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！

龙图腾网获悉西北工业大学深圳研究院申请的专利基于机器学习的功率半导体暂态仿真精度优化方法及系统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：CN119849334B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202510326231.X，技术领域涉及：G06F30/27；该发明授权基于机器学习的功率半导体暂态仿真精度优化方法及系统是由白浩;李薪阳;马睿;周杨;姜文涛设计研发完成，并于2025-03-19向国家知识产权局提交的专利申请。

本基于机器学习的功率半导体暂态仿真精度优化方法及系统在说明书摘要公布了：本发明属于电力电子仿真技术领域，公开了一种基于机器学习的功率半导体暂态仿真精度优化方法及系统。该方法利用轻量化的卷积神经网络建立低精度波形与高精度波形之间的映射，低精度波形经过神经网络处理后再通过线性插值，以较低的计算资源和时间代价得到相较于直接迭代计算具有较高准确度的高精度波形。以IGBT器件级仿真模型为例，本发明成功应用暂态仿真精度优化方法显著提高了其开关暂态波形的精准度。本发明有效地解决了仿真精准度和计算资源消耗、仿真时间的矛盾以及精度与准度之间的矛盾、实时仿真精度很难进一步提升的难题，为提高电力电子仿真的精准度提供了可靠、高效的技术支持，为提高器件级实时仿真精准度开辟了新的思路。

本发明授权基于机器学习的功率半导体暂态仿真精度优化方法及系统在权利要求书中公布了：1.一种基于机器学习的功率半导体暂态仿真精度优化方法，其特征在于，该方法包括： S1，进行仿真精度优化策略分析，针对功率半导体开关暂态波形仿真过程中存在的精度不足的问题，以及硬件平台的资源限制，提出一种结合机器学习和插值法的复合波形精度优化方法； S2，设计适用于处理功率半导体暂态波形序列的机器学习神经网络结构，该结构考虑波形数据的时序性和非线性特征，采用卷积神经网络、循环神经网络或其组合架构，实现整段低精度波形序列的输入与整段高精度波形序列的输出，并结合适当的激活函数和损失函数，增强网络对暂态特征的表述能力； S3，采集大量低精度和高精度暂态仿真数据构建数据集，确保训练数据具有足够的代表性和多样性，以便神经网络能够在多种工作状态下准确预测波形细节； S4，基于所构建的数据集训练神经网络模型，通过调整网络结构和训练参数，包括学习率、批量大小、迭代次数，优化模型性能，并通过交叉验证和损失曲线监控手段，确定具备良好泛化能力和高精度预测能力的最优网络模型； S5，利用训练好的神经网络模型结合插值法对低精度暂态波形进行修正和补偿，以避免尖峰区域误差累积，以提升仿真波形的精准度，使修正后的仿真结果符合高精度仿真结果； S6，设计仿真精度优化单元，该单元包含所训练的神经网络模型，并嵌入电力电子变换器仿真流程； 所述S1中的暂态仿真精度优化策略，受到神经网络在图像超分辨率领域应用的启发，通过对低精度波形进行重建，得到接近高精度仿真的结果，避免进一步迭代产生的高计算开销；考虑到后续模型在嵌入式硬件或FPGA平台上的部署需求，采用由低精度波形点映射至高精度波形低精度采样点的方式n点对n点，并结合插值方法补全其余点，从而实现高分辨率波形的整体重建； 所述卷积神经网络包含至少三层结构相同的可复用卷积层，通过硬件复用机制降低资源消耗，同时，卷积层可复用并支持流水线并行计算； 所述S4中，在以n点对n点映射方式的卷积神经网络模型的基础上，为补偿在波形尖峰数值突变区域可能出现的较大误差，进一步改进了一种包含反卷积层的上采样卷积神经网络，将n个低精度点映射为2n−1个高精度采样点，从而改善波形在复杂区域的重建精度。

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西北工业大学深圳研究院，其通讯地址为：518057 广东省深圳市南山区高新南九道45号三航科技大厦2501；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”。