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！

龙图腾网获悉南京航空航天大学申请的专利一种基于机器学习的增材制造记忆合金成形质量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：CN115408939B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202211025521.3，技术领域涉及：G06F30/27；该发明授权一种基于机器学习的增材制造记忆合金成形质量预测方法是由林开杰;王超超;顾冬冬;石珂羽;袁鲁豪;乔竞驰;孙建峰设计研发完成，并于2022-08-25向国家知识产权局提交的专利申请。

本一种基于机器学习的增材制造记忆合金成形质量预测方法在说明书摘要公布了：本发明公开了一种基于机器学习的增材制造记忆合金成形质量预测方法，包括：1获取多组工艺参数及相应工艺参数下样品的成形质量，构建数据集并划分为训练集与试验集；2将训练集的数据进行归一化处理后输入高斯过程回归算法，对高斯过程回归算法的核函数参数进行贝叶斯推断，采用极大似然估计和梯度下降方法寻优，获取最优的参数代入多元高斯分布概率密度函数，完成高斯过程回归算法的优化；所述高斯过程回归算法包括核函数、多元高斯分布概率密度函数；3将试验集输入优化完成的高斯过程回归算法，通过多元高斯分布概率密度函数输出最终的预测的成形质量。本发明能够在较少训练集的基础上获得准确的成形质量预测结果。

本发明授权一种基于机器学习的增材制造记忆合金成形质量预测方法在权利要求书中公布了：1.一种基于机器学习的增材制造记忆合金成形质量预测方法，其特征在于，包括以下步骤： 1获取增材制造过程中多组工艺参数及相应工艺参数下样品的成形质量，构建数据集，按预设比例将数据集划分为训练集与试验集；所述的成形质量为样品实际密度与理论密度之比； 2将训练集的数据进行归一化处理后输入高斯过程回归算法，对高斯过程回归算法的核函数参数进行贝叶斯推断，采用极大似然估计和梯度下降方法寻优，获取最优的参数代入多元高斯分布概率密度函数，完成高斯过程回归算法的优化；所述高斯过程回归算法包括核函数、多元高斯分布概率密度函数； 2具体包括： 2.1归一化处理后的工艺参数X＝[x1,x2,…,xn]m×n作为算法输入量，归一化处理后的成形质量Y＝[y1,y2,…,ym]1×m作为算法输出量；xi表示工艺参数的第i个特征，i取1至n；yi为第i个样本的成形质量，i取1至m，m表示训练集的样本数量； 选取径向基核函数作为高斯过程回归算法的核函数，将训练集的数据输入高斯过程回归算法；所述径向基核函数具体公式为： 式中，α，l均为参数，X'为样本均值，WN是白噪声等级； 2.2对高斯过程回归算法的核函数参数进行贝叶斯推断，采用极大似然估计获得优化目标： 式中，k为核函数；n为工艺参数特征值数量； 再利用梯度下降方法对于优化目标寻优求解获得最优参数α、l； 2.3将获得的最优参数α、l代入多元高斯分布概率密度函数，完成高斯过程回归算法的优化；多元高斯分布概率密度函数公式为： 式中，σi为工艺参数中第i个特征的方差，i取1至n；fx1,x2,…,xn为最终的预测结果 3将试验集的数据输入优化完成的高斯过程回归算法，通过多元高斯分布概率密度函数获得预测的成形质量； 4通过预测的成形质量计算决策系数以判断高斯过程回归算法的准确率，所述决策系数的计算公式为： 其中，R2为决策系数；表示第i组样本的预测值，yi表示第i组样本的实际值，表示第i组样本的期望，m'表示试验集样本数量。

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京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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。