[發明專利]一種基于動態選取訓練集的材料性能預測方法

有效

• 申請號: 202110708495.3
• 申請日: 2021-06-23
• 公開（公告）號: CN113345538B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 于興華;王家琦;王旭;發永哲
• 申請（專利權）人: 北京理工大學重慶創新中心;北京理工大學
• 主分類號: G16C60/00
• 分類號: G16C60/00;G06N20/00
• 代理公司: 重慶智慧之源知識產權代理事務所(普通合伙) 50234
• 代理人: 余洪

1.一種基于動態選取訓練集的材料性能預測方法，其特征在于，包括：

獲取訓練數據庫中各樣本的原始材料參數數據，利用主成分分析法，獲取所述各樣本對應的降維數據，以及與所述原始材料參數對應的特征權重向量，并對所述各樣本對應的降維數據進行坐標表示；

獲取待測材料的原始材料參數數據，乘以所述特征權重向量，得到所述待測材料的降維數據，并進行坐標表示；

計算所述待測材料的坐標與所述各樣本的坐標之間的空間距離，繪制距離頻數直方圖，并基于所述距離頻數直方圖繪制對應的距離概率密度曲線；

以所述距離概率密度曲線的第一個波峰及之前所對應的距離范圍，作為目標距離范圍，確定以所述目標距離范圍對應的樣本作為目標訓練樣本；

利用所述目標訓練樣本，使用機器學習回歸算法進行訓練，得到預測模型；

將所述待測材料的原始材料參數輸入所述預測模型，輸出得到性能預測值。

2.如權利要求1所述的基于動態選取訓練集的材料性能預測方法，其特征在于，所述利用主成分分析法，獲取所述各樣本對應的降維數據，以及與所述原始材料參數對應的特征權重向量，并對所述各樣本對應的降維數據進行坐標表示包括：

利用主成分分析法，將原來的高維原始材料參數數據降低為二維數據，將第一主成分x_n記為X軸坐標，將第二主成分y_n記為Y軸坐標，坐標表示為(x_n,y_n)，所述n表示訓練數據庫中樣本個數；所述第一主成分對應的特征權重向量記為向量a，所述第二主成分對應的特征權重向量記為向量b。

3.如權利要求2所述的基于動態選取訓練集的材料性能預測方法，其特征在于，所述獲取待測材料的原始材料參數數據，乘以所述特征權重向量，得到所述待測材料的降維數據，并進行坐標表示包括：

獲取待測材料的原始材料參數數據，乘以所述向量a，得到其X軸坐標x′₀，將所述待測材料的原始材料參數數據，乘以所述向量b，得到其Y軸坐標值y′₀，進而得到其降維數據并進行坐標表示為(x′₀，y′₀)。

4.如權利要求1所述的基于動態選取訓練集的材料性能預測方法，其特征在于，所述利用主成分分析法，獲取所述各樣本對應的降維數據，以及與所述原始材料參數對應的特征權重向量，并對所述各樣本對應的降維數據進行坐標表示包括：

利用主成分分析法，將原來的高維原始材料參數數據降低為三維數據，將第一主成分x_n記為X軸坐標，將第二主成分y_n記為Y軸坐標，將第三主成分z_n記為Z軸坐標，坐標表示為(x_n,y_n,z_n)，所述n表示訓練數據庫中樣本個數；所述第一主成分對應的特征權重向量記為向量a，所述第二主成分對應的特征權重向量記為向量b，所述第三主成分對應的特征權重向量記為向量c。

5.如權利要求4所述的基于動態選取訓練集的材料性能預測方法，其特征在于，所述獲取待測材料的原始材料參數數據，乘以所述特征權重向量，得到所述待測材料的降維數據，并進行坐標表示包括：

獲取待測材料的原始材料參數數據，乘以所述向量a，得到其X軸坐標x′₀，將所述待測材料的原始材料參數數據，乘以所述向量b，得到其Y軸坐標值y′₀，將所述待測材料的原始材料參數數據，乘以所述向量c，得到其Z軸坐標值z′₀，進而得到其降維數據并進行坐標表示為(x′₀,y′₀,z′₀)。

6.如權利要求1-5任一項所述的基于動態選取訓練集的材料性能預測方法，其特征在于，所述方法還包括：

判斷目標訓練樣本個數是否達到設定個數閾值，若否，將所述距離概率密度曲線的第二個波峰及之前所對應的距離范圍，作為目標距離范圍；以此類推，直至對應的目標訓練樣本個數剛好超過所述設定個數閾值。

7.如權利要求6所述的基于動態選取訓練集的材料性能預測方法，其特征在于，所述機器學習回歸算法為Adaboost回歸算法。