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！

龙图腾网获悉广东工业大学申请的专利一种基于因果表征学习的磁芯损耗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：CN119673341B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202411735630.3，技术领域涉及：G16C60/00；该发明授权一种基于因果表征学习的磁芯损耗预测方法是由蔡瑞初;陈浠;彭琳钧;张家豪;陈薇;陈炳丰设计研发完成，并于2024-11-29向国家知识产权局提交的专利申请。

本一种基于因果表征学习的磁芯损耗预测方法在说明书摘要公布了：本发明提出一种基于因果表征学习的磁芯损耗预测方法，包括：获取磁性元件的磁芯数据集，并按照磁芯材料的类别分成测试数据集和训练数据集，构建初始磁芯损耗预测模型和初始隐因果表征提取模型；将训练数据集输入初始隐因果表征提取模型，设置第一损失函数进行迭代训练，获得训练好的隐因果表征提取模型，并输出隐因果表征变量；整合训练数据集和对应的隐因果表征变量，输入初始磁芯损耗预测模型，设置第二损失函数进行迭代训练，获得训练好的磁芯损耗预测模型；将测试数据集输入训练好的隐因果表征提取模型和训练好的磁芯损耗预测模型进行测试，获得最终隐因果表征提取模型和最终磁芯损耗预测模型；获取待预测磁性元件的磁芯数据，输入到两个最终模型中，获得待预测磁性元件的磁芯损耗预测值。本发明能提高磁芯损耗预测精度和效率，并且能够提高模型泛化能力。

本发明授权一种基于因果表征学习的磁芯损耗预测方法在权利要求书中公布了：1.一种基于因果表征学习的磁芯损耗预测方法，其特征在于，包括以下步骤： S1：获取磁性元件的磁芯数据集，并按照磁芯材料的类别将磁芯数据集划分成测试数据集和训练数据集，构建初始磁芯损耗预测模型和初始隐因果表征提取模型； S2：将所述训练数据集输入初始隐因果表征提取模型，设置第一损失函数进行迭代训练，当达到预设的迭代次数时，获得训练好的隐因果表征提取模型，训练好的隐因果表征提取模型输出训练数据集对应的隐因果表征变量； S2.1：构建初始隐因果表征提取模型，包括编码器和解码器； S2.2：将训练数据集中的磁通密度和磁芯材料分批输入到初始隐因果表征提取模型的编码器中，获得隐因果表征变量，将隐因果表征变量和磁芯材料输入到初始隐因果表征提取模型的解码器中获得重构磁通密度； S2.3：基于磁通密度和重构磁通密度构建第一损失函数，对初始隐因果表征提取模型进行训练，直到达到预设的迭代次数，获得训练好的隐因果表征提取模型； 编码器和解码器的构建参数由全连接神经网络参数决定，训练生成模型，包含编码过程和解码过程中的重构过程；将磁通密度bt作为编码器的输入、磁芯材料作为输入的监督信号m，输出隐因果表征变量z，其形式为： z＝fencbt,m 解码器根据监督信号m和编码器输出的隐因果表征变量z输出重构后的其形式为： S3：整合所述训练数据集和对应的隐因果表征变量，获得整合训练数据集； 将磁通密度bt、温度t、频率f、波形w与隐因果表征变量整合起来，一起输入到初始磁芯损耗预测模型中； S4：将所述整合训练数据集输入初始磁芯损耗预测模型，设置第二损失函数进行迭代训练，当达到预设迭代次数时，获得训练好的磁芯损耗预测模型； S5：将测试数据集输入训练好的隐因果表征提取模型和训练好的磁芯损耗预测模型进行测试，获得最终隐因果表征提取模型和最终磁芯损耗预测模型； S6：获取待预测磁性元件的磁芯数据，输入最终隐因果表征提取模型，获得待预测磁性元件的磁芯数据对应的隐因果表征变量；将待预测磁性元件的磁芯数据及其对应的隐因果表征变量输入到最终磁芯损耗预测模型，获得待预测磁性元件的磁芯损耗预测值。

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广东工业大学，其通讯地址为：510080 广东省广州市越秀区东风东路729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”。

以上内容由龙图腾AI智能生成。