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！

龙图腾网获悉西北工业大学申请的专利一种用于超表面电磁特性估算的多模态深度学习模型构建方法、介质、设备及应用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：CN119849295B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202411869979.6，技术领域涉及：G06F30/27；该发明授权一种用于超表面电磁特性估算的多模态深度学习模型构建方法、介质、设备及应用是由王楠;万国宾;丁启民;马鑫设计研发完成，并于2024-12-18向国家知识产权局提交的专利申请。

本一种用于超表面电磁特性估算的多模态深度学习模型构建方法、介质、设备及应用在说明书摘要公布了：本发明属于电子信息技术领域，公开了一种用于超表面电磁特性估算的多模态深度学习模型构建方法、介质、设备及应用，在超表面参数空间中将各个结构参数向量对应的超表面图案二值化；构建多模态深度学习模型MMN并初始化可训练参数；使用有限元法计算结构参数向量对应的准确电磁响应，并将结构参数向量与二值化矩阵视为输入，将电磁响应视为输出，配对形成训练样本集；根据损失函数和训练样本集，使用梯度下降法训练MMN模型。本发明得到的MMN模型能够准确估算超表面的电磁特性并且所需的训练样本集大小是单模态模型所需样本集大小的39％。

本发明授权一种用于超表面电磁特性估算的多模态深度学习模型构建方法、介质、设备及应用在权利要求书中公布了：1.一种用于超表面电磁特性估算的多模态深度学习模型构建方法，其特征在于，所述用于超表面电磁特性估算的多模态深度学习模型构建方法包括： 初始化参数空间中超表面的结构参数向量，对应第一步： 第一步，使用均匀采样的方法在给定的参数空间中采样规模为N的超表面结构，所述超表面结构对应的参数向量可以用一个集合X＝{x1,x2,…,xN}表示； 将各个结构参数向量对应的超表面图案二值化，对应第二至三步： 第二步，对于集合X中的任意一个参数向量x，使用三维建模软件对该超表面进行建模并提取其表面图案； 第三步，将超表面图案二值化，其中表面被金属或电阻膜覆盖的区域二值化为1，其他部分二值化为0，所述参数空间中各个超表面结构对应的二值化矩阵可以用一个集合P＝{p1,p2,…,pN}表示； 构建多模态深度学习模型MMN并初始化可训练参数，对应第四步： 第四步，使用全连接层、一维批归一化层、卷积层、二维批归一化层、激活层构建MMN模型，所述MMN模型有两个输入节点和一个输出节点，所述模型包含的神经元所具有的参数集合为W，所述模型的具体结构可以使用如下构建步骤进行描述： 构建步骤一，构造M个全连接层FC1,FC2,…,FCM，M-1个一维批归一化层BN1D1,BN1D2,…,BN1DM-1，M-1个激活层RE1,RE2,…,REM-1，T个卷积层CONV1,CONV2,…,CONVT，T个二维批归一化层BN2D1,BN2D2,…,BN2DT以及一个输出层OC； 构建步骤二，设置FC1为MMN的第一个输入节点，FC1负责接收参数向量x；设置CONV1为MMN的第二个输入节点，CONV11负责接收二值化矩阵p； 构建步骤三，将前Q个QM全连接层、前Q个一维批归一化层、前Q个激活层按照{FC1,BN1D1,RE1,FC2,…,FCQ,BN1DQ,REQ}的顺序依次连接，前一层网络的输出作为后一层网络的输入； 构建步骤四，将T个卷积层和T个二维批归一化层按照{CONV1,BN2D1,CONV2,…,CONVT,BN2DT}的顺序依次连接，前一层网络的输出作为后一层网络的输入； 构建步骤五，将REQ的输出向量与BN2DT的输出向量相加得到向量I； 构建步骤六，将剩余的全连接层、一维批归一化层、激活层、输出层按照{FCQ+1,BN1DQ+1,REQ+1,…,FCM,OC}的顺序依次连接，前一层网络的输出作为后一层网络的输入，FCQ+1层的输入是向量I；OC层神经元的输出是MMN模型的输出； 使用有限元法计算结构参数向量对应的准确电磁响应，并将结构参数向量与二值化矩阵视为输入，将电磁响应视为输出，配对形成训练样本集，对应第五至六步： 第五步，使用有限元法计算集合X中每个向量对应的超表面的电磁特性向量，得到集合Y＝{y1,y2,…,yN}； 第六步，将结构参数向量集合X和对应的二值化矩阵集合P视为输入，将电磁特性集合Y视为输出，构建训练样本集Z＝{z1,z2,…,zN}＝{X,P,Y}＝{x1,p1,y1,x2,p2,y2,…,xN,pN,yN}； 根据损失函数和训练样本集，使用梯度下降法训练MMN模型，对应第七至十步： 第七步，轮流将样本集Z中索引为i的xi和pi作为MMN的输入，使用MMN模型对样本进行前向传播运算，对任意一个xi和pi得到输出节点神经元产生的浮点数值向量yi′； 第八步，根据所述浮点数值向量yi′和原始训练样本集中的yi，使用均方误差损失函数计算模型MMN的损失函数值Li； 第九步，根据所述损失函数值Li计算模型MMN中的可训练参数对应的梯度Gi，并根据所述梯度Gi使用梯度下降法更新MMN模型的参数W； 第十步，重复步骤七至步骤九完成MMN模型的训练。

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西北工业大学，其通讯地址为：710072 陕西省西安市碑林区友谊西路127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。