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！

龙图腾网获悉大连理工大学申请的专利用于反射镜支撑系统的主动学习可靠性分析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：CN120509311B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202510638652.6，技术领域涉及：G06F30/27；该发明授权用于反射镜支撑系统的主动学习可靠性分析方法是由庞勇;宋学官;梁朋伟;王沐晨设计研发完成，并于2025-05-19向国家知识产权局提交的专利申请。

本用于反射镜支撑系统的主动学习可靠性分析方法在说明书摘要公布了：本发明属于可靠性分析技术领域，涉及一种用于反射镜支撑系统的主动学习可靠性分析方法，实现反射镜系统的失效概率求解。首先，确根据反射镜支撑系统中柔节半径以及柔节分布圈径的均值和标准差，确定采样边界，采用拉丁超立方采样方法生成初始训练数据和均匀样本；构建Kriging代理模型，得到光学性能函数预测均值和预测方差；利用U函数作为主动学习准则；判断候选样本集是否为空，若为空则终止，然后利用Kriging模型计算反射镜支撑系统失效概率，否则，从候选样本集中选择预测方差最大的样本，引入一维变量表示样本沿光学性能函数梯度方向的变化，构建新的目标函数，将计算出新的样本添加到训练数据集中，重复直到候选样本集为空。

本发明授权用于反射镜支撑系统的主动学习可靠性分析方法在权利要求书中公布了：1.一种用于反射镜支撑系统的主动学习可靠性分析方法，其特征在于，包括如下步骤： 第一步：确定反射镜支撑系统的内圈分布半径、外圈分布半径、内圈柔节半径、外圈柔节半径和反射镜高度的随机参数及其分布，根据反射镜支撑系统中内圈分布半径、外圈分布半径、内圈柔节半径、外圈柔节半径和反射镜高度随机变量的均值μ和标准差σ，确定采样边界向量为xl,xu＝μ±4σ1 其中，xl和xu是采样边界的上下界，在该边界内，采用拉丁超立方采样方法生成内圈分布半径、外圈分布半径、内圈柔节半径、外圈柔节半径和反射镜高度的初始训练数据集T，以满足空间填充要求；同时，在该边界内，采用拉丁超立方采样方法生成独立的Nuni个内圈分布半径、外圈分布半径、内圈柔节半径、外圈柔节半径和反射镜高度的均匀样本组成数据集S用于主动学习；通过调用反射镜支撑系统仿真模型，计算初始训练数据集T的响应值，作为训练数据的输出； 第二步：定义反射镜支撑系统可靠性分析中需要的光学性能函数为Gx，用训练数据集构建Kriging代理模型；得到Kriging模型在采样边界范围内任意一点x处的光学性能函数预测均值和预测方差为： 和 其中，和为Kriging模型的参数，1为元素都为1的向量；R为相关矩阵，f是光学性能函数的训练数据，rx为点x与训练点之间的相关向量； 第三步：定义为极限状态函数，U函数作为主动学习准则，表示为： 计算均匀样本集中每个样本的Ux值；选择满足Ux≤2的样本组成候选样本集Scandi； 第四步：判断候选样本集Scandi是否为空，若为空，则算法终止，然后利用Kriging模型，通过蒙特卡罗模拟方法计算反射镜支撑系统失效概率；否则，进入第五步； 第五步：从候选样本集Scandi中选择预测方差最大的样本xcandi，由于该样本通常不在LSF上，采用局部细化方法进行优化；引入一维变量λ表示样本xcandi沿光学性能函数梯度方向的变化，构建新的目标函数： 其中，为光学性能函数在xcandi处的梯度，据随机变量各维度的标准差σi确定优化半径r： 为光学性能函数在第i维的值，i＝1～5，分别表示5个随机变量，将局部细化问题转化为在λ∈[-r,r]范围内最小化目标函数的优化问题；通过序列二次规划算法求解： 得到优化后的λ*，进而计算出新的样本： 将点xnew添加到训练数据集中，重复第二步-第五步，直到第四步中的Scandi为空，则算法终止。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。