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！

龙图腾网获悉哈尔滨工业大学申请的专利一种基于零样本迁移学习的结构损伤识别贝叶斯模型快速求解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：CN120450063B 。

龙图腾网通过国家知识产权局官网在2026-01-13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：202510538443.4，技术领域涉及：G06N7/01；该发明授权一种基于零样本迁移学习的结构损伤识别贝叶斯模型快速求解方法是由侯榕榕;车林望;鲍跃全设计研发完成，并于2025-04-27向国家知识产权局提交的专利申请。

本一种基于零样本迁移学习的结构损伤识别贝叶斯模型快速求解方法在说明书摘要公布了：一种基于零样本迁移学习的结构损伤识别贝叶斯模型快速求解方法，属于结构损伤识别和机器学习技术领域。为解决结构损伤识别贝叶斯模型泛化性能下降的问题。本发明包括构建结构损伤识别的贝叶斯模型；结合稀疏自编码器和对抗学习构建并训练对抗稀疏自编码器，对抗稀疏自编码器包括源域稀疏自编码器模块、目标域稀疏自编码器模块和域判别器模块；构建PhyCNN代理模型；生成源域标签数据集，构建源域PhyCNN代理模型；设计参数冻结迁移策略，构建目标域PhyCNN代理模型；基于目标域PhyCNN代理模型采样后验样本，利用后验样本更新结构损伤识别的贝叶斯模型，计算结构损伤参数最大后验估计值，实现结构损伤的定位与量化。

本发明授权一种基于零样本迁移学习的结构损伤识别贝叶斯模型快速求解方法在权利要求书中公布了：1.一种基于零样本迁移学习的结构损伤识别贝叶斯模型快速求解方法，其特征在于，包括如下步骤： S1.构建结构损伤识别的贝叶斯模型，包括结构损伤参数的先验概率密度函数、结构损伤参数的似然函数和结构损伤参数的后验概率密度函数； S2.结合稀疏自编码器和对抗学习构建并训练对抗稀疏自编码器，所述对抗稀疏自编码器包括源域稀疏自编码器模块、目标域稀疏自编码器模块和域判别器模块； S3.构建物理信息卷积神经网络，设计结构损伤参数的灵敏度系数矩阵，将基于结构模态参数的灵敏度系数矩阵的物理损失嵌入物理信息卷积神经网络架构中，构建PhyCNN代理模型； 步骤S3的具体实现方法包括如下步骤： S3.1.构建物理信息卷积神经网络包含输入层、特征学习层FL、全连接层FC、以及输出层，其中，特征学习层用于从输入或前一层特征学习层输出中提取特征，由卷积层、BatchNorm层以及非线性激活函数PReLU三部分组成； S3.2.设计第r阶固有频率和振型对结构损伤参数的灵敏度系数，表达式为： ； ； ； 其中，和分别是结构损伤参数的第r阶固有频率和振型，是第r阶固有频率相应于结构损伤参数的灵敏度系数，是第r阶振型相应于结构损伤参数的灵敏度系数，是相应于第l阶模态振型的系数，Nd为结构系统的自由度数； 构建结构损伤参数的灵敏度系数矩阵，表达式为： ； S3.3.将基于结构损伤参数的灵敏度系数矩阵的物理损失嵌入步骤S3.1得到的物理信息卷积神经网络架构中，构建PhyCNN代理模型，PhyCNN代理模型的损失函数的表达式为： ； 其中，表示有限元模型FEM的模态参数输出值，表示PhyCNN代理模型的模态参数输出值，输出值包括固有频率和振型； S4.生成源域标签数据集，将步骤S2得到的源域稀疏自编码器模块的编码器替换步骤S3得到的PhyCNN代理模型的输入层，利用源域标签数据集进行训练，得到源域PhyCNN代理模型； S5.设计参数冻结迁移策略，保留步骤S4得到的源域PhyCNN代理模型的特征学习层、全连接层和输出层的网络架构与权值参数，并将输入层替换为步骤S2得到的目标域稀疏自编码器模块的编码器，得到目标域PhyCNN代理模型； S6.基于目标域PhyCNN代理模型采样后验样本，利用后验样本更新步骤S1得到的结构损伤识别的贝叶斯模型，计算结构损伤参数最大后验估计值，实现结构损伤的定位与量化。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。