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！

龙图腾网获悉重庆理工大学申请的专利基于混合神经网络的滚动接触疲劳检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：CN115952619B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202211727154.1，技术领域涉及：G06F30/17；该发明授权基于混合神经网络的滚动接触疲劳检测方法是由杨长辉;吕庆;梁举科;杨岩设计研发完成，并于2022-12-30向国家知识产权局提交的专利申请。

本基于混合神经网络的滚动接触疲劳检测方法在说明书摘要公布了：本发明涉及滚动接触疲劳检测技术领域，具体涉及基于混合神经网络的滚动接触疲劳检测方法，包括：基于神经网络和SVM分类器构建对应的混合神经网络模型作为疲劳预测模型；对疲劳预测模型进行模型训练；将待检测试样的振动数据输入经过训练的疲劳预测模型中，分别由神经网络和SVM分类器进行特征提取和特征分类预测，进而输出对应的疲劳预测类概率；将疲劳预测模型输出的疲劳预测类概率作为对应待检测试样的疲劳检测结果。本发明中能够通过疲劳预测模型准确、有效的实现特征提取，并且能够提高疲劳预测模型的泛化能力，从而提升滚动接触疲劳检测的准确性和效果。

本发明授权基于混合神经网络的滚动接触疲劳检测方法在权利要求书中公布了：1.基于混合神经网络的滚动接触疲劳检测方法，其特征在于，包括： S1：基于神经网络和SVM分类器构建对应的混合神经网络模型作为疲劳预测模型； 步骤S1中，混合神经网络模型基于VGG16网络模型构建，其中，去除VGG16网络模型的全连接层和Softmax层，并将VGG16网络模型最后一层的池化层与SVM分类器的输入层连接，以构成VGG16-SVM的混合神经网络模型；混合神经网络模型中，将VGG16网络模型原有的ReLU激活函数替换为Maxout激活函数，以构成VGG16-Maxout-SVM的混合神经网络模型； S2：对疲劳预测模型进行模型训练； 步骤S2中，通过如下步骤训练疲劳预测模型： S201：制作用于训练疲劳预测模型的训练数据； S202：基于训练数据训练用于构成混合神经网络模型的VGG16网络模型； 步骤S202中，训练VGG16网络模型之前，先通过Xavier初始化方法对VGG16网络模型进行初始化； 其中，VGG16网络模型初始化需满足： 式中：ni代表神经网络第i层的神经元个数；VarWi表示第i层的权重方差； 步骤S202中，通过基于L2正则化的动量梯度下降法的训练策略训练VGG16网络模型；训练过程中，只关注VGG16网络模型卷积层和池化层的状态； 基于L2正则化的动量梯度下降法的训练策略通过以下公式更新参数： 梯度更新：g′t＝gt+λθt-1； 权重更新：θt＝θt-1-μgt-μλθt-1； 动量更新：dt＝μdt-1-αg′t； 上述式中：θ表示带正则项的初始权重；d表示初始动量；t表示梯度迭代数；gt′表示第t次迭代更新后的梯度；θt表示第t次迭代更新后的权重值；dt表示第t次迭代更新后的动量，α表示学习率；μ表示动量系数；λ表示正则化系数； S203：固定训练后的VGG16网络模型卷积层和池化层的参数，然后去除VGG16网络模型的全连接层和Softmax层，并将最后一层的池化层与SVM分类器的输入层连接以构成混合神经网络模型； S204：基于训练数据训练混合神经网络模型中SVM分类器的参数，直至完成训练； S3：将待检测试样的振动数据输入经过训练的疲劳预测模型中，分别由神经网络和SVM分类器进行特征提取和特征分类预测，进而输出对应的疲劳预测类概率； S4：将疲劳预测模型输出的疲劳预测类概率作为对应待检测试样的疲劳检测结果。

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重庆理工大学，其通讯地址为：400054 重庆市巴南区李家沱红光大道69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。