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！

龙图腾网获悉南昌大学申请的专利一种基于物理特征信息融合神经网络的LG光束识别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：CN120298809B 。

龙图腾网通过国家知识产权局官网在2025-09-02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：202510740587.8，技术领域涉及：G06V10/764；该发明授权一种基于物理特征信息融合神经网络的LG光束识别方法是由王鸿杰;鄢伟超;蔡孟强;唐荣欣;代国红设计研发完成，并于2025-06-05向国家知识产权局提交的专利申请。

本一种基于物理特征信息融合神经网络的LG光束识别方法在说明书摘要公布了：本发明公开了一种基于物理特征信息融合神经网络的LG光束识别方法，包括：1）将入射光束经偏振滤波器的调制和扩束后照射在空间光调制器上产生拉盖尔‑高斯LG光束；2）利用透镜对产生的LG光束进行聚焦产生傅里叶变换，通过CCD相机收集LG光束的夫琅和费衍射图像；3）将收集的LG光束夫琅和费衍射图像输入到改进的神经网络结构中进行处理，实现对LG光束中多物理特征信息的准确识别。本发明方法基于分数阶LG光束在衍射图像中有特殊的可区分特点，将对三个物理特征参数的识别作三个输出，依据光斑特征的显示难易程度在神经网络的不同阶段输出，并结合神经网络结构的深浅层融合技术，实现物理信息特征融合，使得对LG光束的识别结果更为稳定准确。

本发明授权一种基于物理特征信息融合神经网络的LG光束识别方法在权利要求书中公布了：1.一种基于物理特征信息融合神经网络的LG光束识别方法，其特征在于，包括以下步骤： 步骤S1、将入射光束经偏振滤波器的调制与扩束后照射在空间光调制器上产生拉盖尔-高斯LG光束； 步骤S2、利用透镜对步骤S1中产生的LG光束进行聚焦产生傅里叶变换，通过CCD相机收集LG光束的夫琅和费衍射图像； 所述利用透镜对步骤S1中产生的LG光束进行聚焦产生傅里叶变换，LG光束在Z=0处的方程表示为： ； 上式中，表示在Z=0处的LG光束，为入射面上的极坐标，z为传播距离，r为极坐标中的径向坐标；为广义拉盖尔多项式，为径向指数，为LG光束的拓扑荷数；为LG光束半径；为LG光束的径向强度分布；为虚数单位；为极坐标中的方位角； LG光束经过透镜并在焦平面处形成夫琅和费衍射光斑，将夫琅和费衍射光斑的表达式简写为入射光场的傅里叶变换形式有： ； 上式中，为入射光场的傅里叶变换；为傅里叶变换表示；分别对应为的频域坐标； 步骤S3、将收集的LG光束夫琅和费衍射图像输入到改进的神经网络结构中进行处理，通过优化后的损失函数，实现对LG光束中多物理特征信息的准确识别； 所述改进的神经网络结构包括卷积层、池化层、物理特征信息融合层和全连接层； 所述卷积层用于通过卷积核提取局部特征，通过在卷积核中插入空洞来扩大感受野，增强图像全局和局部信息的提取能力； 所述池化层包括最大池化层和自适应池化层，所述最大池化层用于在保留特征重要信息的同时降低特征的空间尺寸，所述自适应池化层用于将任意尺寸的输入统一池化为固定大小，以适应不同的输入尺寸； 所述物理特征信息融合层用于对输入的矩阵化信息进行融合，输入的特征矩阵被分为三个分支，各分支分别经过矩阵点乘和Sigmoid函数进行非线性变换，然后各分支的特征在不同节点进行融合，通过矩阵相加操作将多分支的特征进行合并，融合后的特征再经过ReLU激活函数，输出更为紧密融合且具有更强稳定性的特征矩阵，增强模型对输入信息的识别和表达能力； 所述全连接层用于将提取的特征映射到输出空间，得到最终的预测结果； 改进的神经网络结构通过优化损失函数来提升神经网络在复杂多任务场景下的鲁棒性，损失函数的设计过程如下： 首先计算第k个任务场景下的交叉熵损失： ； 上式中，C为类别数；表示样本x的真实标签在第n个类别上的概率；为样本x在第n个类别上的预测概率； 然后引入方差参数动态调整各任务损失权重，将每个任务场景下的交叉熵损失除以对应的方差参数，再引入方差参数的对数项得到最终的损失函数： ； 上式中，为第k个任务场景下的交叉熵损失；为第k个任务的可学习不确定性参数。

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南昌大学，其通讯地址为：330000 江西省南昌市红谷滩新区学府大道999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”。