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！

龙图腾网恭喜临沂大学申请的专利一种基于分层预测神经网络的玻璃硬度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：CN119314585B 。

龙图腾网通过国家知识产权局官网在2025-06-06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：202411863743.1，技术领域涉及：G16C20/30；该发明授权一种基于分层预测神经网络的玻璃硬度预测方法是由杨成东;刘振;赵尚荣;蹇木伟;李振兴;王九如设计研发完成，并于2024-12-18向国家知识产权局提交的专利申请。

本一种基于分层预测神经网络的玻璃硬度预测方法在说明书摘要公布了：本申请公开了一种基于分层预测神经网络的玻璃硬度预测方法，属于数据预测系统领域，用于玻璃研发，其包括数据的获取、数据的预处理、数据集的构建、搭建卡尔莫戈罗夫‑阿诺尔德网、前馈神经网络构成的分层预测神经网络、通过梯度下降法和反向传播训练神经网络模型并通过平均绝对误差来评估预测误差，在所训练的神经网络模型的预测误差满足精度要求后，停止训练并保存相应的网络结构及参数，用于预测玻璃硬度，指导玻璃研发。鉴于上述技术方案，本申请能够在制备玻璃之前通过现有数据预测玻璃硬度，从而加速玻璃设计，缩短玻璃研发周期。

本发明授权一种基于分层预测神经网络的玻璃硬度预测方法在权利要求书中公布了：1.一种基于分层预测神经网络的玻璃硬度预测方法，其特征在于，该方法包括以下步骤：S1、数据的获取，包括玻璃的化学组成成分、熔化温度、澄清温度、成型温度、热处理工艺、冷加工工艺，并通过测量设备获取玻璃的硬度；S2、数据的预处理，包括将步骤S1中获取的化学组成成分、熔化温度、澄清温度、成型温度进行数据归一化处理，对步骤S1中获取的热处理工艺、冷加工工艺数据进行one-hot独热编码，以构建符合步骤S4模型输入类型的数据；S3、数据集的构建，包括将步骤S2形成的数据分为训练集、验证集，训练集与验证集的数据量的比例为4：1；S4、神经网络模型的搭建，包括搭建分层预测神经网络，分层预测神经网络包括两个神经网络，分别为卡尔莫戈罗夫-阿诺尔德网、前馈神经网络；S5、采用步骤S3中的训练集对神经网络模型进行训练，采用平均绝对误差来评估预测误差，通过梯度下降法和反向传播训练神经网络模型；S6、采用步骤S3中的验证集对步骤S5中训练的神经网络模型进行性能测试及验证，待神经网络模型的预测误差满足精度要求后，停止对神经网络模型训练并保存相应的网络结构及参数，将拟设计玻璃的化学组成成分、熔化温度、澄清温度和成型温度，热处理工艺、冷加工工艺进行数据预处理，并输入训练好的神经网络模型，得到的输出值即为该模型预测的玻璃平均硬度；其中，所述步骤S4包括以下内容：步骤S41：搭建分层预测神经网络模型，所述分层预测神经网络模型由两个神经网络构成，两个神经网络分别为卡尔莫戈罗夫-阿诺尔德网络和前馈神经网络，且两个神经网络分别包括1个输入层、1个隐含层和1个输出层，其中卡尔莫戈罗夫-阿诺尔德网络的输出层也是前馈神经网络的输入层的一部分；所述卡尔莫戈罗夫-阿诺尔德网络的输入层神经元个数为公式（4）： （4）其中：为数据集中玻璃化学组分的种数；为数据集中热处理工艺的种数和热处理温度数的总和；为数据集中玻璃熔化温度和澄清温度的数量，恒为2；故公式（4）可简化为公式（5）：I1=Nx+Nhot+2（5）卡尔莫戈罗夫-阿诺尔德网络的隐含层神经元个数，根据卡尔莫戈罗夫-阿诺尔德表示定理，应设置为公式（6）： （6）卡尔莫戈罗夫-阿诺尔德网络输出层神经元个数如公式（7）所示： （7）卡尔莫戈罗夫-阿诺尔德网络的函数表达式定义参见公式（8）： （8）其中：为输入卡尔莫戈罗夫-阿诺尔德网络的数据；中的表示从第0层到第1层的映射，中的、表示从第1层到第2层的映射，两者均为卡尔莫戈罗夫-阿诺尔德网络的激活函数，即SigmoidLinearUnit函数和样条函数的线性组合，具体公式参见公式（9）： （9）其中：和为可训练参数；样条函数是B-样条函数的线性组合，参见公式（10）： （10）其中：为可训练参数，为B-样条函数；步骤42：前馈神经网络的网络结构包括：前馈神经网络输入层神经元个数参见公式（11）： （11）其中：为数据集中冷处理工艺的种数，为卡尔莫戈罗夫-阿诺尔德网络的输出层的神经元个数，恒为1，故公式（11）可简化为（12）前馈神经网络隐含层神经元个数参见公式（13）： （13）前馈神经网络输出层神经元个数参见公式（14）： （14）前馈神经网络隐含层的激活函数选择带泄露的ReLU函数，前馈神经网络输出层的激活函数选择Sigmoid函数；优化算法优先选择Adam算法，该算法既能使用动量作为参数更新方向，又能自适应地调整学习率；所述步骤42中的带泄露的ReLU函数如公式（15）所示： （15）其中取0.01；Sigmoid函数如公式（16）所示： （16）；所述步骤S5包括：S51、平均绝对误差的计算公式如公式（17）所示： （17）其中：m为训练集和验证集中的样本数,为预测的玻璃硬度值，为测量的平均硬度值；通过梯度下降法和反向传播训练神经网络模型，为避免过拟合导致的模型性能下降，采用早停法，在过拟合前提前停止训练；所述步骤S5还包括步骤S52、根据分层神经网络结构，构建玻璃硬度的预测模型，通过训练完成的神经网络的最优结构，得到神经网络各层的参数；构建预测模型的形式为公式（18）： （18）其中：为归一化处理后的玻璃化学组成组分数据；为归一化处理后的熔化温度、澄清温度和成型温度数据；为归一化处理后的热处理工艺数据；为归一化处理后的冷加工工艺数据；为前馈神经网络第层的权重；为前馈神经网络为第层的偏置；和分别为卡尔莫戈罗夫-阿诺尔德网络中输入层和隐含层的激活函数，见公式（9）；函数见公式（15）；函数见公式（16）。

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临沂大学，其通讯地址为：276000 山东省临沂市兰山区工业大道北段西侧；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”。