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！

龙图腾网获悉南京大学申请的专利一种基于编码超表面频率响应快速预测的模型压缩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：CN115688910B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202211401909.9，技术领域涉及：G06N3/082；该发明授权一种基于编码超表面频率响应快速预测的模型压缩方法是由王琼;魏洪波;柏业超;唐岚;张兴敢设计研发完成，并于2022-11-09向国家知识产权局提交的专利申请。

本一种基于编码超表面频率响应快速预测的模型压缩方法在说明书摘要公布了：本发明公开了一种基于编码超表面频率响应快速预测的模型压缩方法，涉及编码超表面设计领域，包括如下步骤：步骤一、通过CST‑Python联合仿真，导入表示编码超表面单元表面结构的编码矩阵，生成编码超表面频率响应，获得频响曲线，制作数据集；步骤二、对编码超表面频率响应快速预测的正向网络进行预训练，实现编码超表面到频率响应的映射；步骤三、基于步骤二中得到的预训练完备的正向网络，使用LRP将网络输出作为相关性进行后向传播，以卷积核获得的相关性作为结构化剪枝的度量标准，对正向网络进行压缩；步骤四、将表示编码超表面单元表面结构的编码矩阵输入到压缩后的正向网络中，得到超表面频率响应的参数实部曲线、虚部曲线，进而得到幅值和相位值。

本发明授权一种基于编码超表面频率响应快速预测的模型压缩方法在权利要求书中公布了：1.一种基于编码超表面频率响应快速预测的模型压缩方法，其特征在于，包括如下步骤： 步骤一、通过CST-Python联合仿真，导入表示编码超表面单元表面结构的编码矩阵，生成编码超表面频率响应，获得频响曲线，制作数据集； 步骤二、对编码超表面频率响应快速预测的正向网络进行预训练，实现编码超表面到频率响应的映射； 步骤三、基于步骤二中得到的预训练完备的正向网络，使用LRP将网络输出作为相关性进行后向传播，以卷积核获得的相关性作为结构化剪枝的度量标准对正向网络进行压缩，并对压缩后的正向网络进行再训练； 步骤四、将表示编码超表面单元表面结构的编码矩阵输入到步骤三中得到的正向网络中，即可得到超表面频率响应的参数实部曲线、虚部曲线，进而得到幅值和相位值； 所述步骤三中，结构化剪枝方法的步骤如下： 步骤A、计算激活值； 在训练集中随机选择编码超表面单元作为参考样本，将表征参考样本超材料单元表面结构的编码矩阵输入到步骤二中的预训练完备的正向网络中，正向网络的实部子网络和虚部子网络分别独立进行前向传播，得到实部子网络和虚部子网络中每层的输出值，所述输出值即为激活值，预激活值为未经过层中激活函数的输出值； 步骤B、基于LRP的相关性计算； 将步骤二中的预训练完备的正向网络输出后向传播至输入层，正向网络的实部子网络和虚部子网络分别独立地将输出后向传播至网络输入层，基于LRP规则依次获取实部子网络和虚部子网络各层中卷积核与网络输出之间的相关性； 步骤C、计算每个卷积核的相关性； 基于LRP规则，将网络输出后向传播至输入端后，网络中所有层的激活值都获得了与网络输出的相关性，对于卷积层而言，卷积核的相关性即为该卷积核输出的所有激活值相关性之和； 步骤D、根据卷积核的相关性，采用整体剪枝的方式进行结构化剪枝； 对步骤二中预训练完备的的正向网络的实部子网络和虚部子网络分别单独进行剪枝工作；确定剪枝比例，即被剪卷积核占所有卷积核的比例，根据卷积核的相关性对所有卷积核进行排序，获得相关性阈值；剪去相关性低于阈值的卷积核和对应输入输出连接，得到压缩后的正向网络。

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南京大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163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。