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！

龙图腾网获悉山东大学申请的专利一种基于物理约束下混合密度网络的光束指向控制逆解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：CN121070059B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202511603961.6，技术领域涉及：G05D3/20；该发明授权一种基于物理约束下混合密度网络的光束指向控制逆解方法是由杨忠明;闫荣;刘兆军设计研发完成，并于2025-11-05向国家知识产权局提交的专利申请。

本一种基于物理约束下混合密度网络的光束指向控制逆解方法在说明书摘要公布了：本发明涉及一种基于物理约束下混合密度网络的光束指向控制逆解方法，属于人工智能与精密光学控制领域，包括：构建前向物理模型，基于前向物理模型在工作域内进行采样，生成数据集；搭建物理约束混合密度网络模型，输入训练集进行训练，获得权重系数及偏置；将待求解的屏面目标点输入训练完成的物理约束混合密度网络模型，生成K组候选解；将K组候选解代入前向物理模型，基于前向物理模型的择优策略选定最优初值；通过GN算法或LM算法进行迭代精修，输出最终的高精度角度解。本发明能够有效处理逆问题固有的多解性与退化区域挑战，实现全局范围内的高精度、高鲁棒性角度求解，提升光束指向控制系统的性能。

本发明授权一种基于物理约束下混合密度网络的光束指向控制逆解方法在权利要求书中公布了：1.一种基于物理约束下混合密度网络的光束指向控制逆解方法，其特征在于，包括如下步骤； S1，构建前向物理模型，基于前向物理模型在工作域内进行采样，生成数据集，并将数据集划分为训练集、验证集和测试集； S2，搭建物理约束混合密度网络模型，输入步骤S1得到的训练集进行训练，获得权重系数及偏置； S3，将待求解的屏面目标点输入训练完成的物理约束混合密度网络模型，生成K组候选解； S4，将K组候选解代入步骤S1的前向物理模型，基于前向物理模型的择优策略选定最优初值； S5，通过Gauss-Newton算法或Levenberg-Marquardt算法进行迭代精修，输出最终的角度解； 步骤S2中，物理约束混合密度网络模型包括输入层、骨干网络、混合密度头和输出层，骨干网络为一个多层感知机，用于特征抽取，结构为6个隐藏层，每层256个神经元，激活函数为SiLU；骨干网络将输入层的二维坐标映射为长度为256的高维特征向量，每层得到权重和偏置； 混合密度头包括三个全连接层分支，用于生成三个混合分量参数，包括双棱镜角度的均值参数、浓度参数与混合权重； 混合密度头接收高维特征向量，通过并行线形分支输出K个混合分量参数； 步骤S2中，物理约束混合密度网络模型训练时采用两阶段训练策略：第一阶段以最小化负对数似然损失为目标进行训练，第二阶段在第一阶段的基础上增加物理一致性损失项进行训练，使用AdamW优化器，采用warmup与cosine衰减的学习率调度策略； 第一阶段的损失函数为： ； 其中，表示训练样本数量；为对一条样本独立近似下的混合似然，表达式如下： ； 其中，为第个样本的的角度真值，为第个样本的的角度真值，θ1、θ2分别为消色差棱镜A、消色差棱镜B绕Z轴的偏转角度；为物理约束混合密度网络模型输出的第个样本的第个混合权重，为物理约束混合密度网络模型输出的第个样本的的第个均值和浓度参数，为物理约束混合密度网络模型输出的第个样本的的第个均值和浓度参数； 表示vonMises分布，表达式为： ； 其中，表示角度真值，表示均值角，表示浓度参数，为0阶第一类改良贝塞尔函数； 第二阶段的损失函数为： ； 其中，为权重系数，取值为0.05；为物理重投影损失，表达式为： ； 为责任度，表示对第个样本的第个分量加权： ； ； 为每样本的物理一致性误差： ； 表示第个样本第个候选解对应的预测点坐标，表示第个样本的目标点坐标真值；表示第个样本第个候选解对应的预测点坐标，表示第个样本的目标点坐标真值。

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山东大学，其通讯地址为：250100 山东省济南市历城区山大南路27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。