变量∈变化的含量C的线性趋势，Cstart和Cend分别为起点和终点的含量值； 接着，对应变与球化率S的非线性趋势分析，使用抛物线模型描述两者之间的关系： 其中，Strend∈表示随着应变量∈变化的球化率S的非线性趋势，常数p决定了抛物线的曲率，Smin为球化率的下限； 1-3数据扩充由生成对抗网络算法GAN实现，GAN由生成器和判别器组成，生成器通过随机噪声z和条件输入v生成样本数据Gz|v，判别器则对真实样本x和生成样本数据Gz|v进行分类； 1-4生成器主要分为核心计算和输出层两个部分； 生成器的核心计算部分通过如下公式实现： 其中，代表生成器的输出，即生成的样本或数据，θg为生成器的参数，z为随机噪声，v为条件输入，生成器通过全连接层和非线性激活函数生成目标数据； 生成器的输出层加入了裁剪层和分布正则化层，其中，裁剪层对生成的数据进行约束，确保其在预定范围内： 其中，表示生成器输出的数据经过裁剪操作后的值，Bi和Ti分别为数据的下限和上限，max函数返回一组数值中的最大值，min函数返回一组数值中的最小值； 此外，分布正则化层引入惩罚项，以避免生成数据过度集中在上下限附近： 其中，Lpenalty代表分布正则化层的惩罚项，用于在生成过程中引入一种约束，以避免生成的数据过度集中在上下限附近，λi为惩罚权重，控制生成数据的分布； 1-5判别器对真实数据x和生成数据Gz|v进行分类，其损失函数为： 其中LD代表判别器的损失函数，x～Pdata表示x为来自真实数据分布pdata的真实样本，z～pz表示z为来自生成数据分布pz的生成样本，Dx为判别器对真实样本x的概率预测； 1-6通过训练GAN模型，生成器和判别器进行对抗训练，逐步优化生成样本的质量，生成器能够输出符合条件输入的初始生成样本X′＝[x′1,x′2,...,x′m]； 1-7对初始生成样本进行双重趋势约束，分别是应变∈与含量C的线性趋势约束和应变∈与球化率S的非线性趋势约束，最后得到经过双重趋势约束后的新工况下的扩充样本X″＝[x″1,x″2,...,x″m]。

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河北工业大学，其通讯地址为：300401 天津市北辰区双口镇西平道5340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”。