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！

龙图腾网获悉上海交通大学;义乌市致远电子技术研究中心;义乌市谛听科技有限公司申请的专利基于无监督深度学习的定量和高抗干扰复波前恢复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：CN119756610B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411740876.X，技术领域涉及：G01J9/00；该发明授权基于无监督深度学习的定量和高抗干扰复波前恢复方法是由闫浩;钱博;王开志设计研发完成，并于2024-11-29向国家知识产权局提交的专利申请。

本基于无监督深度学习的定量和高抗干扰复波前恢复方法在说明书摘要公布了：本发明涉及一种基于无监督深度学习的定量和高抗干扰复波前恢复方法，包括以下步骤：采集光学系统实际测量值；将实际测量值输入DNN模型中，DNN模型以端到端的方式直接输出目标平面上预测的复波前；预测的复波前进一步经历与所述光学系统实际采集过程中相同的数字空间光调制器调制和数字波传播，得到数字相机平面上的预测测量值；基于预测测量值和实际测量值间的差异计算损失函数；重复上述步骤，通过最小化损失函数迭代优化DNN模型的参数，迭代完成输出最终的复波前预测结果。与现有技术相比，本发明具有精度高、无需获取大量训练数据、实现了高空间带宽积等优点。

本发明授权基于无监督深度学习的定量和高抗干扰复波前恢复方法在权利要求书中公布了：1.一种基于无监督深度学习的定量和高抗干扰复波前恢复方法，其特征在于，包括以下步骤： S1，采集光学系统实际测量值； S2，将实际测量值输入DNN模型中，DNN模型以端到端的方式直接输出目标平面上预测的复波前，所述预测的复波前包括振幅和相位；所述DNN模型包括依次连接的交织层、U-Net网络和去交织层，其中，所述交织层和去交织层用于实现高空间带宽积，输入的测量值依次经过交织层、U-Net网络和去交织层得到具有H×W空间尺寸的HSBP特征图，其中，H、W分别表示输入的测量值图像的长和宽；HSBP特征图分别经过两个卷积层进行进一步处理，分别生成尺寸为的预测的相位堆栈和振幅堆栈，分别对相位堆栈和振幅堆栈的N个预测结果取平均，得到目标平面上复波前的预测相位和预测振幅，尺寸为1；将预测相位和预测振幅组合，得到最终的预测复波前作为输出； S3，预测的复波前进一步经历与所述光学系统实际采集过程中相同的数字空间光调制器调制和数字波传播，得到数字相机平面上的预测测量值； S4，基于预测测量值和实际测量值间的差异计算损失函数； S5，重复步骤S2-S4，通过最小化损失函数迭代优化DNN模型的参数，迭代完成输出最终的复波前预测结果。

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上海交通大学;义乌市致远电子技术研究中心;义乌市谛听科技有限公司，其通讯地址为：200240 上海市闵行区东川路800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。