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申请的专利一种基于深度学习的LED荧光粉层结构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：CN116090330B 。

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：202211532426.2，技术领域涉及：G06F30/27；该发明授权一种基于深度学习的LED荧光粉层结构设计方法是由曹暾;蔡义昕;苏莹;王翔宇;廉盟;贾婧媛设计研发完成，并于2022-12-01向国家知识产权局提交的专利申请。

本一种基于深度学习的LED荧光粉层结构设计方法在说明书摘要公布了：本发明提供一种基于深度学习的LED荧光粉层结构设计方法，包括正向网络和反向网络两部分。正向网络用于建立荧光颗粒分布特征浓度、厚度、粒径与出光效果色坐标、光效、对比度的映射关系；反向网络基于上述的映射关系，根据给定的光学性质反向输出对应的分布特征，用于指导制备工艺。步骤包括S1采集并构建数据集，划分为训练和测试两部分；S2建立深度神经网络模型，包括正向网络和反向网络；S3训练并测试网络模型，根据结果对网络模型进行优化，得到深度学习网络模型；S4测试训练模型，得到预测结果。本发明能够解决LED荧光粉层结构设计效率低、成本高的问题。

本发明授权一种基于深度学习的LED荧光粉层结构设计方法在权利要求书中公布了：1.一种基于深度学习的LED荧光粉层结构设计方法，其特征在于，包括以下步骤： S1建立LED荧光粉层的仿真结构模型，并构建结构参数与出光效果数据集； S2建立深度学习正向网络模型； 首先基于全连接层建立深度学习正向网络模型，全连接层是深度学习的典型结构，通过提取学习样本数据的内在规律和表示层次，实现对荧光粉层不同结构参数和对应出光效果的快速计算； 步骤S2-1：对数据集进行预处理； 步骤S2-2：建立正向网络；读取数据集，将数据集按比例划分为训练集和测试集两部分；训练集用来训练神经网络，测试集用来检测神经网络的训练效果；网络的输入数据x为数据集中荧光粉层结构，输出数据y为荧光粉层的出光效果； 步骤S2-3：基于全连接层建立正向网络的主体结构；包括一个输入层、若干隐藏层和一个输出层，每层包括若干结点；数据从输入层的结点传输到神经网络中，并依次输出到下一个节点中；基于数据集中荧光粉层的结构参数和出光效果的数据数量确定输入层和输出层结点个数、隐藏层的层数和均方误差的阈值； S3训练步骤2得到的正向网络模型，并对正向网络模型进行测试； 步骤S3-1：使用训练集对正向神经网络进行训练，并计算网络在训练集上的均方误差Etrain作为训练Loss函数； 其中，n为每次训练的样本数量，为第i个样本点预测出的结果，yi为第i个样本点对应的真值；在训练中进行多次迭代，并计算每一次迭代的均方误差； 步骤S3-2：使用测试集对每次迭代训练中的网络进行测试，并计算网络在测试集上的均方误差Et*st作为测试Loss函数； 其中，m为每次训练的样本数量，为第j个样本点预测出的结果，j为第j个样本点对应的真值；在测试中随训练进行多次迭代，并计算每一次迭代的均方误差； 收集每次迭代计算出的Etrain和Etest，以迭代次数为横轴、Loss函数值为纵轴绘制图像，作为网络的训练结果； S4根据训练结果对上述网络模型的结构进行优化，得到最优的深度学习网络模型； S5建立深度学习反向网络模型； 反向网络的建立与正向网络类似；重复步骤S2到步骤S4，将步骤S2中的输入数据x改为荧光粉层的出光效果，输出y改为荧光粉层的结构参数，经过训练、优化和测试得到反向网络； 至此，完成正向网络模型和反向网络模型的建立；在正向网络中输入荧光粉层的结构参数，可以得到对应的出光效果；在反向网络中输入荧光粉层的出光效果，可以得到对应的荧光粉层的结构参数，其中结构参数包括荧光粉的厚度t、浓度d和荧光粉粒径大小r，出光效果包括色坐标、光效、对比度；正向网络建立了荧光颗粒分布特征与出光效果的映射关系；反向网络基于上述的映射关系，根据给定的光学性质反向输出对应的分布特征，用于指导荧光粉层的制备工艺，实现LED荧光粉层的结构设计。

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，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”。