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！

龙图腾网获悉电子科技大学申请的专利一种基于分层自适应激活函数神经网络的气动优化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：CN120145564B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202510629438.4，技术领域涉及：G06F30/15；该发明授权一种基于分层自适应激活函数神经网络的气动优化方法是由王永丰;刘迪;文红;马恒伟;罗文骏设计研发完成，并于2025-05-16向国家知识产权局提交的专利申请。

本一种基于分层自适应激活函数神经网络的气动优化方法在说明书摘要公布了：本发明涉及一种基于分层自适应激活函数神经网络的气动优化方法，属于飞行器气动设计领域。该方法首先利用CST方法构建高超声速飞行器的参数化几何模型，提取出外形控制参数，生成多样化的升力体外形，并基于计算流体力学仿真CFD获取对应的升力系数与阻力系数作为训练样本。通过构建分层自适应激活函数，利用可学习的样条函数替代传统固定激活函数，结合低层参数共享与高层独立优化的分层机制，实现气动参数的非线性高精度映射。训练完成的神经网络能够快速预测不同外形参数的气动性能，替代高成本的计算流体力学仿真重复计算，优化效率能够显著提升。本发明解决了传统方法计算资源消耗大、迭代周期长的技术问题。

本发明授权一种基于分层自适应激活函数神经网络的气动优化方法在权利要求书中公布了：1.一种基于分层自适应激活函数神经网络的气动优化方法，其特征在于，所述方法包括以下步骤： 步骤S1：利用类型函数形状函数变换技术，构建高超声速飞行器CST参数化模型； 步骤S2：构建分层自适应激活函数神经网络； 步骤S3：确定分层自适应激活函数神经网络损失函数； 步骤S4：采用RAdam优化器调整分层自适应激活函数神经网络的学习率，稳定分层自适应激活函数神经网络训练过程； 步骤S5：训练分层自适应激活函数神经网络，通过均匀分布初始化权值，训练数据集，使用训练好的分层自适应激活函数神经网络对飞行器外形进行优化设计； 步骤S1中构建的高超声速飞行器CST参数化模型的三维CST参数化曲线方程表示为： 其中，x为飞行器长度坐标；yu为飞行器上表面高度坐标，yd为飞行器下表面高度坐标；z为飞行器宽度坐标；ξ、η为参变量；Lb为升力体的长度；Hbu为底部截面上轮廓曲线的最大高度；Hbd为底部截面下轮廓曲线的最大高度；nb为升力体俯视面轮廓幂指数；Nu为底部截面上轮廓曲线的形状函数指数；Nd为底部截面下轮廓曲线的形状函数指数；Wb为底部截面的宽度； 通过控制Lb,Hbu,Hbd,nb,Nu,Nd,Wb这7个参数的变化可以得到多个升力体的气动外形，将这些不同的气动外形基于计算流体力学仿真CFD，可以得到每个气动外形对应的升力系数和阻力系数作为训练样本； Lb,Hbu,Hbd,nb,Nu,Nd,Wb作为神经网络的输入； 步骤S2中，构建的分层自适应激活函数神经网络中，每个神经元的激活函数使用B样条函数替换传统的固定激活函数；神经网络由输入层、3层低层网络、2层高层网络及输出层串联而成，输入数据由输入层输入神经网络，经低层网络、高层网络后，由输出层输出； 低层网络每层有16个神经元，低层网络为共享控制点层，函数采用3阶B样条函数，低层网络中B样条函数的控制点跨神经元共享；高层网络每层有8个神经元，高层网络为独立控制点层，函数同样采用3阶B样条函数，高层网络中B样条函数的控制点可独立学习；其中第l层第i个神经元的激活函数为： 其中为可学习的控制点，Bk,3为3阶B样条基函数，k为控制点的序号；低层神经网络中，即l∈[1,3]时，i∈[1,16]；高层神经网络中，即l∈[4,5]时，i∈[1,8]。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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”。