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机器学习的天线基板振动基频优化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：CN117763910B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202311796315.7，技术领域涉及：G06F30/23；该发明授权一种基于机器学习的天线基板振动基频优化方法是由王长国;郭佳铭;刘洪威;谭惠丰设计研发完成，并于2023-12-25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天线基板振动基频优化方法在说明书摘要公布了：一种基于机器学习的天线基板振动基频优化方法，属于大面积薄壁板振动优化技术领域。所述方法步骤为：步骤一：识别活跃子空间；步骤二：在活跃子空间内自适应构建代理模型；步骤三：调用Kriging代理模型估计灵敏度指数；步骤四：优化重构设计空间内的天线基板。本发明结合基于活跃子空间与自适应加点策略的灵敏度分析方法和贝叶斯优化方法，建立了一种基于机器学习的天线基板振动基频全局优化框架，可高效完成大型天线基板的基频全局优化设计。通过对具有复杂约束的大尺度天线基板优化验证表明，本发明的方法能克服传统方法过早收敛的难题，并能够在更小的计算耗时下得到基频更优的设计，大幅提高了天线基板基频优化的效率。

本发明授权一种基于机器学习的天线基板振动基频优化方法在权利要求书中公布了：1.一种基于机器学习的天线基板振动基频优化方法，其特征在于：所述方法包括以下步骤： 步骤一：识别活跃子空间 在天线基板初始设计空间内抽样生成N0个样本作为一个集合，记为初始样本集合S0；然后从S0中选取N1个样本，记为S1；借助有限元模拟和有限差分法估算S1集合内样本天线基板振动基频的梯度向量 通过对这些S1样本点的梯度向量求平均值来估计协方差矩阵C的元素，并对协方差矩阵C进行特征分解得到特征值和特征向量，通过分析特征值之间的相对大小来识别活跃子空间；找到活跃子空间后，原始输入变量x0与活跃子空间中变量之间的映射近似为： x0＝W1u+W2z≈W1u13 式13中，W1和W2分别为活跃子空间向量和非活跃子空间向量，u和z分别为活跃变量和非活跃变量； 步骤二：在活跃子空间内自适应构建代理模型 在活跃子空间内自适应构建天线基板振动基频的Kriging代理模型利用Kriging代理模型估计的未观测点MSE，新加样本点unew被确定为最大的MSE对应的点： 式14中，S0,u为初始样本集合S0在子空间内的映射； 步骤三：调用Kriging代理模型估计灵敏度指数 引入准蒙特卡罗方法使用构建的Kriging代理模型进行灵敏度分析，根据灵敏度分析结果对初始设计空间进行重构，选取敏感变量组成新的设计空间，而不敏感变量则始终固定在均值处； 步骤四：优化重构设计空间内的天线基板 使用贝叶斯优化方法在重构空间内对天线基板进行寻优，期望改进EI的采用准则的采样函数全局搜索以检测到未探索到但有希望的区域，同时改善预测精度，EI的采样准则的采样函数用封闭形式表示： 式1中，EIx为观测点x对应的EI函数值，Φ·和φ·分别为标准正态分布的累积分布和概率密度函数，ymin为评估样本中的最小值，为Kriging代理模型预测值，为Kriging代理模型预测方差的平方根； 对于有约束优化问题，约束包括结构重量和结构的热致位移，建立约束函数的代理模型Gjx,j＝1,…,ng，其中，ng表示约束函数的个数，假设第j个约束函数对应的随机变量Gjx服从均值为标准差为sg,jx的正太分布，则满足期望的概率P[Gjx≥0]通过下式2计算： 约束EI采样函数CEIx表示为：

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。