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！

龙图腾网获悉中国科学院国家天文台;山东大学申请的专利基于BP神经网络的FAST反射面控制算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：CN116451772B 。

龙图腾网通过国家知识产权局官网在2026-01-30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：202310280523.5，技术领域涉及：G06N3/084；该发明授权基于BP神经网络的FAST反射面控制算法是由李庆伟;田利;马震;李辉;李铭哲;郑云勇;王清梅设计研发完成，并于2023-03-22向国家知识产权局提交的专利申请。

本基于BP神经网络的FAST反射面控制算法在说明书摘要公布了：本发明公开了一种基于BP神经网络的FAST反射面控制算法，其包括数据集划分设计和训练BP神经网络模型以下简称BP模型两个阶段；其中用于训练BP模型的训练样本随标定抛物面工作的开展持续更新，从而更新BP模型。本发明提供的控制算法具有灵活性和准确性，其灵活性包括：1针对2225个促动器伸长量的BP模型结构设计提高了训练精度和收敛速度；2BP模型方便通过增加实测样本随时更新BP模型。其准确性包括：1以现有FAST反射面控制数据库为样本，满足FAST反射面控制要求面型精度稍有提升，在5mm以内，预测时间在500ms以内；2BP模型具备深度学习能力，方便地通过增加实测样本随时更新，来不断提升反射面实际控制精度。

本发明授权基于BP神经网络的FAST反射面控制算法在权利要求书中公布了：1.一种基于BP神经网络的FAST反射面控制方法，其特征在于，所述方法包括数据集划分设计和训练BP神经网络模型两个阶段；BP神经网络模型简称BP模型；其具体步骤如下： 1对实验数据，即，反射面控制数据库进行相关性分析，确定BP神经网络模型的输入指标为环境温度、变位抛物面顶点的空间位置，输出指标为促动器的总伸长量； 2对实验数据按照随机性原则进行重新分布； 3对实验数据进行预处理，即，利用min-max标准化的处理方法标准化实验数据； 4针对上述实验数据，进行关于训练集、验证集、测试集的数据集划分设计； 5针对上述数据集，进行BP模型结构设计，包括BP模型的网络节点和超参数设置，利用BP算法分别构建2225个促动器总伸长量的BP模型； 6针对上述2225个BP模型，在测试样本中，将BP模型的预测值和测试样本的实际标定值进行对比，设定均方根误差阈值，令均方根误差超过该阈值的BP模型进入到循环迭代训练中，选择训练效果最好的BP模型，从而优化参数； 7提取上述2225个BP模型的权重和阈值矩阵，按照从小到大的编号顺序将每一个BP模型的隐含层对应的权重和阈值矩阵写入大型矩阵，并进一步拆分为10个子矩阵； 8输入实际环境温度，变位抛物面顶点的空间位置信息，利用步骤7中的每一个隐含层的权重、阈值矩阵、激活函数进行计算，再经过反归一化处理之后，得到最终的促动器伸长量； 9最终的促动器伸长量减去旧球面促动器伸长量后，加上最近更新的球面促动器伸长量后得到最终的抛物面促动器伸长量，发送控制器执行； 10随着后续标定工作的开展，将得到的一些人工标定抛物面的促动器伸长量数据保存，填入BP模型的训练样本中，更新BP模型，提高BP模型的预测精度； 步骤7中大型矩阵表示为权重矩阵： 和阈值矩阵： 其中，m取值1、2、3、4时分别对应隐含层1、隐含层2、隐含层3和输出层，n表示促动器的编号，实际工程中对应促动器的编号为n+1表示编号为n的促动器伸长量BP模型中第m层神经网络的权重矩阵，表示编号为n的促动器伸长量BP模型中第m层神经网络的阈值矩阵； 步骤7中将大型矩阵拆分为子矩阵表示为权重矩阵： 和阈值矩阵： 其中，分别表示第1～10个权重子矩阵，分别表示第1～10个阈值子矩阵；步骤9中的最近更新的球面促动器伸长量与现场使用的基准球面促动器伸长量保持一致。

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科学院国家天文台;山东大学，其通讯地址为：100101 北京市朝阳区大屯路甲20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。