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神经网络的多层蜂窝吸波材料自校准设计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：CN117037971B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202311049832.8，技术领域涉及：G16C60/00；该发明授权一种基于神经网络的多层蜂窝吸波材料自校准设计方法是由陆海鹏;孙翃宇;蔡长旭;韩天成;邓龙江设计研发完成，并于2023-08-21向国家知识产权局提交的专利申请。

本一种基于神经网络的多层蜂窝吸波材料自校准设计方法在说明书摘要公布了：本发明属于电磁波吸收材料技术领域，具体为一种基于神经网络的多层蜂窝吸波材料自校准设计方法。本发明首先对多层蜂窝吸波材料进行建模仿真，建立了由材料特征结构参数与对应反射损耗曲线组成的样本数据集；其次，建立神经网络模型，训练得到高性能正向预测网络与反向映射网络；然后，在两个神经网络的基础上，结合自校准设计方法，通过优化条件筛选，平移反射损耗曲线与CST仿真校准相结合的方法，实现在0.5GHz‑18GHz覆盖的任意频率范围内，以反射损耗值为目标的多层蜂窝吸波材料快速设计。本发明通过向设计过程中引入自校准步骤，大幅减小了神经网络误差叠加对于结果准确性的影响。

本发明授权一种基于神经网络的多层蜂窝吸波材料自校准设计方法在权利要求书中公布了：1.一种基于神经网络的多层蜂窝吸波材料自校准设计方法，其特征在于，包括以下步骤： 步骤1、建立多层蜂窝吸波材料的模型，获取特征结构参数与对应反射损耗曲线组成的数据集； 步骤1-1、选定多层蜂窝吸波材料中对吸波性能产生影响的特征结构参数，基于这些特征结构参数，在全波仿真软件中建立多层蜂窝结构模型； 特征结构参数包括蜂窝孔径d、蜂窝壁厚度w，蜂窝结构沿金属板向外的三层蜂窝的厚度依次为h3、h2、h1，对应的每层的浆料厚度依次为t3、t2、t1； 步骤1-2、将蜂窝芯材和吸波浆料的电磁参数导入仿真软件中，并设定好每个特征结构参数的参数范围，随机生成特征结构参数组合，经过仿真计算获取对应的反射损耗曲线； 设定蜂窝孔径d＝2.75mm，蜂窝壁厚度w＝0.05mm，蜂窝厚度h1、h2、h3∈[4,10]mm，每次浸渍的浆料厚度范围T1、T2、T3∈[0.01,0.1]mm，相应的最外层浆料厚度t1＝T1，中间层浆料厚度t2＝T1+T2，最内层浆料厚度t3＝T1+T2+T3；在设定范围内随机生成特征结构参数组合，经过仿真计算获取对应的反射损耗曲线； 步骤1-3、将特征结构参数与对应的反射损耗曲线处理成可用于神经网络训练的数据集； 步骤2、借助卷积神经网络，训练得到通过特征结构参数预测反射损耗曲线的正向预测网络和通过反射损耗曲线映射特征结构参数的反向映射网络； 步骤2-1、基于Python语言，调用Pytorch开源机器学习框架构建卷积神经网络； 步骤2-2、将步骤1-3得到的数据集划分为训练集、验证集与测试集；从训练集中提取网络的输入参数与目标参数，对神经网络模型进行训练；验证集用于神经网络训练过程中的权重优化；测试集用于评估神经网络的性能； 步骤2-3、将特征结构参数作为输入参数，对应反射损耗曲线作为目标参数，训练完成后得到的即为正向预测网络； 步骤2-4、反向映射网络的训练过程如下：先将反射损耗曲线作为输入参数，对应的特征结构参数作为目标参数对神经网络进行预训练；预训练完成后，将反射损耗曲线作为输入参数，把通过反向映射网络得到的特征结构参数输入正向预测网络，得到预测的反射损耗曲线；对比预测的反射损耗曲线与最初输入反向映射网络的反射损耗曲线的拟合程度进行网络权重的优化； 步骤2-5：对步骤2-3、步骤2-4训练完成的正向预测网络和反向映射网络进行评估，以判断其性能是否达标； 具体标准是：从每条反射损耗曲线上以≤0.2GHz等步长取p个点，若实际曲线与标准曲线上对应点的误差不超过5％，则认为这个点预测准确，一条曲线上合格点总数除以p即为该条曲线的准确率；神经网络的性能达标标准为：用测试集对训练完成的神经网络进行评估，正向预测网络的所有反射损耗曲线的平均准确率应达到95％以上，反向映射网络的所有反射损耗曲线的平均准确率应达到90％以上； 步骤3、将训练完成的正向预测网络、反向映射网络与自校准设计方法结合，用于多层蜂窝吸波材料的设计，整个设计过程通过Python代码控制实现自动化； 步骤3-1、随机生成特征结构参数组合，并通过正向预测网络得到对应的反射损耗曲线；根据优化筛选条件，筛选出M组符合要求的特征结构参数与对应的反射损耗曲线组合作为第一轮优化的样本池，M≥100； 步骤3-2、从优化样本池中，找出最大反射损耗值较小的前N组反射损耗曲线与对应的特征结构参数，通过全波仿真软件进行仿真校准，存入仿真结果文件夹中，N≤0.1M； 步骤3-3、将校准后的曲线整体沿Y轴反射损耗值变小的方向平移1％-5％，保存为新的反射损耗曲线，并通过反向映射网络得到对应的特征结构参数，存入下一轮优化的样本池中； 步骤3-4、以步骤3-2中的样本为参考，将每条曲线的最大反射损耗值存入列表，找出其中的最小值，在此基础上增加一个浮动项△，△∈[0.05,0.3]dB，更新反射损耗值的筛选条件，再筛选出M-N组特征结构参数与对应的反射损耗曲线，与步骤3-3得到的曲线一起填充满下一轮优化的样本池； 步骤3-5、重复步骤3-2至3-4，直至筛选单个样本的过程超出设定时间限制T_Stop，T_Stop∈[120,600]s，则停止筛选过程；若本轮有n组样本生成，选出其中性能较好的前N组曲线与对应的特征结构参数，仿真校准后存入仿真结果文件夹中使其更新；其中，若n≤N，则取N＝n； 步骤3-6、对步骤3-5更新后的仿真结果文件夹中的所有样本继续执行优化过程；从样本中找出最大反射损耗值较小的前N条曲线，整体沿Y轴反射损耗值变小的方向平移1％-5％；然后通过反向映射网络，得到对应的特征结构参数，再通过仿真计算得到对应反射损耗曲线； 步骤3-7、重复步骤3-6直到反射损耗曲线的性能前后两轮优化出来的反射损耗最大值差值不超过1％，则优化过程结束；此时所得各反射损耗曲线相应的结构参数即为最终的设计参数。

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”。