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！

龙图腾网获悉中国人民解放军国防科技大学申请的专利一种多γ源方位反演方法、装置、设备及存储介质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：CN120633480B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202511125194.2，技术领域涉及：G06F30/27；该发明授权一种多γ源方位反演方法、装置、设备及存储介质是由杨磊;赵子甲;田立朝;吕中良设计研发完成，并于2025-08-12向国家知识产权局提交的专利申请。

本一种多γ源方位反演方法、装置、设备及存储介质在说明书摘要公布了：本发明涉及一种多γ源方位反演方法、装置、设备及存储介质，其中，多γ源方位反演方法包括：采用蒙特卡罗数值模拟方法构建数据集；建立用于多γ源反演的卷积神经网络；其中，引入余弦退火调度器以调整卷积神经网络的学习率，用于动态调整卷积神经网络的训练过程，以及，引入中心损失函数重构卷积神经网络的损失函数以调整卷积神经网络训练过程的分类性能和收敛性；基于数据集对卷积神经网络进行训练以获得多γ源方位反演模型；采集待反演样本并输入多γ源方位反演模型，并基于多γ源方位反演模型输出待反演样本中的γ源数量和γ源位置。本方案可涵盖源数量分类与坐标定位的双重目标，为辐射场实时动态重构提供了创新性解决方案。

本发明授权一种多γ源方位反演方法、装置、设备及存储介质在权利要求书中公布了：1.一种多γ源方位反演方法，其特征在于，包括以下步骤： S1.采用蒙特卡罗数值模拟方法构建数据集； S2.建立用于多γ源反演的卷积神经网络；其中，引入余弦退火调度器以调整所述卷积神经网络的学习率，用于动态调整所述卷积神经网络的训练过程，以及，引入中心损失函数重构所述卷积神经网络的损失函数以调整所述卷积神经网络训练过程的分类性能和收敛性； 所述卷积神经网络包括：输入层，与所述输入层相连接的特征提取模块，与所述特征提取模块相连接的分类决策模块，与所述分类决策模块相连接的输出层； 输入层的尺寸为1×10×10； 所述特征提取模块包括：两层级联的卷积层和最大池化层； 最大池化层与卷积层一一对应的设置，其中，第一层卷积层和对应的最大池化层输出的特征的尺寸为32×11×11，第二层卷积层和对应的最大池化层输出的特征尺寸为64×12×12； 每一所述卷积层后接ReLU激活函数，用于逐层提取所述数据集中样本的辐射场强度分布的空间特征，并通过所述最大池化层逐步压缩空间维度； 所述分类决策模块包括：Flatten层和多个全连接层； 所述Flatten层与所述特征提取模块的最后一个最大池化层所连接，用于对所述特征提取模块所输出的特征展开； 所述全连接层设置有三层，且第一层所述全连接层与所述Flatten层相连接，第三层所述全连接层与所述输出层相连接； 第一层全连接层用于将特征提取模块输出的特征展平成1×256的向量，第二层全连接层用于将第一层全连接层的输出的维度降至1×64，第三层全连接层用于将第二层全连接层的输出的维度降至1×4或者1×10； 所述全连接层配置tanh激活函数以输出γ源数量概率，以及，配置Softmax函数输出γ源坐标分类概率； 所述学习率从初始值按余弦曲线逐渐衰减至预设最小值；其中，所述学习率表示为： ； 其中，表示学习率，表示学习率下限，表示学习率上限，表示当前训练步数，表示训练周期总步数； 重构出的损失函数为融合交叉熵损失函数和中心损失函数的复合损失函数； 所述复合损失函数表示为： ； ； ； 其中，表示复合损失函数，表示交叉熵损失函数，表示中心损失函数，表示平衡两种损失函数的权重系数，表示坐标的分类标签，表示分类类别数，其包含1至4个γ放射源及γ放射源坐标，表示训练完成的卷积神经网络预测得到的不同分类标签对应的概率值，表示训练完成的卷积神经网络预测得到的不同分类标签，表示输入的数据集中的样本数据，表示标签的中心值，表示分类类别的总标签数，下标表示标签分类顺序； S3.基于所述数据集对所述卷积神经网络进行训练以获得多γ源方位反演模型； S4.采集待反演样本并输入所述多γ源方位反演模型，并基于所述多γ源方位反演模型输出所述待反演样本中的γ源数量和γ源位置。

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中国人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区德雅路109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。