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！

龙图腾网获悉哈尔滨工程大学申请的专利一种小样本数据下船舶分段制造时间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：CN119443464B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202411278145.8，技术领域涉及：G06Q10/063；该发明授权一种小样本数据下船舶分段制造时间预测方法是由李敬花;蔺鹏飞;宋得宁;周磊;杨博歆设计研发完成，并于2024-09-12向国家知识产权局提交的专利申请。

本一种小样本数据下船舶分段制造时间预测方法在说明书摘要公布了：一种小样本数据下船舶分段制造时间预测方法，本发明为了解决小样本数据下，船舶分段制造时间预测准确性难以保证的问题，本发明将具有大量历史数据的分段视为源领域，将小样本数据集下的分段视为目标领域，通过机器学习技术构建一个源领域分段制造时间的预测模型，提取其网络权重和偏置值并迁移至目标领域分段的预测模型，分析源领域与目标领域分段的相似性和差异性特征，根据分析结果，冻结相似性特征的模型参数并微调差异性特征的模型参数，完成对目标领域分段制造时间预测模型的构建。本发明的时间预测方法不仅有效地解决了小样本数据下船舶分段制造时间预测的难题，而且在精度和稳定性方面表现出显著的优势。本发明属于时间预测技术领域。

本发明授权一种小样本数据下船舶分段制造时间预测方法在权利要求书中公布了：1.一种小样本数据下船舶分段制造时间预测方法，其特征在于，所述预测方法包括如下步骤： 步骤1、基于机器学习的源领域分段时间预测模型构建，具体包括： 步骤1.1确定模型的方法论选型： 选用基于粒子群算法的神经网络模型进行分段制造时间预测，每个粒子代表神经网络模型的一组参数，即模型的权重和偏置值，粒子的维度由模型的结构决定，具体取决于模型的输入层节点数、各隐含层的节点数以及输出层节点数；粒子维度计算公式为： 1 其中，是粒子维度，表示隐含层层数索引值，表示隐含层最大层数索引值，是输入层的节点数，是第个隐含层节点数，是输出层的节点数； 步骤1.2确定模型的输入输出变量： 选用分段重量、投影面积、中小组立数目、焊缝长度以及钢板厚度作为神经网络模型的输入特征，分段制造时间为输出，对所有输入输出的数据进行十进制缩放归一化处理，基于十进制缩放归一化公式为： 2 3 其中，为归一化后的数据值，为归一化前的数据值，为的最大值对应的以10为底的对数函数值； 步骤1.3确定预测准确度指标； 步骤1.4确定神经网络模型的超参数配置： 确定神经网络模型的超参数包括隐藏层层数、隐藏层节点数、隐藏层激活函数、输出层激活函数、损失函数、训练次数以及训练目标误差值，通过在不同的超参数组合下进行实验，评估每组超参数对模型预测性能的影响，最终选择出表现最优的超参数配置； 步骤1.5确定粒子群算法的超参数配置： 确定粒子群算法的超参数包括个体及种群学习因子、最大迭代次数、粒子数、最小惯性权重值、最大惯性权重值、粒子速度范围以及粒子位置范围，通过系统地调整和测试这些超参数，分析其对模型预测结果的影响，最终选择出表现最优的超参数配置； 步骤2、基于迁移学习和机器学习的目标领域分段时间预测模型构建，具体包括： 步骤2.1建立权重和偏置值的迁移策略： 将源领域分段制造时间预测模型的权重和偏置值迁移至目标领域分段时间预测模型，通过分析源领域分段与目标领域分段的相似性和差异性特征，确定以下策略：对于源领域和目标领域之间相似性特征的输入层至隐藏层的权重，采取冻结动作；对于其它权重和偏置值，采取微调动作； 步骤2.2训练目标领域分段时间预测模型： 采用目标领域分段数据训练目标领域分段时间预测模型，优化模型中待微调的权重和偏置； 步骤2.3方法有效性验证： 通过选取实际生产案例，采用平均绝对百分比误差作为精度指标，比较有无迁移学习模型的预测效果，从而验证该模型的有效性。

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哈尔滨工程大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区南通大街145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。