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！

龙图腾网获悉南京工业大学申请的专利一种基于机器学习的被动辐射制冷薄膜逆向设计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：CN119808581B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202510006000.0，技术领域涉及：G06F30/27；该发明授权一种基于机器学习的被动辐射制冷薄膜逆向设计方法是由焦思盈;张恺;张亦驰设计研发完成，并于2025-01-03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被动辐射制冷薄膜逆向设计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被动辐射制冷薄膜逆向设计方法，该方法通过实验收集基材的光学特性数据，建立基本数据集，并划分训练集和测试集。在此基础上，建立成分和厚度到光学特性数据的预测模型，以及光学特性数据到成分和厚度的逆向设计模型。对预测模型和逆向设计模型进行训练，通过逆向设计模型计算目标光学特性下的成分和厚度的初始设计值，并与光学仿真得到的光学特性数据进行比较，当均方误差满足要求时，完成被动辐射制冷薄膜的设计。

本发明授权一种基于机器学习的被动辐射制冷薄膜逆向设计方法在权利要求书中公布了：1.一种基于机器学习的被动辐射制冷薄膜逆向设计方法，其特征在于，包括以下步骤： S10通过实验收集被动辐射制冷薄膜基材的光学特性数据，建立基本数据集； S20对S10所收集的光学特性数据进行预处理，使用K折交叉验证法划分训练集和测试集； S30根据基本数据集建立被动辐射制冷薄膜的成分和厚度到光学特性数据的预测模型，并进行训练； 所述S30的具体步骤包括： S31将基本数据集中的被动辐射制冷薄膜的成分和厚度作为输入，光学特性数据作为输出，构建被动辐射制冷薄膜的成分和厚度到光学特性数据的预测模型； S32采用训练集训练S31所构建的被动辐射制冷薄膜的成分和厚度到光学特性数据的预测模型；采用测试集测试训练后的被动辐射制冷薄膜的成分和厚度到光学特性数据的预测模型的精度； S33选择均方误差作为损失函数，选择Adam优化器，自适应调整学习率； S34选择的训练方法为前向传播、损失函数计算、反向传播以及参数更新中的一种；训练被动辐射制冷薄膜的成分和厚度到光学特性数据的预测模型至精度不低于0.9； S40根据基本数据集建立光学特性数据到被动辐射制冷薄膜的成分和厚度的逆向设计模型，并进行训练； 所述S40的具体步骤包括： S41将基本数据集中的光学特性数据作为输入，被动辐射制冷薄膜的成分和厚度作为输出，构建光学特性数据到被动辐射制冷薄膜的成分和厚度的逆向设计模型； S42采用训练集训练S41所构建的光学特性数据到被动辐射制冷薄膜的成分和厚度的逆向设计模型；采用测试集测试训练后的光学特性数据到被动辐射制冷薄膜的成分和厚度的逆向设计模型的精度； S43选择均方误差作为损失函数，选择Adam优化器，自适应调整学习率； S44选择的训练方法为前向传播、损失函数计算、反向传播以及参数更新中的一种；训练光学特性数据到被动辐射制冷薄膜的成分和厚度的逆向设计模型至精度不低于0.9； S50将目标光学特性数据输入至S40中训练后的光学特性数据到被动辐射制冷薄膜的成分和厚度逆向设计模型，获得被动辐射制冷薄膜的成分和厚度的初始设计值； S60对S50中得到的被动辐射制冷薄膜的成分和厚度的初始设计值进行光学仿真，预测被动辐射制冷薄膜在大气窗口波段的发射率和在太阳波段的反射率； 所述的光学仿真采用传输矩阵法模拟被动辐射制冷薄膜的光学响应来计算不同波长下被动辐射制冷薄膜基材的光学特性数据； S70计算S60得到的大气窗口波段的发射率和在太阳波段的反射率与S50中的目标光学特性数据的均方误差； S80判断均方误差是否在小于0.1，若均方误差小于0.1，则完成被动辐射制冷薄膜的设计，若均方误差大于或等于0.1，则重复步骤S30—S80。

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工业大学，其通讯地址为：211816 江苏省南京市浦口区浦珠南路30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。