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！

龙图腾网获悉大连理工大学;江南大学;中国飞机强度研究所申请的专利基于仿生原理的网状结构冲击位置识别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：CN120850833B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202511363218.8，技术领域涉及：G06F30/27；该发明授权基于仿生原理的网状结构冲击位置识别方法是由杨雷;陈佳;白生宝;张阳;张盛;邓德双;杨正岩;武湛君设计研发完成，并于2025-09-23向国家知识产权局提交的专利申请。

本基于仿生原理的网状结构冲击位置识别方法在说明书摘要公布了：本发明提供了一种基于仿生原理的网状结构冲击位置识别方法，涉及结构健康监测领域，具体包括如下步骤：在网状天线结构中心粘贴压电传感器，组成传感器阵列，获取冲击响应信号；对采集到的冲击响应信号进行冲击点距离和角度的标注，建立“冲击位置—响应信号”数据库；构建多核支持向量机回归MK‑SVR模型；利用粒子群优化算法对MK‑SVR模型参数进行优化；利用步骤S4得到的优化后的MK‑SVR模型，对冲击源位置进行预测。本发明的技术方案克服现有技术中不能够对网状天线冲击位置准确识别的问题。

本发明授权基于仿生原理的网状结构冲击位置识别方法在权利要求书中公布了：1.一种基于仿生原理的网状结构冲击位置识别方法，其特征在于，具体包括如下步骤： S1，在网状天线结构中心粘贴压电传感器，组成传感器阵列，获取冲击响应信号； S2，对采集到的冲击响应信号进行冲击点距离和角度的标注，建立“冲击位置—响应信号”数据库； S3，构建多核支持向量机回归MK-SVR模型； S4，利用粒子群优化算法对MK-SVR模型参数进行优化； S5，利用步骤S4得到的优化后的MK-SVR模型，对冲击源位置进行预测； 步骤S1具体包括如下步骤： S1.1，将传感器粘贴于网状天线结构最内圈层构成压电传感器网络，将矩形传感器对称布置，并覆盖网状天线结构； S1.2，将传感器与多通道数据采集系统相连并将网状天线结构固定； S1.3，使用小球从预定高度自由落体，撞击模型不同位置；每次撞击实验后，记录传感器输出的信号；每组实验重复多次，取平均值作为最终结果； S1.4，对数据进行初步预处理，去噪和归一化； 步骤S3具体为： 基于组合核函数构建MK-SVR模型 其中，为拉格朗日乘子；为MK-SVR模型偏置项，为权重参数；取1和2，；；为系数缩放因子，为偏置常数，为多项式的阶数；，表示任意两组输入特征，即输入时域特征，为训练样本总数，为要预测的新输入样本向量； 步骤S4具体包括如下步骤： S4.1，定义需优化的联合向量，包括：惩罚因子、不敏感区域参数、系数缩放因子、核参数和各子核函数的权重： ； 其中，为第个子核函数的权重； S4.2，采用粒子群优化算法PSO，获取优化后的参数向量，包括：最优惩罚因子、最优不敏感区域参数、最优系数缩放因子、最优核参数和最优各子核函数的权重； S4.3，以构建优化后的MK-SVR模型； 步骤S4.2具体包括如下步骤： S4.2.1，设定待优化参数：惩罚因子、不敏感区域参数、核参数和各子核函数的权重的搜索上限和下限； S4.2.2，将每组待优化参数视为一个粒子在搜索空间中的位置向量，在搜索空间范围内随机生成S个粒子的初始位置与速度，初始化每个粒子的个体历史最优位置为粒子初始位置，设定全局最优位置为当前所有粒子中适应度最高的位置； 步骤S4.2还包括如下步骤： S4.2.3，对每个粒子的位置参数组合，构建对应的MK-SVR模型；在训练集上拟合MK-SVR模型，在验证集上计算定位误差评价指标，设置均方根误差RMSE为评价指标： ； 其中，为支持向量的数量；为实际的冲击位置坐标，为预测冲击位置坐标； 优化的参数向量为最小化均方根误差函数，即： ； 其中，为取最小值的自变量值； S4.2.4，若当前粒子的适应度优于个体最优值，则更新个体历史最优位置；若当前粒子的适应度优于全局最优值，则更新全局最优位置； S4.2.5，使用速度更新公式计算下一代粒子的速度： ； 其中，为惯性权重；为第代粒子的速度，分别为个体学习因子与社会学习因子；为[0,1]之间的随机数；为第维个体历史最优位置，为的第个维度分量；表示参数维度索引，使用位置更新公式调整粒子位置： ； 其中，为第代粒子的位置； 若粒子位置超出参数范围，则将其位置裁剪至边界值，速度取相反方向； 步骤S4.2还包括如下步骤： S4.2.6，判断是否满足以下任一终止条件：达到最大迭代次数；全局最优适应度提升低于阈值持续k代；验证误差达到预设目标； 若未满足终止条件，返回S4.2.3；否则进入S4.2.7； S4.2.7，将全局最优位置对应的作为MK-SVR模型的最终参数配置，在训练集与验证集上重新训练并验证MK-SVR模型。

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大连理工大学;江南大学;中国飞机强度研究所，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。