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！

龙图腾网获悉南京大学申请的专利一种基于机器学习的多层纳米薄膜属性的预测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：CN114935557B 。

龙图腾网通过国家知识产权局官网在2025-08-29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：202210518359.2，技术领域涉及：G01N21/552；该发明授权一种基于机器学习的多层纳米薄膜属性的预测方法是由颜学俊;陈志恒;卢明辉;丁雷;陈延峰设计研发完成，并于2022-05-13向国家知识产权局提交的专利申请。

本一种基于机器学习的多层纳米薄膜属性的预测方法在说明书摘要公布了：本发明公开了一种基于机器学习的多层纳米薄膜属性的预测方法，所述方法采用机器学习的神经网络预测模型，通过利用基于泵浦‑探测技术的超快激光超声实验平台及理论计算方法获取的瞬时反射率的变化数据，然后对数据集预处理及特征提取，最后将获得的特征数据集与薄膜材料属性进行对应，通过网络训练算法实现对多层纳米薄膜结构的材料属性的自动化预测。本发明适用于多层纳米薄膜的材料参数的检测领域，可以快速获取多层纳米薄膜的内部结构及光学、声学参数，检测精度高。

本发明授权一种基于机器学习的多层纳米薄膜属性的预测方法在权利要求书中公布了：1.一种基于机器学习的多层纳米薄膜属性的预测方法，其特征在于，包括如下步骤： S1：选用多层纳米薄膜材料试样，利用超快飞秒激光检测装置获取试样表面的瞬时反射率的变化数据；通过理论计算方法获取试件的瞬时反射率的模拟数据，达到对实验数据的扩充；该过程包括： S11：采用不同光学及声学性能的多层纳米薄膜制备试样，利用超快飞秒激光搭建泵浦探测系统探测试样的反射率或透射率； S12：记录试件的实验参数作为样本参数集，并对实验参数进行微调，将调整后的样本参数集输入至理论计算程序中，通过理论计算方法，获取瞬时反射率变化的理论数据集； 理论计算公式如下： 其中，kn是波矢；an、bn是电场常数；是材料的光弹系数；∈n是介电常数；u是位移；n为薄膜材料中层序号； S13：将理论计算数据对实验数据进行扩充，增加数据集的多样性； S14：选取新的试样进行超快光声探测，同样经过S12、S13获取其瞬时反射率或折射率数据； S2：构建机器学习模型的特征参数数据集，将经过计算得到的特征值与多层纳米薄膜属性对应；该过程包括： S21：计算各个试样的瞬时反射率变化数据的均值，利用零均值化方法对数据集进行量化处理，获得零均值化数据集； S22：计算零均值化数据集数据的时域包络，获得包络数据集； S23：选择各个试样的包络数据的时域特征TDii＝1,2,3,…,15、频域特征FDjj＝1,2,3,…,6及时频特征TFDkk＝1,2,3构建特征数据集； S24：将提取的特征数据集与多层纳米薄膜属性对应； S3：构建初始的预测网络结构，对网络模型进行训练、测试及评估，根据网络模型制作图形用户界面，实现对多层纳米薄膜属性的自动化预测；该过程包括： S31：搭建含m个隐藏层且每个隐藏层由n个神经元组成的全连接网络，以构建初始的网络结构；所述m取值范围大于2，n的取值遵循以下规则： 其中，ns是训练数据集样本数；ni是输入神经元个数；no是输出神经元个数；α是任意值变量，取值范围为2-10； S32：将处理好的包络数据集随机划分为训练数据集、验证数据集、测试数据集，并将其随机输入网络； S33：利用训练数据集对初始的网络结构进行网络参数训练，选用Levenberg-Marquardt函数作为训练方法，通过验证数据集来比较判断各参数下网络模型的性能，获取所需的网络结构； S34：对获得的网络模型进行保存，并制作图形用户界面，实现对多层纳米薄膜属性的自动化预测。

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南京大学，其通讯地址为：210093 江苏省南京市鼓楼区汉口路22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”。