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！

龙图腾网获悉杭州电子科技大学申请的专利基于半监督学习的片上重分布层信号完整性分析方法及系统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：CN118966101B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202410878542.2，技术领域涉及：G06F30/3308；该发明授权基于半监督学习的片上重分布层信号完整性分析方法及系统是由毛昌盛;王大伟;赵文生;虞梦怡;胡月设计研发完成，并于2024-07-02向国家知识产权局提交的专利申请。

本基于半监督学习的片上重分布层信号完整性分析方法及系统在说明书摘要公布了：本发明公开了一种基于半监督学习的片上重分布层信号完整性分析方法及系统，方法包括：S1、对片上重分布层信道进行3D建模，通过有限元电磁仿真进行信道散射参数提取；S2、眼图仿真设置；S3、对三维集成微系统中存在的复杂信号完整性问题进行抽象，进行不同条件下的快速瞬态时域仿真，得到变化的眼图数据集，包含标注数据集和无标注数据集，无标注数据集的数量大于标注数据集的数量；S4、使用步骤S3得到的标注变化眼图数据集，根据全监督交叉熵损失函数，对主体卷积神经网络进行全监督反向传播初步训练，得到初步训练完成的模型；S5、使用步骤S3得到的无标注变化眼图数据集，根据半监督交叉熵损失函数，对步骤S4初步训练完成的模型进行训练。

本发明授权基于半监督学习的片上重分布层信号完整性分析方法及系统在权利要求书中公布了：1.基于半监督学习的片上重分布层信号完整性分析方法，其特征在于，包括如下步骤： S1、对片上重分布层信道进行3D建模，通过有限元电磁仿真进行信道散射参数提取； S2、眼图仿真设置； S3、对三维集成微系统中存在的复杂信号完整性问题进行抽象，进行不同条件下的快速瞬态时域仿真，得到变化的眼图数据集，包含标注数据集和无标注数据集，无标注数据集的数量大于标注数据集的数量； S4、使用步骤S3得到的标注变化眼图数据集，根据全监督交叉熵损失函数，对主体卷积神经网络进行全监督反向传播初步训练，得到初步训练完成的模型； S5、使用步骤S3得到的无标注变化眼图数据集，根据半监督交叉熵损失函数，对步骤S4初步训练完成的模型进行训练； S6、将经过步骤S5训练完成的模型用于信号完整性分析，实现片上重分布层的信号完整性分析； 步骤S4具体包括： S4.1，参考VGG网络结构，搭建主体卷积神经网络模型，用于片上重分布层信号完整性分析；使用Xavier方法对该模型进行权值初始化； S4.2，构造全监督训练交叉熵损失函数；初步训练模型所使用的损失函数采用交叉熵损失函数如下： 其中，N是单次训练批量大小，C是分类的类别总数，是第i个样本的第j个类别的标签值，是第i个样本属于第j个类别的概率预测值； S4.3，构造优化器Adam；使用优化器根据梯度下降法对模型参数进行调整，以最小化损失函数； S4.4，使用标注数据集中训练集对模型进行迭代训练，直至模型在标注数据集中验证集中的表现不再提升； 步骤S5具体包括： S5.1，使用初步训练完成的模型对无标注数据集进行伪标签标注，伪标签标注数据集的具体过程如下： 其中，是完成初步模型对于无标签数据的预测概率，通过预测概率筛选高置信度样本对其进行伪标签标注； S5.2，构造用于半监督学习训练的损失函数如下： 其中，n和n’分别表示有标签和伪标签的训练批量大小，表示样本的标签值，表示概率预测值，L·表示交叉熵损失函数，是用于为平衡两种损失的系数； S5.3，使用标注数据集中训练集和伪标注数据集对模型进行半监督迭代训练；在迭代训练过程中，伪标签损失的比例逐渐增加，具体通过改变进行实现： 其中，t表示模型在训练过程中的迭代次数，参数的值取决于初始训练迭代次数，的值取决于最大迭代次数；模型在标注数据集的验证集中表现不再提升后，终止训练，提取最优模型参数。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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”。

以上内容由龙图腾AI智能生成。