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！

龙图腾网获悉同济大学申请的专利面向声纳反射信号判断的神经网络参数优化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：CN117252249B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202310836037.7，技术领域涉及：G06N3/086；该发明授权面向声纳反射信号判断的神经网络参数优化方法是由康琦;邓麒;王晓玲;张量设计研发完成，并于2023-07-07向国家知识产权局提交的专利申请。

本面向声纳反射信号判断的神经网络参数优化方法在说明书摘要公布了：本发明涉及面向声纳反射信号判断的神经网络参数优化方法，需获取声纳反射信号，将信号输入训练好的信号判断模型中，输出判断结果。该方法需对神经网络信号判断模型进行大规模参数优化，以非零权值的所占比率最低和模型预测误差最小为目标函数，最终获取神经网络的最优权值参数以实现精准的信号判断。具体优化过程为：1随机设置初始种群；2计算出线性转移矩阵；3将决策变量分为收敛性变量和多样性变量两类；4生成第一新种群；5将个体保留入收敛优化种群；6生成第二新种群；7筛选出下一代种群，将下一代种群作为新的当前种群，返回4。与现有技术相比，本发明具有收敛快、判断准确度高等优点。

本发明授权面向声纳反射信号判断的神经网络参数优化方法在权利要求书中公布了：1.一种面向声纳反射信号判断的神经网络参数优化方法，其特征在于，包括以下步骤： 获取声纳的反射信号，将反射信号输入训练好的信号判断模型中，输出判断结果；其中，信号判断模型基于神经网络构建，并对神经网络进行大规模参数优化，获取神经网络的最优权值参数以最小化神经网络的分类误差，具体目标函数为非零权值的所占比率最低和神经网络在数据集上的预测误差最小： 其中，是决策向量，表示神经网络权值参数，表示非零权值参数的个数，表示决策向量的维度，表示神经网络的预测误差，目标函数表示非零权值的所占比率，目标函数表示神经网络在数据集上的错误率； 具体优化过程为： （1）将神经网络的权值参数作为种群，随机设置初始种群，设初始种群的种群数量为N，目标数量为M，决策向量维度为D，将初始种群作为当前种群； （2）从当前种群中构造出决策变量矩阵X和目标值矩阵Y，并计算出线性转移矩阵T； （3）采用决策变量分析方法将决策向量中的决策变量分为收敛性变量和多样性变量两类； （4）对收敛性变量，采用非线性逆映射模型，从目标空间映射到决策空间，生成第一新种群； （5）对第一新种群计算其对应的目标值矩阵，将对应的目标值矩阵与当前种群中构造的目标值矩阵Y比较，根据比较结果进行筛选，将满足条件的个体保留入收敛优化种群； （6）对多样性变量，采用非线性逆映射模型，从目标空间映射到决策空间，生成第二新种群； （7）对第二新种群计算其对应的目标值矩阵，将该目标值矩阵与收敛优化种群混合后进行非支配排序，并根据排序将其分层，根据分层的结果筛选出下一代种群，将下一代种群作为新的当前种群，返回（4），直至函数评估次数达到设定值； （4）中，生成第一新种群的过程为： 生成新的决策值矩阵，决策值矩阵为：，其中，为当前种群的目标值矩阵，表示向量积，T为对应的线性转移矩阵，为0到1之间的随机数矩阵，为激活函数，表示种群的目标值全部缩小一个随机倍数，表示映射回目标空间，表示通过非线性激活函数得到新的决策值矩阵； 将当前种群赋值给新种群； 将新的决策值矩阵的收敛性变量赋值给新种群，赋值后的新种群为第一新种群； （6）中，生成第二新种群的过程为： 生成新的决策值矩阵，决策值矩阵为：，其中，为当前种群的目标值矩阵，表示向量积，T为对应的线性转移矩阵，为0到1之间的随机数矩阵，为激活函数，表示种群的目标值全部缩小一个随机倍数，表示映射回目标空间，表示通过非线性激活函数得到新的决策值矩阵； 将当前种群赋值给新种群； 将新的决策值矩阵的多样性变量赋值给新种群，赋值后的新种群为第二新种群。

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同济大学，其通讯地址为：200092 上海市杨浦区四平路1239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”。